Automatická extrakce informací z e-mailové korespondence pro češtinu

RNDr. Jan Rygl

Bachelor's thesis

Automatic Information Extraction from Czech E-mail Correspondence

Anotácia:

Vycházíme z postupů extrakce časových informací a automatické klasifikace e-mailových zpráv již zavedených pro angličtinu. Námi navržené algoritmy jsou přizpůsobeny češtině a přináší několik podstatných vylepšení. V oblasti klasifikace zpráv pomocí tématických štítků práce kombinuje naivní Bayesův klasifikátor, morfologický analyzátor Ajka, časté n-gramy v korespondenci a regulární výrazy. Přínosem pro extrakci časových informací je podpora časově relativních údajů. Všechny funkce jsou implementovány v jazyce Python a spolupracují s rozhraním služby Gmail a Google Calendar. Program může být použit v kombinaci s libovolným poštovním serverem, který podporuje protokol IMAP a tématické štítky.

Abstract:

We study automatic information extraction algorithms and automatic classification of e-mail correspondence algorithms used for English. Our proposed algorithms are adapted to Czech language and offers several significant improvements. In the field of classification by using the thematic labels our work combines the Bayesian naive classifier, the morphological analyzer Ajka, frequent n-grams in the correspondence and regular expressions. The advantage of the automatic information extraction is to support time-relative data. All functions are implemented in Python and cooperate with the Gmail and Google Calendar. The program can be used in combination with any mail server that supports the IMAP protocol and thematic labels.

Kľúčové slová

čeština, extrakce časových informací, klasifikace e-mailových zpráv pomocí štítků, naivní Bayesův klasifikátor, n-gram, strojové učení

Jazyk práce: Czech

Datum vytvoření / odevzdání či podání práce: 25. 5. 2009

Obhajoba závěrečné práce

• Obhajoba proběhla 23. 6. 2009
• Vedúci: doc. RNDr. Aleš Horák, Ph.D.
• Oponent: RNDr. Vojtěch Kovář, Ph.D.

Masaryk University

Faculty of Informatics

Bachelor programme / odbor:
Informatics / Informatics