Gensim -- Statistical Semantics in Python

ŘEHŮŘEK, Radim a Petr SOJKA. Gensim -- Statistical Semantics in Python. In EuroScipy 2011, Paris. 2011.

Základní údaje

• Originální název: Gensim -- Statistical Semantics in Python
• Název česky: Gensim -- statistická sémantika v Pythonu
• Autoři: ŘEHŮŘEK, Radim (203 Česká republika, garant, domácí) a Petr SOJKA (203 Česká republika, domácí).
• Vydání: EuroScipy 2011, Paris, 2011.

Další údaje

• Originální jazyk: angličtina
• Typ výsledku: Prezentace na konferencích
• Obor: 10201 Computer sciences, information science, bioinformatics
• Stát vydavatele: Francie
• Utajení: není předmětem státního či obchodního tajemství
• WWW: poster conference programme
• Kód RIV: RIV/00216224:14330/11:00053512
• Organizační jednotka: Fakulta informatiky
• Klíčová slova česky: statistická sémantika;gensim;Python;LDA;SVD
• Klíčová slova anglicky: statistical semantics;gensim;Python;LDA;SVD
• Příznaky: Mezinárodní význam, Recenzováno

Anotace

\texttt{Gensim} is a pure Python library that fights on two fronts: 1)~digital document indexing and similarity search; and 2)~fast, memory-efficient, scalable algorithms for Singular Value Decomposition and Latent Dirichlet Allocation. The connection between the two is unsupervised, semantic analysis of plain text in digital collections. Gensim was created for large digital libraries, but its underlying algorithms for large-scale, distributed, online SVD and LDA are like the Swiss Army knife of data analysis---also useful on their own, outside of the domain of Natural Language Processing.

Anotace česky

\texttt{Gensim} je knihovna naprogramovaná jazyce Python, která je užitečná na dvou frontách: 1) pro indexaci elektronických dokumentů a pro podobnostní hledání; a 2) pro rychlou, paměťově omezenou a efektivní škálovatelnou implementaci algoritmů pro Singular Value Decomposition a Latent Dirichlet Allocation. Vazba mezi oběma užitími je semantická analýza textů (bez učitele) v rozsáhlých digitálních kolekcích a knihovnách. Gensim byl vytvořen pro velké digitální knihovny, ale jím implementované algoritmy pro velké, distribuované, online užití SVD a LDA jsou švýcarským nožíkem analýzy dat a jako takové jsou užitečné i mimo doménu Natural Language Processing.

Návaznosti

• LC536, projekt VaV: Název: Centrum komputační lingvistiky

Investor: Ministerstvo školství, mládeže a tělovýchovy ČR, Centrum komputační lingvistiky

• 250503, interní kód MU: Název: The European Digital Mathematics Library (Akronym: EuDML)

Investor: Evropská unie, The European Digital Mathematics Library