1 / 13

Automatizace generování stopslov

21. 11. 2013, Brno Bc. Jiří Krupník. Automatizace generování stopslov. Ústav informatiky. PEFnet. Projekt. IGA 4/2013 Analýza vlivu předzpracování textových dokumentů na výsledky úloh text mining. PEFnet. Úvod. Text mining Předzpracování dat Stopslova (stopwords) Obecné

tonya
Download Presentation

Automatizace generování stopslov

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. 21. 11. 2013, Brno Bc. Jiří Krupník Automatizace generování stopslov Ústav informatiky

  2. PEFnet Projekt • IGA 4/2013 Analýza vlivu předzpracování textových dokumentů na výsledky úloh text mining

  3. PEFnet Úvod • Text mining • Předzpracování dat • Stopslova (stopwords) • Obecné • Doménově orientované • Algoritmy feature selection • Informační významnost

  4. PEFnet Cíl • Implementace metod automatického generování stopslov • Provedení experimentů na rozsáhlých textových kolekcích

  5. PEFnet Metody ‒ princip • Ohodnocení všech termů (slov) • Seřazení termů dle ohodnocení • Aplikace prahu či jiné podmínky

  6. PEFnet Metody ‒ proměnné • A – počet dokumentů v kategorii obsahující term. • B – počet dokumentů, které nejsou v kategorii a obsahují term. • C – počet dokumentů v kategorii neobsahující term. • D – počet dokumentů, které nejsou v kategorii a neobsahují term.

  7. PEFnet Metody ‒ implementace • Odds Ratio (ODDR) • Information Gain (IG) • Mutual Information (MI) • F-measure Feature Ranking (FFR) • The Chí Statistic (CHI) • Ng-Goh-Low (NGL) • Galavotti-Sebastiani-Simi (GSS)

  8. PEFnet Vstupy • Doména hotelových recenzí • C\tTEXT\n • Příklad: _N SHOWER WATER NOT HOT ONLY JUST WARM.

  9. PEFnet Reprezentace termu

  10. PEFnet Výsledky ‒ seznamy stopslov EN

  11. PEFnet Výsledky ‒ seznamy stopslov CZ

  12. PEFnet Závěr • Implementace metod v Perlu • Ověřit vliv extrakce na výsledky úloh

  13. PEFnet Děkuji za pozornost

More Related