Approximate String Matching for Detecting Keywords in Scanned Business Documents

HA, Hien Thi. Approximate String Matching for Detecting Keywords in Scanned Business Documents. Online. In Ales Horak, Pavel Rychly, Adam Rambousek. Proceedings of Recent Advances in Slavonic Natural Language Processing, RASLAN 2019. Brno, Czech Republic: NLP Consulting, 2019, s. 49-54. ISBN 978-80-263-1530-8.

Základní údaje

• Originální název: Approximate String Matching for Detecting Keywords in Scanned Business Documents
• Autoři: HA, Hien Thi (704 Vietnam, garant, domácí).
• Vydání: Brno, Czech Republic, Proceedings of Recent Advances in Slavonic Natural Language Processing, RASLAN 2019, od s. 49-54, 6 s. 2019.
• Nakladatel: NLP Consulting

Další údaje

• Originální jazyk: angličtina
• Typ výsledku: Stať ve sborníku
• Obor: 10201 Computer sciences, information science, bioinformatics
• Stát vydavatele: Česká republika
• Utajení: není předmětem státního či obchodního tajemství
• Forma vydání: elektronická verze "online"
• WWW: URL
• Kód RIV: RIV/00216224:14330/19:00113733
• Organizační jednotka: Fakulta informatiky
• ISBN: 978-80-263-1530-8
• ISSN: 2336-4289
• UT WoS: 000604899800006
• Klíčová slova anglicky: approximate string matching; Levenshtein distance; weighted edit distance; OCR; invoice
• Příznaky: Mezinárodní význam, Recenzováno

Anotace

Optical Character Recognition (OCR) is achieving higher ac- curacy. However, to decrease error rate down to zero is still a human desire. This paper presents an approximate string matching method using weighted edit distance for searching keywords in OCR-ed business docu- ments. The evaluation on a Czech invoice dataset shows that the method can detect a significant part of erroneous keywords.