Analiza tehnika traženja proteinskih motiva

master's thesis

• Author: Antonija Đurić
• Mentor: Pavle Goldstein (mentor)
• Committee member: Pavle Goldstein (predsjednik povjerenstva)
• Committee member: Nikola Sandrić (član povjerenstva)
• Committee member: Marko Erceg (član povjerenstva)
• Committee member: Ljiljana Arambašić (član povjerenstva)
• Granter: University of Zagreb; Faculty of Science; (Department of Mathematics); Zagreb
• Defense date and country: 2018-03-01, Croatia
• Scientific / art field, discipline and subdiscipline: NATURAL SCIENCES; Mathematics

Abstract

Cilj ovog diplomskog rada bio je provesti postupak klasifikacije tekstova u prirodnom jeziku, ali bez poznavanja rječnika. Za analizu smo odabrali dvije kolekcije različitih sadržaja. Jednu kolekciju čine sažeci članaka medicinskog sadržaja, a drugu sažeci članaka socijalnog sadržaja. Kolekcije smo modificirali tako što smo im uklonili separatore i brojeve kako bi nizovi u tim kolekcijama bili što sličniji biološkim nizovima. Na tako uređenim kolekcijama proveli smo postupak traženja motiva za svaku kolekciju zasebno. Ti motivi će predstavljati naš rječnik. Svakom skupu motiva smo pridružili odgovarajući skup profila. Na samom kraju analizirali smo koliko dobro dobiveni profili opisuju testne kolekcije. Analizom smo došli do zaključka da prvenstveno moramo dobro poraditi na odabiru samih motiva. Motivi moraju biti dovoljno specifični za određeni sadržaj, te ih mora biti i u velikom broju. Ukoliko zadovoljimo ta dva uvjeta sama klasifikacija biti će puno bolje odrađena. Primjer toga su nam rezultati dobiveni pomoću medicinskih motiva. Vidimo da smo dobili zadovoljavajuće rezultate iako je samo testiranje rađeno na prilično malom uzorku.

Abstract (english)

This thesis is concerned with classification of documents in a natural language, but without a dictionary. Furthermore, all separators and numerals are removed from training data, hence we are dealing with finite sequences in a Latin alphabet. We have selected two sets of abstracts of articles from medical and sociological databases. On such a collection of modified texts, motif scanning techniques have been applied, to each dataset separately. This yielded two sets of profiles, one for each collection. In the last section, we discuss classification results that we obtained. In particular, we conclude that the profile set has to be large enough to describe each document, but specific enough to avoid misclassification.

• Keywords: klasifikacija tekstova; prirodni jezik; traženje motiva
• Keywords (english): classification of documents; natural language; motif scanning technique
• Language: croatian
• URN:NBN: urn:nbn:hr:217:998352
• 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: 2018-07-11 11:19:55