Реєстраційний номер
0826U003470, Дисертація доктора філософії
На здобуття
Доктор філософії
Дата захисту
31-07-2026
Статус
Захищена
Назва роботи
Моделі та методи екстракції слабоструктурованих даних з PDF-документів
Здобувач
Божко Олександр Юрійович,
Керівник Петров Костянтин Едуардович
Опонент Турута Олексій Петрович
Опонент Ізонін Іван Вікторович
Рецензент Чалий Сергій Федорович
Рецензент Золотухін Олег Вікторович
Установа, організація, у вченій раді якої відбудеться/відбувся захист
Харківський національний університет радіоелектроніки
Опис
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.
Дата реєстрації
2026-07-13
Додано/оновлено в НРАТ
2026-07-13 / 2026-08-14
