MATERNA, Jiří. Automatic Web Page Classification. Online. In Recent Advances in Slavonic Natural Language Processing. Brno: Faculty of Informatics, Masaryk University, 2008, 10 s. ISBN 978-80-210-4741-9.
Další formáty:   BibTeX LaTeX RIS
Základní údaje
Originální název Automatic Web Page Classification
Název česky Automatické určení domény a klíčových slov stránky
Autoři MATERNA, Jiří (203 Česká republika, garant, domácí).
Vydání Brno, Recent Advances in Slavonic Natural Language Processing, 10 s. 2008.
Nakladatel Faculty of Informatics, Masaryk University
Další údaje
Originální jazyk angličtina
Typ výsledku Stať ve sborníku
Obor 10201 Computer sciences, information science, bioinformatics
Stát vydavatele Česká republika
Utajení není předmětem státního či obchodního tajemství
Forma vydání elektronická verze "online"
WWW URL
Kód RIV RIV/00216224:14330/08:00042213
Organizační jednotka Fakulta informatiky
ISBN 978-80-210-4741-9
UT WoS 000302212600014
Klíčová slova česky automatická klasifikace dokumentů; strojové učení; thesaurus
Klíčová slova anglicky automatic classification; machine learning; thesaurus
Štítky automatic classification, machine learning, thesaurus
Změnil Změnil: RNDr. Jiří Materna, Ph.D., učo 98897. Změněno: 28. 5. 2021 12:00.
Anotace
Aim of this paper is to describe a method of automatic web page classification to semantic domains and its evaluation. The classification method exploits machine learning algorithms and several morphological as well as semantical text processing tools. In contrast to general text document classification, in the web document classification, there are often problems with short web pages. In this paper we proposed two approaches to eliminate the lack of information. In the first one we consider a wider context of a web page. That means we analyze web pages referenced from the investigated page. The second approach is based on sophisticated term clustering by their similar grammatical context. This is done using statistic corpora tool the Sketch Engine.
Anotace česky
Cílem této práce je navrhnout a otestovat přístup, který umožní automatickou klasifikaci webových stránek do domén a určení klíčových slov stránky. Klasifikace stránek je založena na použití strojového učení. Hlavním problémem je však malý rozsah webových stránek, který užití metod strojového učení znesnadňuje. V práci jsou navrženy dva přístupy, které se snaží tento nedostatek minimalizovat. Prvním z nich je zohledňování širšího kontextu webové stránky, to znamená, že se analyzují i stránky, umístěné ve stejné internetové doméně, které jsou ze zkoumané stránky odkazovány. Druhou metodou je shlukování termů dokumentu na základě jejich podobného gramatického kontextu. Pro tyto účely je vytvořen poměrně rozsáhlý thesaurus a z něho shlukový slovník.
Návaznosti
LC536, projekt VaVNázev: Centrum komputační lingvistiky
Investor: Ministerstvo školství, mládeže a tělovýchovy ČR, Centrum komputační lingvistiky
VytisknoutZobrazeno: 5. 9. 2024 04:24