2008
Automatic Web Page Classification
MATERNA, JiříZákladní 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
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"
Odkazy
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
Změněno: 28. 5. 2021 12:00, RNDr. Jiří Materna, Ph.D.
V originále
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.
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 VaV |
|