Bereits zum 6. Mal fand vom 14.-16. Juni 2021 die dreitägige Online-Konferenz Swisstext statt. Die Konferenz ist der Treffpunkt für Textanalyse-Experten aus der Schweizerischen Wirtschaft und Forschung und wird organisiert vom Verein SwissNLP (in Zusammenarbeit mit den beiden Hochschulen FHNW und ZHAW). Als regelmässiger Teilnehmer waren wir auch dieses Jahr mit einem Beitrag beteiligt: Mit dem Poster „Understanding structural information in scanned documents“ haben wir unseren Ansatz für die Analyse und Verarbeitung von tabellarischen Informationen in gescannten Dokumenten präsentiert. 

Informationsextraktion aus Tabellen

Mit unserer eigenen HIBU-Plattform entwickeln wir Kundenlösungen in den Bereichen Enterprise Search und Text Analytics. In diesen Projekten haben wir oft mit Dokumenten zu tun, die mittels OCR-Software digitalisiert werden. Standard-Extraktionsmethoden funktionieren gut für Fliesstext, liefern für Tabellen jedoch allgemein ungenügende Resultate, weil sie das Tabellenlayout ignorieren und damit wichtige Informationen/Beziehungen ausblenden. Typische Problemfelder sind Tabellenzellen, deren Inhalt auf mehrere Zeilen umbricht, und insbesondere Zellen, deren Inhalt nur mithilfe der zugehörigen Spaltenüberschrift interpretiert werden kann.