Extraktion von bibliographischen Informationen aus PDFs von Publikationen

Abstract

Das Portable Document Format (PDF) hat sich in den letzten Jahrzehnten als de facto Standard zum digitalen Dokumentaustausch durchgesetzt. Publikationen im wissenschaftlichen Bereich sind zu einem großen Teil in diesem Format. Das PDF wurde vorallem für die Vorbereitung zum Druck entworfen, weshalb bibliographische Daten wie Autoren, Abstract, Kapitel und Referenzen nicht direkt aus der PDF-Datei gelesen werden können. Um die immer größer werdende Anzahl an Publikationen organisieren zu können, werden Tools zur Extraktion dieser Metadaten benötigt. In dieser Arbeit soll eine Extraktionsmethode gefunden werden, die möglichst zufriedenstellende Ergebnisse bei der Extraktion dieser Daten aus Publikationen der TU Wien liefert. Dazu wird eine Ground Truth von 100 Publikationen der Fakultät für Informatik erstellt, mit der die bestehenden Extraktions-Frameworks Cermine, GROBID, ParsCit und PDFX evaluiert werden. Anhand der Evaluierungsergebnisse werden die Erkenntnisse genutzt um die bestehenden Methoden zu verbessern. Eine erneute Evaluierung dieser Verbesserungen hat ergeben, dass ein weiteres Training des GROBID Modells mit zusätzlich erstellten Trainingsdateien, keine signifikante Verbesserung ergibt. Da ein hoher Aufwand notwendig ist, um Trainingsdateien zu annotieren, wäre es wünschenswert die Erstellung in Zukunft automatisieren zu können. Die extrahierten Daten könnten in Zukunft genutzt werden um eine Zitatsdatenbank für die Publikationen der TU Wien zu erstellen und dadurch Aussagen über Verbindungen zwischen Publikationen machen zu können.

The Portable Document Format (PDF) has developed to be a defacto standard for the exchange of digital documents. Scientific publications use this format to a big extend. The PDF was escpecially developed to prepare the print layout of a document, which is why bibliographic data like authors, abstract, chapters or references can not be read directly from this format. To be able to organize the constantly increasing number of scientific documents, tools for the extraction of this metadata are needed. In this thesis an extraction method should be found, which provides the most effective results for the metadata extraction of publications of the TU Vienna. Therefor a ground truth of 100 publications of the facultiy of informatics is created, which is used to evaluate the already existing extraction frameworks Cermine, GROBID, ParsCit und PDFX. These results are used to enhance GROBID. A further evaluation of the enhancements reveals, that the creation of additional training files for the GROBID models lead to no increasement of the F1 value. Due to the big effort for the annotation of trainingdata, it would be desireable to automate this step. In the future the result of this thesis, the extracted data could be used as input for the creation of a citation database for publications of the TU Vienna.