mókus (koncsik anita, varjú zoltán)
TRANSCRIPT
MÓKUSMindent Óccsón Kiszedő Ubuntus Szoftverek
Technológia
• pdftk• convert• tesseract• Python• magyarlánc• Processing• AntConc
Workflow
1. OCR2. (Kihívásokkal teli) javítás3. Szótövezés4. Felszeletelés (regex alapon paragrafusokra)5. Cosine similarity a szeletek között6. WinMerge
Miért?
0.98
0.90
0.83
ajajajajánlat
• Jobb OCR• Más hasonlósági metrikák• Sávos szófelhőzés