Automatická identifikace revizí textových dokumentů

Filip KUPILÍK

Bakalářská práce

Automated Identification of Revisions of Text Documents

Anotace:

Cílem této práce je navrhnout, vytvořit a otestovat algoritmus pro identifi- kaci revizí v množině textových dokumentů. V první části práce jsou zmapo- vány současné přístupy ve vyhledávání dokumentů a popsány stávající algo- ritmy pro identifikaci podobných dokumentů. Druhá část se zabývá návrhem a implementací algoritmu zaměřeného na detekci revizí, jehož úspěšnost je ověřena na vytvořené kolekci testovacích dokumentů. Výsledky získané z provedených experimentů jsou porovnány s výsledky vybraných stávajících algoritmů.

Abstract:

The goal of the thesis is to design, create and test an algorithm which iden- tifies the revisions of test documents. The first part of the thesis is focused on analysing current approaches to document searching and a identification of highly similar documents (near-duplicates). The second part deals with a design and an implementation of a new algorithm. The efficiency of the algorithm is verified on a set of test documents. The tests results are com- pared with the results of the experiments which were done with the selected existing algorithms.

Klíčová slova

revize, duplikáty, Apache Lucene, vyhledávání informací, vektorový model, Kullback-Leiblerova divergence, rozpoznávání pojmenovaných entit

Jazyk práce: čeština

Datum vytvoření / odevzdání či podání práce: 29. 6. 2017

Zveřejnit od: 31. 12. 2999

Obhajoba závěrečné práce

• Obhajoba proběhla 29. 8. 2017
• Vedoucí: Ing. Miloslav Konopík, Ph.D.

ZÁPADOČESKÁ UNIVERZITA V PLZNI

Fakulta aplikovaných věd

Bakalářský studijní program / obor:
Inženýrská informatika / Informatika