HROZA, Jiří, Jan ŽIŽKA a Aleš BOUREK. Filtering Very Similar Text Documents: A Case Study. In Computational linguistics and Intelligent Text Processing. Germany: Springer-Verlag Berlin Heidelberg, 2004, s. 511-520. ISBN 3-540-21006-7.
Další formáty:   BibTeX LaTeX RIS
Základní údaje
Originální název Filtering Very Similar Text Documents: A Case Study
Název česky Filtrace velmi podobných textových dokumentů: Studie případu.
Autoři HROZA, Jiří (203 Česká republika, garant), Jan ŽIŽKA (203 Česká republika) a Aleš BOUREK (203 Česká republika).
Vydání Germany, Computational linguistics and Intelligent Text Processing, od s. 511-520, 10 s. 2004.
Nakladatel Springer-Verlag Berlin Heidelberg
Další údaje
Originální jazyk angličtina
Typ výsledku Stať ve sborníku
Obor 10201 Computer sciences, information science, bioinformatics
Stát vydavatele Německo
Utajení není předmětem státního či obchodního tajemství
Kód RIV RIV/00216224:14330/04:00009948
Organizační jednotka Fakulta informatiky
ISBN 3-540-21006-7
UT WoS 000189417900064
Klíčová slova anglicky machine learning; text categorization; text filtration; text similarity
Štítky machine learning, text categorization, text filtration, text similarity
Změnil Změnil: doc. Ing. Jan Žižka, CSc., učo 2431. Změněno: 21. 1. 2005 18:31.
Anotace
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.
Anotace česky
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.
Návaznosti
MSM 143300003, záměrNázev: Interakce člověka s počítačem, dialogové systémy a asistivní technologie
Investor: Ministerstvo školství, mládeže a tělovýchovy ČR, Interakce člověka s počítačem, dialogové systémy a asistivní technologie
VytisknoutZobrazeno: 14. 5. 2024 19:05