Подготовка документов для машинного обучения в системе управления конференциями

Abstract

Представлена информация о подсистеме извлечения текста из форматированных документов в форматах Microsoft Word и PDF с целью подготовки датасета для машинного обучения и в дальнейшем классификации документов. Подсистема построена на базе платформы .NET и является частью системы управления конференциями. Представлены сравнительные характеристики различных библиотек и архитектура системы, которая может использовать созданные модели машинного обучения.

Information about the subsystem for extracting text from formatted documents in Microsoft Word and PDF formats is presented. The purpose of the subsystem is to prepare a dataset for machine learning and further classify documents. The subsystem is based on the .NET platform and is part of the conference management system. Comparative characteristics of various libraries and system architecture that can use the created machine learning models are presented.