Ein Ansatz zur Modellierung und Analyse von Dokumenten durch ein Zerschneidungsverfahren für das Layout

Zusammenfassung

Die Verfahren der Dokumentanalyse versuchen, den Informationsgehalt eines Papierdokumentes rechnergestützt zu erfassen und es in ein elektronisches Dokument umzuwandeln. Die elektronische Repräsentation muß nicht nur den Inhalt, sondern auch die Logik- und Layoutstruktur des Dokumentes enthalten. Das für die Analyse wichtige Dokumentmodell und die Repräsentation der Ergebnisse der Dokumentanalyse basieren auf Konzepten, deren Rahmen durch die Standards für Bürodokument-Architekturen gegeben ist. Die Resultate der Vorverarbeitung des abgetasteten Dokumentes werden wie die Endergebnisse der Analyse durch objektorientierte Datenstrukturen beschrieben. Die Analyse wird durch ein hierarchisches Layoutmodell gesteuert. Dieses beschreibt das geometrische Erscheinungsbild einer Dokumentseite durch ihre rekursive Aufteilung in immer kleinere Bereiche. Das Layoutmodell enthält außerdem Hypothesen für die semantische Bedeutung von Briefteilen in Abhängigkeit von deren Lage. Die Analyse nutzt diese Hypothesen bei einer bewertungsgesteuerten Suche (best-first-search). Die Hypothesen für die semantische Zuordnung der Blöcke werden durch eine Wissensbasis verifiziert, wobei sie entweder bestätigt werden oder die Bildung neuer Hypothesen angeregt wird. Das System wurde für die Analyse von vereinfachten Geschäftsbriefen implementiert und ist unempfindlich gegenüber Variationen und Störungen des Layouts.