テーブル抽出

表抽出は、大規模な文書から表を認識して分離するプロセスであり、個々の行、列、または要素も認識される可能性があります。これは、情報抽出の特別な形式と見なすことができます。

Web ページからの表の抽出では、表用に存在する特別なHTML 要素(「table」タグなど)を利用できます。また、プログラミングライブラリで Web ページからの表の抽出を実装することもできます。Python pandasソフトウェアライブラリは、read_html() 関数を使用して HTML Web ページから表を抽出できます。

さらに難しいのは、PDFやスキャンした画像から表を抽出することです。通常、表に特化した機械可読マークアップはありません。^{[1]科学的な}PDF の表からデータを抽出するシステムが説明されています。^[2]^[3]

Wikipedia では情報の一部を表形式で提供しており、例えば英語版 Wikipediaからは 350 万の表を抽出できます。^[4] 一部の表は特定の形式になっており、例えばインフォボックスと呼ばれています。Wikipedia インフォボックスから抽出した大規模な表はDBpediaのソースの 1 つとなっています。^[5]

表抽出用の商用ウェブサービスとしては、Amazon Textract、Googleの Document AI、IBM Watson Discovery、Microsoft Form Recognizerなどが存在します。^[1]また、Semantic Scholar で使用されているPDFFigures 2.0などのオープンソースツールも存在します。^[6] 2017年に公開された比較では、研究者らは、評価した6つの異なるツールの中で、独自プログラムであるABBYY FineReaderが最高のPDF表抽出パフォーマンスを発揮することを発見しました。^[7] 2023年のベンチマーク評価では、^[8] Adobe Extract（AdobeのSensei AIプラットフォームを採用したクラウドベースのAPI）^[9]が^、表抽出用に評価した5つのツールの中で最高のパフォーマンスを発揮しました。

参考文献

Scholia には、テーブル抽出に関するトピックプロファイルがあります。

^ ab Douglas Burdick、Marina Danilevsky、Alexandre V Evfimievski、Yannis Katsis、Nancy Wang (2020年8月)。「科学およびエンタープライズアプリケーションのためのテーブル抽出と理解」。VLDB基金の議事録。超大規模データベースに関する国際会議。13 (12): 3433–3436。doi : 10.14778 /3415478.3415563。ISSN 2150-8097。Wikidata Q108170445 。
^ Wenhao Yu; Wei Peng; Yu Shu; Qingkai Zeng; Meng Jiang (2020年4月19日)。ハイブリッドテーブル機能とアンサンブル学習を使用したデータサイエンスにおける実験的証拠抽出システム。pp. 951–961。doi : 10.1145 /3366423.3380174。ISBN 978-1-4503-7023-3.ウィキデータ Q108172460. {{cite book}}:|journal=無視されました (ヘルプ)
^ Benno Kruit、Hongyu He、Jacopo Urbani (2020 年 11 月 1 日)。Tab2Know :科学論文の表から知識ベースを構築する。コンピュータサイエンスの講義ノート。pp. 349–365。arXiv : 2107.13306。doi : 10.1007 /978-3-030-62419-4_20。ISBN 978-3-030-62419-4.ウィキデータ Q101086651. {{cite book}}:|journal=無視されました (ヘルプ)
^ Tobias Bleifuß、Leon Bornemann、Dmitri V. Kalashnikov、Felix Naumann、Divesh Srivastava (2021年8月17日)。「Wikipedia テーブルの秘密の生活」(PDF)。異種データストアの検索、探索、分析に関する第2回ワークショップの議事録。CEUR ワークショップ議事録: 20–26。Wikidata Q108215401 。
^ Sören Auer、Christian Bizer、Georgi Kobilarov、Jens Lehmann、Richard Cyganiak、Zachary Ives (2007) 。DBpedia : オープンデータの Web の核。コンピュータサイエンスの講義ノート。pp. 722–735。doi : 10.1007 /978-3-540-76298-0_52。ISBN 978-3-540-76297-3.ウィキデータ Q27910422. {{cite book}}:|journal=無視されました (ヘルプ)
^ Christopher Clark、Santosh Divvala (2016)、PDFFigures 2.0: 研究論文からの図のマイニング、第 16 回 ACM/IEEE-CS デジタル図書館合同会議議事録 - JCDL '16、Wikidata Q108172042
^ Andreiwid Sheffer Corrêa、Pär-Ola Zander (2017 年 6 月 7 日)、「表形式のコンテンツをオープンデータに解放する: PDF 表抽出方法とツールに関する調査」、doi :10.1145/3085228.3085278、Wikidata Q108173686
^ Meuschke, Norman; Jagdale, Apurva; Spinde, Timo; Mitrović, Jelena; Gipp, Bela (2023), Sserwanga, Isaac; Goulding, Anne; Moulaison-Sandy, Heather; Du, Jia Tina (eds.)、「学術文書のマルチタスクおよびマルチドメイン評価フレームワークを使用したPDF情報抽出ツールのベンチマーク」、Information for a Better World: Normality, Virtuality, Physicality, Inclusivity、vol. 13972、Cham: Springer Nature Switzerland、pp. 383–405、arXiv : 2303.09957、doi :10.1007/978-3-031-28032-0_31、ISBN 978-3-031-28031-3
^ 「Adobe PDF Extract API」。Adobe 。2024年3月15日閲覧。
^ 「Adobe SenseiでクラウドAIサービスを体験」Adobe 2024年3月15日閲覧。

