Multi-label Classification and Named Entity Recognition for Historical Documents

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F25%3A43973196" target="_blank" >RIV/49777513:23520/25:43973196 - isvavai.cz</a>

Výsledek na webu

<a href="https://link.springer.com/chapter/10.1007/978-3-031-81010-7_2" target="_blank" >https://link.springer.com/chapter/10.1007/978-3-031-81010-7_2</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-031-81010-7_2" target="_blank" >10.1007/978-3-031-81010-7_2</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Multi-label Classification and Named Entity Recognition for Historical Documents

Popis výsledku v původním jazyce

In this paper, we present improvements to our processing pipeline for historical document digitization. The original pipeline is extended with two new functionalities - page labeling, and named entity recognition. We handle page labeling as a multi-label classification task, for which we choose the Query2Label approach. Query2Label is tested on our internal NKVD dataset and reaches a mean average precision equal to 80.03% on the test set. For the named entity recognition task we utilize pre-trained transformer-based models DeepPavlov and benchmark them on two entities - person name, and location. The best model reaches promising results despite not being trained on our data at all.

Název v anglickém jazyce

Multi-label Classification and Named Entity Recognition for Historical Documents

Popis výsledku anglicky

In this paper, we present improvements to our processing pipeline for historical document digitization. The original pipeline is extended with two new functionalities - page labeling, and named entity recognition. We handle page labeling as a multi-label classification task, for which we choose the Query2Label approach. Query2Label is tested on our internal NKVD dataset and reaches a mean average precision equal to 80.03% on the test set. For the named entity recognition task we utilize pre-trained transformer-based models DeepPavlov and benchmark them on two entities - person name, and location. The best model reaches promising results despite not being trained on our data at all.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20205 - Automation and control systems

Projekt

<a href="/cs/project/DH23P03OVV073" target="_blank" >DH23P03OVV073: Databáze pramenů k problematice politických represí vůči čs. občanům a krajanům v Sovětském svazu</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2025

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Dynamics of Information Systems. DIS 2024. Lecture Notes in Computer Science

ISBN

978-3-031-81009-1

ISSN

0302-9743

e-ISSN

1611-3349

Počet stran výsledku

11

Strana od-do

24-34

Název nakladatele

Springer

Místo vydání

Cham

Místo konání akce

Kalamata, Greece

Datum konání akce

2. 6. 2024

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

001534826000002