Detailed Information on Publication Record
2004
Filtering Very Similar Text Documents: A Case Study
HROZA, Jiří, Jan ŽIŽKA and Aleš BOUREKBasic information
Original name
Filtering Very Similar Text Documents: A Case Study
Name in Czech
Filtrace velmi podobných textových dokumentů: Studie případu.
Authors
HROZA, Jiří (203 Czech Republic, guarantor), Jan ŽIŽKA (203 Czech Republic) and Aleš BOUREK (203 Czech Republic)
Edition
Germany, Computational linguistics and Intelligent Text Processing, p. 511-520, 10 pp. 2004
Publisher
Springer-Verlag Berlin Heidelberg
Other information
Language
English
Type of outcome
Stať ve sborníku
Field of Study
10201 Computer sciences, information science, bioinformatics
Country of publisher
Germany
Confidentiality degree
není předmětem státního či obchodního tajemství
RIV identification code
RIV/00216224:14330/04:00009948
Organization unit
Faculty of Informatics
ISBN
3-540-21006-7
UT WoS
000189417900064
Keywords in English
machine learning; text categorization; text filtration; text similarity
Změněno: 21/1/2005 18:31, doc. Ing. Jan Žižka, CSc.
V originále
This paper describes problems with classification and filtration of similar relevant and irrelevant real medical documents from one very specific domain, obtained from the Internet resources. Besides the similarity, the documents are often unbalanced-a lack of irrelevant documents for the training. A definition of similarity is suggested. For the classification, six algorithms are tested from the document similarity point of view. The best results are provided by the back propagation-based neural network and by the radial basis function-based support vector machine.
In Czech
Článek popisuje problémy s klasifikací a filtrací podobných relevantních a nerelevantních reálných textových dokumentů z jedné velmi specifické domény, získané z internetových zdrojů. Kromě podobnosti jsou dokumenty často nevyváženy -- nedostatek nerelevantních dokumentů pro trénování. Je navržena definice podobnosti. Klasifikace byla testována pomocí šesti algoritmů z hlediska podobnosti textů. Nejlepší výsledky poskytly neuronové sítě založené na backpropagation a support vector machines s radiálními bázovými funkcemi.
Links
| MSM 143300003, plan (intention) |
|