Zpět na vyhledávání

Bc. Kryštof Zamazal

Bachelor's thesis

Vyhodnocení nástroje Justext pro čištění webových stránek

Evaluation of web page cleaning tool Justext
Abstract:
Tato práce se věnuje zkoumání nástroje Justext, který slouží pro odstranění boilerplate textu, což je důležitá součást tvoření webových jazykových korpusů, které hrají významnou roli v lexikografii. Nejdříve se provádí jeho evaluace na datových sadách, následně jsou pak podle této evaluace optimalizovány jeho parametry. Dále je provedeno i srovnání tohoto nástroje s dalším nástrojem – BoilerNet. Nástroje …more
Abstract:
This work focuses on the examination of the Justext tool used for the removal of boilerplate text, which is an important part of creating web text corpora that play an important role in lexicography. First, its evaluation is carried out on data sets, then its parameters are optimized using this evaluation as the objective function. After that Justext is compared to another tool – BoilerNet. The tools …more
 

Keywords

boilerplate jazykový korpus Justext BoilerNet Sketch Engine F skóre
 
Language used: Czech
Date on which the thesis was submitted / produced: 19. 12. 2023
Identifier: https://is.muni.cz/th/pd3we/

Thesis defence

  • Date of defence: 16. 2. 2024
  • Supervisor: RNDr. Vít Suchomel, Ph.D.
  • Reader: RNDr. Vojtěch Kovář, Ph.D.

Citation record

Cite this text

Full text of thesis

Contents of on-line thesis archive
Published in Theses:
  • světu
Other ways of accessing the text
Institution archiving the thesis and making it accessible: Masarykova univerzita, Fakulta informatiky
Složka Reference to the local database directory of the institution

Masaryk University

Faculty of Informatics

Bachelor programme / field:
Informatics / Informatics

Theses on a related topic

List of theses with an identical keyword.