Varijante semantičkog indeksiranja i klasifikacija dokumenata

master's thesis

• Title (english): Variants of semantic indexing and classification of documents
• Author: Tea Rumec
• Mentor: Pavle Goldstein (mentor)
• Committee member: Pavle Goldstein (predsjednik povjerenstva)
• Committee member: Sonja Štimac (član povjerenstva)
• Committee member: Igor Ciganović (član povjerenstva)
• Committee member: Josip Tambača (član povjerenstva)
• Granter: University of Zagreb; Faculty of Science; (Department of Mathematics); Zagreb
• Defense date and country: 2020-09-30, Croatia
• Scientific / art field, discipline and subdiscipline: NATURAL SCIENCES; Mathematics

Abstract

Cilj rada je analiza linearne klasifikacije tekstualnih dokumenata pomoću normi i algoritma stroja potpornih vektora. Na početku rada definirani su osnovni pojmovi iz linearne algebre i optimizacije važni za daljnje razumijevanje rada. Pojašnjen je postupak sređivanja tekstualnih dokumenata, između ostalog stemming algoritam, kako bi dokumente prikazali u obliku pogodnom za analizu. Opisani su razni načini zapisivanja frekvencija pojavljivanja pojmova u tekstu, kako bi proučili kako utječu na rezultate klasifikacije. Za analizu smo koristili dvije odnosno tri kolekcije tekstualnih dokumenata, a skup podataka smo podijelili na trening i test skup u omjeru 50:50. Opisali smo reduciranje baze i algoritam stroja potpornih vektora. Na kraju prikazujemo rezultate klasifikacije dvije odnosno tri kolekcije te usporedujemo dobivene rezultate. Pokazalo se da su rezultati klasifikacije za sve metode slični i iznimno dobri.

Abstract (english)

The aim of this work is analysis of text document classification using norm and support vector machine algorithm. Initially, we present basic concepts from linear algebra and optimization. We explain text preparation and stemming algorithm, used to convert documents in a suitable form. Different term-weighting approaches are described to see how they affect classification. We explain process of dimension reduction and mathematical background of the support vector machine algorithm. At the end, we present and compare classification results for two and three collections. It is shown that results are similar for all methods and classification is very accurate.

• Keywords: analiza linearne klasifikacije tekstualnih dokumenata; linearna algebra; stemming algoritam; algoritam stroja potpornih vektora
• Keywords (english): analysis of text document classification; linear algebra; stemming algorithm; support vector machine algorithm
• Language: croatian
• URN:NBN: urn:nbn:hr:217:273575
• Study programme: Title: Mathematical Statistics; Study programme type: university; Study level: graduate; Academic / professional title: magistar/magistra matematike (magistar/magistra matematike)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Open access
• Created on: 2021-03-05 12:39:29