Automatická klasifikace textových dokumentů

Bc. Veronika ČERNÁ

Bakalářská práce

Automatic Text Document Classification

Anotace:

Tato práce se zabývá automatickou klasifikací textových dokumentů, jejímž cílem je přiřadit dokumentům kategorii z nějaké předdefinované množiny kategorií. Pro experimenty byly vybrány tři známé klasifikační techniky: naivní Bayesův klasifikátor, support vector machines a maximální entropie. K předzpracování dat byly použity lemmatizátor a POS-tagger a na základě různých kritérií pro výběr příznaků pak byly vytvořeny 4 sady dokumentů. Všechny experimenty byly prováděny na českém korpusu nástrojem MinorThird.

Abstract:

This work deals with automatic text document classification. Text classification is a process of labelling documents with thematic categories from a predefined set of categories. Three known classification techniques were chosen for experiments in this work: naive Bayes, support vector machines and maximum entropy. A lemmatizer and a POS-tagger were used for the text pre-processing. Four sets of documents were created based on the different feature selection criteria. All experiments were performed on the Czech corpus using the MinorThird toolkit.

Klíčová slova

klasifikace dokumentů, naivní Bayesův klasifikátor, support vector machines, maximální entropie

Jazyk práce: čeština

Datum vytvoření / odevzdání či podání práce: 11. 5. 2012

Zveřejnit od: 11. 5. 2012

Obhajoba závěrečné práce

• Vedoucí: Ing. Pavel Král, Ph.D.

ZÁPADOČESKÁ UNIVERZITA V PLZNI

Fakulta aplikovaných věd

Bakalářský studijní program / obor:
Inženýrská informatika / Informatika