0

پروژه خوانش روزنامه‌های رسمی قدیمی و افزایش دقت داده‌ها

نسخه 6.7.2تاریخ انتشار

این نسخه نتیجه پروژه‌ای است که آگهی‌های اسکن‌شده روزنامه رسمی را به داده ساخت‌یافته و قابل جست‌وجو تبدیل کرد — ادامه مستقیم گسترش آرشیو در نسخه پیشین.


🚀 ویژگی‌های جدید

خوانش ماشینی آگهی‌های اسکن‌شده

آگهی‌هایی که فقط به شکل تصویر موجود بودند، در دو مرحله پردازش شدند: نخست خوانش نوری متن، سپس پردازش زبانی برای استخراج نام شرکت، اشخاص، سمت‌ها، سرمایه و تاریخ.

پیش از این پروژه، این آگهی‌ها در رسمیو قابل نمایش بودند اما قابل جست‌وجو نبودند — تفاوتی که برای کاربر عملاً به معنای در دسترس نبودن است. کسی که نمی‌داند یک آگهی وجود دارد، آن را پیدا نمی‌کند.


اصلاح خطاهای خوانش

متن فارسی اسکن‌شده با کیفیت متفاوت، خطای خوانش تولید می‌کند و این خطاها یکنواخت نیستند. مرحله دوم پروژه به تشخیص و اصلاح آن‌ها اختصاص یافت، با اولویت روی دو دسته‌ای که بیشترین حساسیت را دارند:

  • اعداد سرمایه، که یک رقم جابه‌جا در آن‌ها معنای آگهی را ده برابر یا یک‌دهم می‌کند
  • نام اشخاص، که خطا در آن‌ها به تفکیک نادرست یک فرد به دو پرونده منجر می‌شود

راستی‌آزمایی متقاطع

جایی که یک آگهی قدیمی با آگهی‌های بعدی همان شرکت هم‌خوان نبود، به‌عنوان مورد نیازمند بررسی علامت‌گذاری شد. زنجیره تغییرات یک شرکت باید با خودش سازگار باشد؛ ناسازگاری در آن، نشانه خطای خوانش است.


🛠 بهبودهای انجام‌شده

سنجش دقت به‌عنوان یک معیار دائمی

هم‌زمان با این پروژه، رسمیو معیارهای سنجش دقت داده‌های خود را نیز به‌صورت عمومی توضیح داد.

دقت در یک محصول داده‌ای عددی نیست که یک بار اعلام شود و تمام؛ معیاری است که باید پیوسته اندازه گرفته شود — و همین سنجش پیوسته بود که اجازه داد پروژه‌ای در این مقیاس با اطمینان منتشر شود، به‌جای آنکه صرفاً حجم آرشیو بزرگ‌تر شود.

بازپردازش پرونده‌های متأثر

پرونده شرکت‌هایی که آگهی قدیمی تازه‌ای دریافت کردند، بازسازی شدند تا تایم‌لاین، فهرست اشخاص و سوابق سمت‌ها با داده کامل‌شده هم‌خوان باشند.

آخرین نسخه‌ها