Zobrazit minimální záznam

Domain-Specific NER Adaptation



dc.contributor.advisorDojčinovski Milan
dc.contributor.authorJakovcheski Bogoljub
dc.date.accessioned2019-02-20T10:53:13Z
dc.date.available2019-02-20T10:53:13Z
dc.date.issued2019-02-01
dc.identifierKOS-695600134005
dc.identifier.urihttp://hdl.handle.net/10467/80104
dc.description.abstractTechnologie Named Entity Recognition (NER) je i přes neustálý vývoj populární jak v akademické, tak v průmyslové sféře, a to i přes to, že coarse grain (hrubé) použití je častější než fine grained (jemné). V této práci používáme sady dat DBpedia NIF. Zpracováváme je a připravujeme nové sady dat pro trénování modelů se Stanford NER. Experimenty jsou prováděny s trénovanými modely, které pokrývají dopad výsledků při použití globálního a specifického doménového modelu. Další experimenty zkoumají dopad počtu článků používaných pro trénování modelů. Výsledky experimentů ukazují, že doménově specifické fine grain modely poskytují lepší výsledky než doménově specifické coarse grain modely i globální modely v obou anotacích. Také modely trénované za použití většího množství článků poskytují lepší výsledky než modely trénované s nižšími počty článků.cze
dc.description.abstractThe popular but still under development Named Entity Recognition (NER) technology has seen a significant usage in both academic and industrial sphere inspite of it's more dominant coarse grain usage compared to it's fine grain usage. In this thesis, we use DBpedia NIF dataset. We process them, and prepare new datasets ready for training models with Stanford NER. Experiments are provided with trained models which cover the impact of results when used with global domain model and domain specific model. In addition, the experiments examine the impact of number of articles used to train models. The results from the experiments show that the domain specific fine grain models provide a better results than domain specific coarse grain models and global models in both annotations. As well, models trained with higher number of articles give better results than models trained with lower number of articles.eng
dc.language.isoENG
dc.publisherČeské vysoké učení technické v Praze. Vypočetní a informační centrum.cze
dc.publisherCzech Technical University in Prague. Computing and Information Centre.eng
dc.rightsA university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmleng
dc.rightsVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.htmlcze
dc.subjectOtevřena Data,Named Entity Recognition,Přírodní zpracovaní jazyků,NLP,DBpedia,NIF,RDF,SPARQLcze
dc.subjectOpen Data,Named Entity Recognition,Natural Language Processing,DBpedia,NIF,RDF,SPARQLeng
dc.titleDoménově-specifická adaptace NERcze
dc.titleDomain-Specific NER Adaptationeng
dc.typediplomová prácecze
dc.typemaster thesiseng
dc.date.accepted2019-02-06
dc.contributor.refereeKuchař Jaroslav
theses.degree.disciplineWebové a softwarové inženýrstvícze
theses.degree.grantorkatedra softwarového inženýrstvícze
theses.degree.programmeInformatikacze


Soubory tohoto záznamu




Tento záznam se objevuje v následujících kolekcích

Zobrazit minimální záznam