[Table_Extraction_and_Understanding_for_Scientific_and_Enterprise_Applications-1] Douglas Burdick、Marina Danilevsky、Alexandre V Evfimievski、Yannis Katsis、Nancy Wang (2020年8月)。「科学およびエンタープライズアプリケーションのためのテーブル抽出と理解」。VLDB基金の議事録。超大規模データベースに関する国際会議。13 (12): 3433–3436。doi : 10.14778 /3415478.3415563。ISSN 2150-8097。Wikidata Q108170445 。

[2] Wenhao Yu; Wei Peng; Yu Shu; Qingkai Zeng; Meng Jiang (2020年4月19日)。ハイブリッドテーブル機能とアンサンブル学習を使用したデータサイエンスにおける実験的証拠抽出システム。pp. 951–961。doi : 10.1145 /3366423.3380174。ISBN 978-1-4503-7023-3.ウィキデータ Q108172460. {{cite book}}:|journal=無視されました (ヘルプ)

[3] Benno Kruit、Hongyu He、Jacopo Urbani (2020 年 11 月 1 日)。Tab2Know :科学論文の表から知識ベースを構築する。コンピュータサイエンスの講義ノート。pp. 349–365。arXiv : 2107.13306。doi : 10.1007 /978-3-030-62419-4_20。ISBN 978-3-030-62419-4.ウィキデータ Q101086651. {{cite book}}:|journal=無視されました (ヘルプ)

[4] Tobias Bleifuß、Leon Bornemann、Dmitri V. Kalashnikov、Felix Naumann、Divesh Srivastava (2021年8月17日)。「Wikipedia テーブルの秘密の生活」(PDF)。異種データストアの検索、探索、分析に関する第2回ワークショップの議事録。CEUR ワークショップ議事録: 20–26。Wikidata Q108215401 。

[5] Sören Auer、Christian Bizer、Georgi Kobilarov、Jens Lehmann、Richard Cyganiak、Zachary Ives (2007) 。DBpedia : オープンデータの Web の核。コンピュータサイエンスの講義ノート。pp. 722–735。doi : 10.1007 /978-3-540-76298-0_52。ISBN 978-3-540-76297-3.ウィキデータ Q27910422. {{cite book}}:|journal=無視されました (ヘルプ)

[6] Christopher Clark、Santosh Divvala (2016)、PDFFigures 2.0: 研究論文からの図のマイニング、第 16 回 ACM/IEEE-CS デジタル図書館合同会議議事録 - JCDL '16、Wikidata Q108172042

[7] Andreiwid Sheffer Corrêa、Pär-Ola Zander (2017 年 6 月 7 日)、「表形式のコンテンツをオープンデータに解放する: PDF 表抽出方法とツールに関する調査」、doi :10.1145/3085228.3085278、Wikidata Q108173686

[8] Meuschke, Norman; Jagdale, Apurva; Spinde, Timo; Mitrović, Jelena; Gipp, Bela (2023), Sserwanga, Isaac; Goulding, Anne; Moulaison-Sandy, Heather; Du, Jia Tina (eds.)、「学術文書のマルチタスクおよびマルチドメイン評価フレームワークを使用したPDF情報抽出ツールのベンチマーク」、Information for a Better World: Normality, Virtuality, Physicality, Inclusivity、vol. 13972、Cham: Springer Nature Switzerland、pp. 383–405、arXiv : 2303.09957、doi :10.1007/978-3-031-28032-0_31、ISBN 978-3-031-28031-3

[9] 「Adobe PDF Extract API」。Adobe 。2024年3月15日閲覧。

[10] 「Adobe SenseiでクラウドAIサービスを体験」Adobe 2024年3月15日閲覧。