Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/40729| Título: | Automated extraction of structured information from digital documents |
| Título(s) alternativo(s): | Extração automatizada de informações em documentos digitalizados |
| Autor(es): | Sichelero, Gabriel |
| Orientador(es): | Silva, Ricardo Dutra da |
| Palavras-chave: | Processamento de imagens - Técnicas digitais Reconhecimento óptico de caracteres Redes neurais (Computação) Teoria dos grafos Processamento de linguagem natural (Computação) Recuperação da informação Aprendizado do computador Sistemas de reconhecimento de padrões Image processing - Digital techniques Optical character recognition Neural networks (Computer science) Graph theory Natural language processing (Computer science) Information retrieval Machine learning Pattern recognition systems |
| Data do documento: | 23-Jun-2026 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Curitiba |
| Citação: | SICHELERO, Gabriel. Automated extraction of structured information from digital documents. 2026. Dissertação (Mestrado em Computação Aplicada) - Universidade Tecnológica Federal do Paraná, Curitiba, 2026. |
| Resumo: | Este trabalho estuda a extração de informações de documentos digitais, incluindo imagens de páginas e arquivos PDF, com ênfase especial em faturas de energia, que motivam o problema prático abordado nesta dissertação. Organizamos o pipeline em cinco etapas: detecção de elementos, reconhecimento óptico de caracteres (OCR), ligação de pares chave-valor (KVP), reconhecimento da estrutura de tabelas e normalização semântica. A principal contribuição metodológica é uma Rede Neural em Grafos (GNN) compacta para ligação de KVP que estende o Doc2Graph com geração seletiva de arestas, passagem de mensagens baseada em atenção e perda focal. A segunda contribuição é um módulo de normalização multivisão que mapeia campos heterogêneos de faturas para um esquema padronizado com 27 categorias. A avalia- ção combina testes públicos com um estudo de normalização semântica orientado a faturas e usa um desenho de treino/teste entre conjuntos de dados para separar desempenho no mesmo domínio, transferência para outro conjunto e treinamento combinado. No FUNSD, a GNN proposta atinge 𝐹1 = 0.77 com 890 K parâmetros, enquanto o BROS atinge 𝐹1 = 0.80 com 111 M parâmetros. Em toda a avaliação pública de KVP entre conjuntos de dados, a GNN proposta aumenta o 𝐹1 médio entre conjuntos de dados de 0.19 (Doc2Graph) para 0.61 e iguala o desempenho médio entre conjuntos do BROS com aproximadamente 124 vezes menos parâmetros. Para o reconhecimento da estrutura de tabelas, o Table Transformer pré-treinado no domínio atinge 𝐹1 = 0.96, em comparação com 𝐹1 = 0.83 para um detector DETR genérico. Para a normalização semântica, a divisão mista de faturas atinge top-1/top-3 = 0.77/0.88 com candidatos anotados, mas cai para 0.43/0.52 quando alimentada com candidatos KVP+TSR. Quando as faturas são treinadas e testadas em layouts específicos de fornecedores, a média correspondente dos fornecedores permanece muito mais alta, em 0.83/0.90. Esses resultados mostram que os principais ganhos vêm da construção de grafos específica da tarefa e de uma etapa explícita de normalização que converte campos heterogêneos de faturas em um esquema comum. |
| Abstract: | We study information extraction from digital documents, including page images and PDF files, with special emphasis on energy invoices, which motivate the practical problem addressed in this work. We organize the pipeline into five stages: element detection, optical character recognition (OCR), key-value pair (KVP) linking, table structure recognition, and semantic normalization. The main methodological contribution is a compact Graph Neural Network (GNN) for KVP linking that extends Doc2Graph with selective edge generation, attention-based message passing, and focal loss. The second contribution is a multi-view normalization module that maps heterogeneous invoice fields to a standardized schema with 27 categories. The evaluation combines public tests with an invoice-oriented semantic normalization study and uses a cross-dataset train/test design to separate in-domain performance, transfer to a different dataset, and combined-training behavior. On FUNSD, the proposed GNN reaches 𝐹1 = 0.77 with 890 K parameters, while BROS reaches 𝐹1 = 0.80 with 111 M parameters. Across the full public KVP cross-dataset evaluation, the proposed GNN increases the average cross-dataset 𝐹1 from 0.19 (Doc2Graph) to 0.61 and matches BROS’s average cross-dataset performance with roughly 124 times fewer parameters. For table structure recognition, the domain-pretrained Table Transformer reaches 𝐹1 = 0.96, compared with 𝐹1 = 0.83 for a generic DETR detector. For semantic normalization, the mixed-invoice split reaches top-1/top-3 = 0.77/0.88 with ground-truth candidates but drops to 0.43/0.52 when fed KVP+TSR candidates. When invoices are trained and tested on providerspecific layouts, the corresponding provider mean remains much higher at 0.83/0.90. These results show that the main gains come from task-specific graph construction and from an explicit normalization stage that converts heterogeneous invoice fields into a common schema. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/40729 |
| Aparece nas coleções: | CT - Programa de Pós-Graduação em Computação Aplicada |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| documentsautomatedinformationextraction.pdf | 11,17 MB | Adobe PDF | Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
