Обработка сканированных математических pdf-документов в сервисе семантического поиска формул
Main Article Content
Аннотация
Рассмотрена задача извлечения семантических связей между математическими формулами и концептами из неструктурированных PDF-документов, включая сканированные. Предложен сквозной конвейер обработки, объединяющий оптическое распознавание, восстановление структуры параграфов, выделение формул и переменных, а также их связывание с концептами на основе синтаксических шаблонов русского языка. Разработаны формальные модели для двух типов связей: «переменная – концепт» и «переменная – главная формула». Проведена экспериментальная оценка качества на коллекции из 150 математических статей; достигнуто повышение точности связывания на 18% по сравнению с предшествующей версией. Описаны архитектурные решения прототипа веб-сервиса, обеспечивающие асинхронную обработку и масштабируемость.
Ключевые слова:
Article Details
Библиографические ссылки
2. Constantin A., Pettifer S., Voronkov A. PDFX: Fully-automated PDF-to-XML conversion of scientific literature // DocEng 2013 – Proc. 2013 ACM Symp. Doc. Eng. 2013. P. 177–180. https://doi.org/10.1145/2494266.2494271
3. Ciancarini P., Iorio A. Di, Nuzzolese A. G., Peroni S., Vitali F. Semantic annotation of scholarly documents and citations // Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics). 2013. Vol. 8249 LNAI. P. 336–347. https://doi.org/10.1007/978-3-319-03524-6_29
4. Amethiya Y., Bajwa G. Automatic Table Detection and Tabular Data Extraction from Scanned Documents // Smart Innovation, Systems and Technologies. 2025. P. 75–87. https://doi.org/10.1007/978-981-96-0143-1_7
5. Bertin M., Atanassova I. Hybrid Approach for the Semantic Processing of Scientific Papers // Semant. Publ. Chall. Track 11 th Eur. Semant. Web Conf. (ESWC 2014). 2014. https://doi.org/10.1007/978-981-96-0143-1_7
6. Ahmad R., Afzal M. T., Qadir M. A. Information extraction from PDF sources based on rule-based system using integrated formats // Commun. Comput. Inf. Sci. 2016. Vol. 641. P. 293–308. https://doi.org/10.1007/978-3-319-46565-4_23
7. Schubotz M., Greiner-Petter A., Scharpf P., Meuschke N., Cohl H. S., Gipp B. Improving the Representation and Conversion of Mathematical Formulae by Considering their Textual Context // Proc. ACM/IEEE Jt. Conf. Digit. Libr. 2018. P. 233–242. https://doi.org/10.1145/3197026.3197058
8. Mathematical Markup Language (MathML) Version 3.0 2nd Edition. W3C Recommendation, 10 April 2014. URL: https://www.w3.org/TR/MathML3/
9. Greiner-Petter A., Youssef A., Ruas T., Miller B. R., Schubotz M., Aizawa A., Gipp B. Math-word embedding in math search and semantic extraction // Scientometrics. 2020. Vol. 125, No. 3. P. 3017–3046. https://doi.org/10.1007/s11192-020-03502-9
10. Nevzorova O., Kirillovich A., Nevzorov V., Nikolaev K. The semantic context models of mathematical formulas in scientific papers // CEUR Workshop Proc. 2018. Vol. 2277. P. 33–40.
