Analýza textových používateľských hodnotení vybranej skupiny produktov

Bc. Roman Valovič

Master's thesis

Analýza textových uživatelských hodnocení vybrané skupiny produktů

Anotácia:

Tato práce se zaměřuje na návrh systému, který v textových recenzích produktů identifikuje často diskutované vlastnosti produktů, sumarizuje je a s ohledem na sentiment v přehledné formě zobrazí uživateli. V práci je rozebrána problematika zpracování přirozeného jazyka, se specifickým zaměřením na češtinu. Čtenář je kromě jiného seznámen s metodami preprocessingu textu a jejich vlivu na kvalitu výsledků analýzy. Samotná identifikace diskutovaných vlastností probíhá primárně za pomoci shlukové analýzy s využitím algoritmu K-Means, kde předpokládáme, že dostatečně vnitřně homogenní shluky budou představovat jednotlivé vlastnosti produktů. Novou oblastí, která bude v této práci prozkoumána, je reprezentace dokumentů pomocí techniky Word embeddings a z ní vyplývající možnosti využití vektorového prostoru jako vstupu pro algoritmy strojového učení.

Abstract:

This work focuses on the design of a system that identifies frequently discussed product features in product reviews, summarizes them, and displays them to the user in terms of sentiment. The work deals with the issue of natural language processing, with a specific focus on Czech languague. The reader will be introduced the methods of preprocessing the text and their impact on the quality of the analysis results. The identification of the mainly discussed products features is carried out by cluster analysis using the K-Means algorithm, where we assume that sufficiently internally homogeneous clusters will represent the individual features of the products. A new area that will be explored in this work is the representation of documents using the Word embeddings technique, and its potential of using vector space as input for machine learning algorithms.

Abstract:

Táto práca sa zameriava na návrh systému, ktorý v textových recenziách produktov identifikuje často diskutované vlastnosti produktov, sumarizuje ich a s ohľadom na sentiment v prehľadnej forme zobrazí používateľovi. V práci je rozobraná problematika spracovania prirodzeného jazyka, so špecifickým zameraním na češtinu. Čitateľ je okrem iného zoznámený s metódami preprocessingu textu a ich vplyvu na kvalitu výsledkov analýzy. Samotná identifikácia diskutovaných vlastností prebieha primárne za pomoci zhlukovej analýzy s využitím algoritmu K-Means, kde predpokladáme, že dostatočne vnútorne homogénne zhluky budú predstavovať jednotlivé vlastnosti produktov. Novou oblasťou, ktorá bude v tejto práci preskúmaná je reprezentácia dokumentov pomocou techniky Word embeddings a z nej vyplývajúce možnosti využitia vektorového priestoru ako vstupu pre algoritmy strojového učenia.

Kľúčové slová

word embeddings, NLP, strojové učení, shluková analýza, word2vec, k-means, text mining, sumarizace, klasifikace textu

Keywords

word2vec, k-means, word embeddings, machine learning, NLP, text mining, cluster analysis, summarization, text classification

Kľúčové slová

text mining, strojové učenie, klasifikácia textu, word embeddings, sumarizácia, zhluková anlýza, word2vec, k-means, NLP

Jazyk práce: Slovak

Datum vytvoření / odevzdání či podání práce: 16. 5. 2019

Obhajoba závěrečné práce

• Vedúci: Ing. Jan Přichystal, Ph.D.
• Oponent: František Dařena, Ph.D.

Mendel University in Brno

Faculty of Business and Economics

Master programme / odbor:
System engineering and informatics / Economic informatics