• search hit 6 of 924
Back to Result List

Textbereitstellung für die maschinelle Erschließung

  • Die Deutsche Nationalbibliothek wendet Verfahren der maschinellen Erschließung inzwischen auf Werke aus den Reihen O, B und H der Nationalbibliografie an. Mit zunehmendem Umfang der maschinellen Erschließung und der Diversifizierung der eingesetzten Erschließungsverfahren erfährt auch der Vorverarbeitungsschritt der Bereitstellung einer geeigneten Datenbasis eine immer größere Bedeutung. Mit unserem Beitrag möchten wir einen Einblick in unsere Überlegungen zu dieser Vorverarbeitung bieten. Sowohl Online-Publikationen, als auch nachträglich digitalisierte Inhaltsverzeichnisse von Printpublikationen müssen einen Extraktionsprozess durchlaufen, der eine Bereitstellung der Inhalte als maschinenlesbaren Text zu Ziel hat. Dazu werden auf die vorliegenden PDF- bzw. EPUB-Dateien verschiedene Extraktionsverfahren angewendet, die zu Plain Text führen, der der Erschließungssoftware zur Weiterverarbeitung übergeben werden kann. Insbesondere für den PDF-Standard existiert ein breites Angebot von Extraktionstools mit unterschiedlichem Funktionsumfang. Um hier die geeigneten Angebote erfolgreich selektieren zu können, muss ein Verständnis für die Qualität von Extraktionsergebnissen entwickelt und die spezifischen Anforderungen der Weiterverarbeitung durch Verfahren der maschinellen Erschließung identifiziert werden. Einen möglichen Ansatz zur Fehlerbehandlung bei der Textextraktion sehen wir in der Anwendung alternativer Textbereitstellungsverfahren, wie z.B. der optischen Zeichenerkennung (OCR). OCR-Verfahren sind etablierte Werkzeuge zur Rationalisierung unterschiedlichster Geschäftsprozesse, die zuletzt eine neue Relevanz bei der Bereitstellung von textbasiertem Trainingsmaterial für die großen Sprachmodelle des Deep Learning erfahren haben. Doch der erfolgreiche Einsatz von OCR und den dazugehörigen Werkzeugen zur Vor- und Nachbearbeitung ist eine komplexe, von zahlreichen Parametern abhängige Aufgabe, die hohen Aufwand erfordert, um zu qualitätsvollen Ergebnissen zu kommen.

Export metadata

Additional Services

Share in Twitter Search Google Scholar
Metadaten
Author:Matthias Nagelschmidt
Parent Title (German):TK 6: Sammlungen, Repositorien, Retrodigitalisierung und Kulturgut(schutz)/ Volltextdurchsuchbarkeit ausbauen (05.06.2024, 11:00 - 13:00, Saal A.3 / 1. OG)
Document Type:Conference publication (abstract)
Language:German
Year of Completion:2024
Release Date:2024/05/10
Themes:Erschließung, Linked Open Data, RDA
German Bibliothekartage / BiblioCon:112. BiblioCon
112. BiblioCon / Themenkreise / TK 6: Sammlungen, Repositorien, Retrodigitalisierung und Kulturgut(schutz)
Licence (German):License LogoDeutsches Urheberrecht
Einverstanden
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.