En Las Aplicaciones De La Busqueda. Tendencias Del Futuro

En las aplicaciones de la búsqueda.

Búsqueda de documentos complejos (CDIP)
Búsqueda multi-idioma de las colección (USHMM)
Una palabra de la búsqueda (mediador)

* Los documentos complejosque incluyen:
Notas escritas a manos
Diagramas
Gráficos
El texto impreso o formato

* Las soluciones puntuales existen:
OCR, Recuperación de información, extracción de la informaciónProcesamiento de imágenes, texto
Clustering, Computacional, Estilística,….

* No existe una definición de estado de la técnica para el integrado problema
Manual de partición/clasificación: caro,consume tiempo, propensa a errores

* La tecnología existente(Point Solutions)
Reconocimiento óptico de caracteres (OCR)
Documento de la agrupación y navegación
Reconocimiento de escritura amano el análisis y la firma
Documento de extracción de la estructura
Extracción de las tablas y listas
Entidad y extracción de la relación

Metas del proyecto

* Desarrollar un prototipo deidioma Ingles CDIP, sistema que:
Entradas colecciones de imágenes de documentos digitalizados
Extractos de la estructura, el contenido y las etiquetas estilísticas
Almacenar la información a fin deapoyar la búsqueda y la navegación de la base de datos
Está construido de forma modular para permitir la mejora o sustitución de los módulos de componentes

* Construir la colección pruebasignificativa
Prueba de la colección de mas de 40 millones de paginas en ingles complejas
Evaluaciones de línea base para las tecnologías

* CDIP enfoque de procesamiento
Analista
IntegradoRecuperación
Datos
Minería
Mejoras

* CDIP prueba Colección-Integral
Los datos hechos públicos a través de los procedimientos judiciales
Acuerdos Transaccional Principal subconjunto de la UCSFbiblioteca de documentos Legado del Tabaco
Documentos examinados por las empresas individuales, por lo tanto, la calidad de escaneo varía ampliamente
7 millones de documentos
42 millones de páginas...