Removing spam from web corpora through supervised learning using FastText

SUCHOMEL, Vít. Removing spam from web corpora through supervised learning using FastText. Birmingham, 2017.

Základní údaje

• Originální název: Removing spam from web corpora through supervised learning using FastText
• Autoři: SUCHOMEL, Vít.
• Vydání: Birmingham, 2017.

Další údaje

• Originální jazyk: angličtina
• Typ výsledku: Stať ve sborníku
• Stát vydavatele: Německo
• Utajení: není předmětem státního či obchodního tajemství
• WWW: Sborník konference
• Organizační jednotka: Fakulta informatiky
• Klíčová slova anglicky: Text corpora;Web spam;Supervised learning;FastText
• Příznaky: Mezinárodní význam, Recenzováno

Anotace

Unlike traditional text corpora collected from trustworthy sources, the content of web based corpora has to be filtered. This study briefly discusses the impact of web spam on corpus usability and emphasizes the importance of removing computer ge- nerated text from web corpora. The paper also presents a keyword com- parison of an unfiltered corpus with the same collection of texts cleaned by a su- pervised classifier trained using FastText. The classifier was able to recognise 71 % of web spam documents similar to the training set but lacked both precision and recall when applied to short texts from another data set.

Návaznosti

• LM2015071, projekt VaV: Název: Jazyková výzkumná infrastruktura v České republice (Akronym: LINDAT-Clarin)

Investor: Ministerstvo školství, mládeže a tělovýchovy ČR, Projekt LINDAT-Clarin - Vybudování a provoz českého uzlu pan-evropské infrastruktury pro výzkum