Impact de la correction automatique de l'OCR/HTR sur la reconnaissance d'entités nommées dans un corpus bruité - Archive ouverte HAL Access content directly
Journal Articles JIS - Journal of Information Sciences Year : 2022

Impact of automatic OCR/HTR correction on named entity recognition in noisy corpora

Impact de la correction automatique de l'OCR/HTR sur la reconnaissance d'entités nommées dans un corpus bruité

Abstract

We present an experiment conducted on the automatic spelling correction of texts resulting from optical character recognition (OCR), with the objective of measuring the impact of corrections on an information extraction task. Using a sample of OCRed digitized archival documents, we applied a named entity recognition system before and after orthographic correction. The results obtained showed that the spelling checker improves certain automatic natural language processing tasks. An extension of the proposed approach by re-training on a larger corpus is also presented to further optimize the results obtained.
Nous présentons une expérience menée sur la correction d’orthographe automatique de textes issus de la reconnaissance optique des caractères (OCR), dans l’objectif de mesurer l’impact de la correction sur une tâche d’extraction d’informations. À partir d'un échantillon de documents d’archives numérisées (océrisées), nous avons appliqué un système de reconnaissance d’entités nommées avant et après une correction d’orthographe. Les résultats obtenus ont montré que le correcteur orthographique permet d’améliorer certaines tâches du traitement automatique du langage naturel. Une extension de l’approche proposée par un ré-entraînement sur un plus grand corpus est également présentée pour optimiser davantage les résultats obtenus.
Fichier principal
Vignette du fichier
36599-105777-1-PB.pdf (985.99 Ko) Télécharger le fichier
Origin Publisher files allowed on an open archive
Licence

Dates and versions

hal-04063970 , version 1 (10-04-2023)

Licence

Identifiers

Cite

Ljudmila Petkovic, Motasem Alrahabi, Glenn Roe. Impact de la correction automatique de l'OCR/HTR sur la reconnaissance d'entités nommées dans un corpus bruité. JIS - Journal of Information Sciences, 2022, 21 (2), pp.42-57. ⟨10.34874/IMIST.PRSM/jis-v21i2.36599⟩. ⟨hal-04063970⟩
59 View
174 Download

Altmetric

Share

Gmail Mastodon Facebook X LinkedIn More