11. Shah A. K., Dey A., Zanibbi R. A Math Formula Extraction and Evaluation Framework for PDF Documents // Lecture Notes in Computer Science. 2021. P. 19–34. https://doi.org/10.1007/978-3-030-86331-9_2
12. Siegel N., Lourie N., Power R., Ammar W. Extracting Scientific Figures with Distantly Supervised Neural Networks // Proc. ACM/IEEE Jt. Conf. Digit. Libr. 2018. P. 223–232. https://doi.org/10.1145/3197026.3197040
13. Semantic Scholar. URL: https://www.semanticscholar.org/
14. Neudecker C., Baierer K., Gerber M., Clausner C., Antonacopoulos A., Pletschacher S. A survey of OCR evaluation tools and metrics // The 6th International Workshop on Historical Document Imaging and Processing. New York, NY, USA: ACM, 2021. P. 13–18. https://doi.org/10.1145/3476887.3476888
15. Jaradeh M. Y., Oelen A., Farfar K. E., Prinz M., D'Souza J., Kismihók G., Stocker M., Auer S. Open research knowledge graph: Next generation infrastructure for semantic scholarly knowledge // K-CAP 2019 – Proceedings of the 10th International Conference on Knowledge Capture. New York, NY, USA: ACM, 2019. P. 243–246. https://doi.org/10.1145/3360901.3364435
16. Peroni S., Shotton D. FaBiO and CiTO: Ontologies for describing bibliographic resources and citations // J. Web Semant. 2012. Vol. 17. P. 33–43. https://doi.org/10.1016/j.websem.2012.08.001
17. Nikolaev K.S. Servis semanticheskogo poiska formul po kollekcii matematicheskih PDF-dokumentov // Informacionnye tehnologii i vychisli-tel'nye sistemy. 2025. № 3. S. 34–43. https://doi.org/10.14357/20718632250304
18. Kirillovich A. V., Nevzorova O. A., Lipachev E. K. OntoMathPRO 2.0 Ontology: Updates of Formal Model // Lobachevskii J. Math. 2022. Vol. 43, No. 12. P. 3504–3514. https://doi.org/10.1134/S1995080222150136
19. MSC2020 –Mathematics Subject Classification System. URL: https://msc2020.org/.
20. Celery –Distributed Task Queue. URL: https://docs.celeryq.dev/.
21. Redis – The real-time context engine for AI apps. URL: https://redis.io/.
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Представляя статьи для публикации в журнале «Электронные библиотеки», авторы автоматически дают согласие предоставить ограниченную лицензию на использование материалов Казанскому (Приволжскому) федеральному университету (КФУ) (разумеется, лишь в том случае, если статья будет принята к публикации). Это означает, что КФУ имеет право опубликовать статью в ближайшем выпуске журнала (на веб-сайте или в печатной форме), а также переиздавать эту статью на архивных компакт-дисках журнала или включить в ту или иную информационную систему или базу данных, производимую КФУ.
Все авторские материалы размещены в журнале «Электронные библиотеки» с ведома авторов. В случае, если у кого-либо из авторов есть возражения против публикации его материалов на данном сайте, материал может быть снят при условии уведомления редакции журнала в письменной форме.
Документы, изданные в журнале «Электронные библиотеки», защищены законодательством об авторских правах, и все авторские права сохраняются за авторами. Авторы самостоятельно следят за соблюдением своих прав на воспроизводство или перевод их работ, опубликованных в журнале. Если материал, опубликованный в журнале «Электронные библиотеки», с разрешения автора переиздается другим издателем или переводится на другой язык, то ссылка на оригинальную публикацию обязательна.
Передавая статьи для опубликования в журнале «Электронные библиотеки», авторы должны принимать в расчет, что публикации в интернете, с одной стороны, предоставляют уникальные возможности доступа к их материалам, но, с другой, являются новой формой обмена информацией в глобальном информационном обществе, где авторы и издатели пока не всегда обеспечены защитой от неправомочного копирования или иного использования материалов, защищенных авторским правом.
При использовании материалов из журнала обязательна ссылка на URL: http://rdl-journal.ru. Любые изменения, дополнения или редактирования авторского текста недопустимы. Копирование отдельных фрагментов статей из журнала разрешается для научных исследований, персонального использования, коммерческого использования до тех пор, пока есть ссылка на оригинальную статью.
Запросы на право переиздания или использования любых материалов, опубликованных в журнале «Электронные библиотеки», следует направлять главному редактору Елизарову А.М. по адресу: amelizarov@gmail.com
Издатели журнала «Электронные библиотеки» не несут ответственности за точки зрения, излагаемые в публикуемых авторских статьях.
Предлагаем авторам статей загрузить с этой страницы, подписать и выслать в адрес издателя журнала по электронной почте скан Авторского договора о передаче неисключительных прав на использование произведения.