Registration Number
0826U003470, PhD dissertation
Status
Доктор філософії
Date
31-07-2026
popup.evolution
.
Title
Models and methods for semi-structured data extraction from PDF documents.
Author
Oleksandr Bozhko,
popup.head Костянтин Е. Петров
popup.opponent Oleksii Turuta
popup.opponent Ivan V. Izonin
popup.review Serhii F. Chalyi
popup.review Oleg V. Zolotukhin
popup.rada
Kharkiv National University Of Radio Electronics
Description
Божко О. Ю. Моделі та методи екстракції слабоструктурованих даних з PDF-документів. – Кваліфікаційна наукова праця на правах рукопису.
Дисертація на здобуття наукового ступеня доктора філософії за спеціальністю 122 Комп'ютерні науки. (галузь знань 12 Інформаційні технології) – Харківський національний університет радіоелектроніки, Міністерство освіти і науки України, Харків, 2026.
Актуальність дослідження зумовлена протиріччям між практичною потребою в надійній автоматизованій екстракції слабоструктурованих даних з різнорідних PDF-документів та відсутністю науково обґрунтованого інструментарію для прогнозування якості такої екстракції та обґрунтованого вибору стратегії їх обробки.
Метою дисертаційного дослідження є розробка моделей та методів, які б забезпечили реалізацію процедури автоматизованої адаптивної екстракції слабоструктурованих даних з PDF-документів на основі обґрунтованого вибору стратегії їх обробки з урахуванням прогнозованої якості екстракції та економічних критеріїв.
Об'єктом дослідження є процес автоматизованої екстракції слабоструктурованих даних з PDF-документів.
Предметом дослідження є моделі та методи адаптивної екстракції слабоструктурованих даних з PDF-документів.
Наукова новизна проведеного дослідження полягає в наступному:
1. Уперше розроблено метод прогнозування якості екстракції слабоструктурованих даних з PDF-документів на основі регресійного аналізу залежності міри F1 від системи бінарних ознак складності документа, який, на відміну від існуючих методів, що використовують характеристики запиту або рівень впевненості моделі, дозволяє апріорно оцінити очікуваний результат обробки до її виконання.
2. Уперше розроблено метод автоматичної анотації ознак складності PDF-документів з використанням мультимодальних великих мовних моделей, який, на відміну від ручного маркування, забезпечує масштабованість формування навчальних вибірок без залучення людини.
3. Уперше розроблено метод вибору стратегії екстракції слабоструктурованих даних на основі порогової політики вибору, що, на відміну від підходів з пробною обробкою, інтегрує класифікацію рівня складності документа та прогнозування якості екстракції з урахуванням обмежень на вартість і мінімально допустиму якість без попередньої обробки документа.
4. Удосконалено модель представлення слабоструктурованих даних у PDF-документах шляхом введення профілю складності на основі системи бінарних ознак структурних характеристик, що, на відміну від існуючих моделей, дозволяє формально описати властивості документа, релевантні для прогнозування якості автоматизованої екстракції слабоструктурованих даних.
5. Удосконалено модель оцінки якості екстракції слабоструктурованих даних шляхом введення багаторівневої системи метрик на основі декомпозиції за семантичними групами бізнес-сутностей документа, що, на відміну від інтегральних показників якості, дозволяє диференційовано оцінювати результати екстракції на рівні метаданих, записів та окремих полів і локалізувати джерела помилок.
6. Удосконалено метод класифікації документів за рівнем їх складності шляхом застосування багатокласової логістичної регресії на системі бінарних ознак структурної складності документа, що, на відміну від існуючих підходів до класифікації документів за типом або тематикою, дозволяє стратифікувати документи за прогнозованим рівнем якості автоматизованої екстракції за допомогою великих мовних моделей.
Registration Date
2026-07-13
popup.nrat_date
2026-07-13 / 2026-08-14
