Hlavním cílem tohoto projektu je proto zlepšit možnosti vyhledávání ve fulltextové reprezentaci digitalizovaných dokumentů na úrovni významu textu a možnosti přirozené navigace mezi tématicky podobnými dokumenty. Uživatelům poskytneme fulltextové vyhledávání rozšířené o pochopení významu dotazů, možnost vyhledávat podle částí textu (například odstavců) s možností specifikovat současně téma, které ho v daném textu zajímá. Systém bude pracovat s automaticky identifikovanými tématy, ale umožní uživatelům definovat vlastní témata na základě příkladů z textů. 

Description in English
The main goal of this project is therefore to improve the possibilities of searching in the full-text representation of digitized documents at the level of text meaning and the possibilities of natural navigation between thematically similar documents. We provide users with a full-text search extended by understanding the meaning of queries, the ability to search by parts of the text (such as paragraphs) with the ability to specify at the same time the topic that interests him in the text. The system will work with automatically identified topics, but will allow users to define their own topics based on examples from texts.

Keywords
digitální knihovna, identifikace tématu, vyhledávání sémantických dokumentů, průzkum obsahu, vizualizace obsahu

Key words in English
digital library, topic identification, semantic document search, content exploration, content visualization

DH23P03OVV060

Czech

Hradiš Michal, Ing., Ph.D. - principal person responsible
Beneš Karel, Ing., Ph.D. - fellow researcher
Dočekal Martin, Ing. - fellow researcher
Fajčík Martin, Ing., Ph.D. - fellow researcher
Kavalová Radka, Mgr. - fellow researcher
Kišš Martin, Ing. - fellow researcher
Kohút Jan, Ing. - fellow researcher
Kostelník Martin, Ing. - fellow researcher
Lampa Petr, Ing. - fellow researcher
Smrž Pavel, doc. RNDr., Ph.D. - fellow researcher

Department of Computer Graphics and Multimedia
- responsible department (19.4.2022 - not assigned)
Department of Computer Graphics and Multimedia
- beneficiary (19.4.2022 - 31.12.2027)

DOČEKAL, M.; FAJČÍK, M.; HRADIŠ, M.: Textjuicer - Software for Generating Summaries. URL: https://github.com/DCGM/semant-summarization. (Software)
Detail

KOSTELNÍK, M.; BENEŠ, K.; HRADIŠ, M.; VAŠKO, M.: Systém pro analýzu struktury dokumentů. URL: https://www.fit.vut.cz/research/product/811/. (Software)
Detail

KOHÚT, J.; HRADIŠ, M. Finetuning Is a Surprisingly Effective Domain Adaptation Baseline in Handwriting Recognition. In Document Analysis and Recognition - ICDAR 2023. Lecture Notes in Computer Science. Lecture Notes in Computer Science. San José: Springer Nature Switzerland AG, 2023. no. 1, p. 269-286. ISBN: 978-3-031-41684-2. ISSN: 0302-9743.
Detail

KIŠŠ, M.; HRADIŠ, M. Self-supervised Pre-training of Text Recognizers. In Barney Smith, E.H., Liwicki, M., Peng, L. (eds) Document Analysis and Recognition - ICDAR 2024. Lecture Notes in Computer Science. Atény: Springer Nature Switzerland AG, 2024. p. 218-235. ISBN: 978-3-031-70545-8.
Detail

FAJČÍK, M.; DOČEKAL, M.; DOLEŽAL, J.; ONDŘEJ, K.; BENEŠ, K.; SMRŽ, P.; POLOK, A.; HRADIŠ, M. BenCzechMark : A Czech-Centric Multitask and Multimetric Benchmark for Large Language Models with Duel Scoring Mechanism. Transactions of the Association for Computational Linguistics, 2025, vol. 13, no. 9, p. 1068-1095.
Detail

Responsibility: Hradiš Michal, Ing., Ph.D.