Detekce tématu textu

Mgr. David Hrbek

Master's thesis

Topic detection in the text

Anotácia:

Tato práce je o inovativním přístupu k detekci tématu v textu. Je založena na procházení Wikipedie za účelem získání hierarchie možných témat and stažení článků, které slouží jako klasifikovaný korpus pro natrénování klasifikátoru, který je schopen přiřadit možná témata danému textu. Text práce popisuje proces vytváření hierarchie témat, sběr a předzpracování dat korpusu, trénování klasifikátoru s použitím tohoto korpusu, testování klasifikátoru a vyhodnocení výsledků.

Abstract:

This thesis is about an original approach to topic detection in a text document. It is based on crawling Wikipedia to get a hierarchy of possible topics and using Wikipedia articles as a labeled corpus for training a classifier, which is able to assign these topics to an arbitrary text document. The text describes the process of creating the topic hierarchy, gathering and preprocessing a data corpus, training a classifier using this corpus, testing this classifier, and evaluating the results.

Keywords

topic detection, topic hierarchy, Wikipedia structure, classification

Jazyk práce: English

Datum vytvoření / odevzdání či podání práce: 22. 5. 2017

Obhajoba závěrečné práce

• Obhajoba proběhla 20. 6. 2017
• Vedúci: RNDr. Zuzana Nevěřilová, Ph.D.
• Oponent: Mgr. et Mgr. Vít Baisa, Ph.D.

Masaryk University

Faculty of Informatics

Master programme / odbor:
Applied Informatics / Service Science, Management and Engineering