Full metadata record
DC poleHodnotaJazyk
dc.contributor.advisorKrál, Pavel
dc.contributor.authorHrala, Michal
dc.contributor.refereePluskal, Jan
dc.date.accepted2012-06-19
dc.date.accessioned2013-06-19T06:31:03Z
dc.date.available2011-08-31cs
dc.date.available2013-06-19T06:31:03Z
dc.date.issued2012
dc.date.submitted2012-05-17
dc.identifier46193
dc.identifier.urihttp://hdl.handle.net/11025/3054
dc.description.abstractHlavním cílem práce je prozkoumat metody pro více třídní klasifikaci dokumentů a navrhnout programové řešení pro Českou tiskovou kancelář (ČTK). Více třídní klasifikace je úkol, při kterém jsou dokumenty klasifikovány do více kategorií. Na základě literatury byly vybrány tři klasifikátory, které jsou úspěšně používány v této oblasti: Naivní Bayesův klasifikátor, Support Vector Machine (SVM) a klasifikátor Maximum Entropy. Práce dále zkoumá možnost použití slovních druhů (POS-tagging) pro filtrování slov a lemmatizace pro zlepšení úspěšnosti klasifikace. Práce dále srovnává pět metod pro výběr příznaků: Dokumentová frekvence, Information Gain (IG), Chí-kvadrát test a metodu GSS. Všechny metody jsou vyhodnoceny na českém korpusu novinových článků dodaných ČTK. Na základě výsledků klasifikace je navrženo optimální nastavení klasifikátoru. Pro implementaci klasifikačních metod je použit nástroj MinorThird. Pro lemmatizaci a POS-tagging byl použit nástroj MateTool.cs
dc.format68 s. (100 000 znaků)cs
dc.format.mimetypeapplication/pdf
dc.language.isocscs
dc.publisherZápadočeská univerzita v Plznics
dc.rightsPlný text práce je přístupný bez omezení.cs
dc.subjectpříznakové metodycs
dc.subjectlemmatizacecs
dc.subjectmaximální entropiecs
dc.subjectvíce třídní klasifikacecs
dc.subjectnaivní Bayesův klasifikátorcs
dc.subjectPOS taggingcs
dc.subjectmetoda podpůrných vektorůcs
dc.subjectklasifikace textucs
dc.titleAutomatická klasifikace dokumentů s podobným obsahemcs
dc.title.alternativeAutomatic Classification of the Documents with the Similar Contenten
dc.typediplomová prácecs
dc.thesis.degree-nameIng.cs
dc.thesis.degree-levelNavazujícícs
dc.thesis.degree-grantorZápadočeská univerzita v Plzni. Fakulta aplikovaných vědcs
dc.description.departmentKatedra informatiky a výpočetní technikycs
dc.thesis.degree-programInženýrská informatikacs
dc.description.resultObhájenocs
dc.rights.accessopenAccessen
dc.description.abstract-translatedThe main goal of this work is to study methods for a multi-label document classification and to propose a user friendly software solution for Czech News Agency (ČTK). Multi-label classification is a task, where document is classified in to more than one class. Based on the literature, we have chosen three classifiers that are successfully used in the document classification field: Naive Bayes (NB), Support Vectors Machine (SVM) and Maximum Entropy classifier. We also study the possibility to use Part of Speech (POS) tagging for document word filtration and lemmatization to improve classification accuracy. For the feature selection, five methods are compared: Document Frequency (DF), Information Gain (IG), Mutual Information (MI), Chi-square and GSS methods. All methods are evaluated on the Czech corpus of ČTK newspapers articles. An optimal classifier setting is proposed based on these results. The proposed software solution uses the MinorThird classification tool package as an implementation of the classification methods. We used the Mate tool for lemmatization and POS tagging.en
dc.subject.translatedfeature selectionen
dc.subject.translatedlemmatizationen
dc.subject.translatedmaximum entropyen
dc.subject.translatedmulti-label document classificationen
dc.subject.translatednaive Bayes classifieren
dc.subject.translatedPOS taggingen
dc.subject.translatedsupport vector machineen
dc.subject.translatedtext classificationen
Vyskytuje se v kolekcích:Diplomové práce / Theses (KIV)

Soubory připojené k záznamu:
Soubor Popis VelikostFormát 
diplomova prace.pdfPlný text práce2,55 MBAdobe PDFZobrazit/otevřít
A10N0044Pposudek-ved.pdfPosudek vedoucího práce408,3 kBAdobe PDFZobrazit/otevřít
A10N0044Pposudek-op.pdfPosudek oponenta práce422,48 kBAdobe PDFZobrazit/otevřít
A10N0044Pprubeh.pdfPrůběh obhajoby práce209,66 kBAdobe PDFZobrazit/otevřít
Zobrazit minimální záznam Zobrazit statistiky


Použijte tento identifikátor k citaci nebo jako odkaz na tento záznam: http://hdl.handle.net/11025/3054

Všechny záznamy v DSpace jsou chráněny autorskými právy, všechna práva vyhrazena.

hledání
navigace
  1. DSpace at University of West Bohemia
  2. Vysokoškolské kvalifikační práce / Theses
  3. Fakulta aplikovaných věd / Faculty of Applied Sciences
  4. Katedra informatiky a výpočetní techniky / Department of Computer Science and Engineering
  5. Diplomové práce / Theses (KIV)