Strojno učenje za sintezu sažetaka teksta
Sažetak na hrvatskom: U radu su obrađeni modeli za automatsko sažimanje teksta te je opisan način rada nadziranog i nenadziranog strojnog učenja. Testirano je više algoritama za izvlačenje teksta koji pomoću različitih metoda odlučuju o važnosti rečenica unutar dokumenta. Testiran je i apstrakcijski...
| Permalink: | http://skupni.nsk.hr/Record/fer.KOHA-OAI-FER:48750/Details |
|---|---|
| Glavni autor: | Jambrečić, Robert (-) |
| Ostali autori: | Čeperić, Vladimir (Thesis advisor) |
| Vrsta građe: | Drugo |
| Impresum: |
Zagreb,
R. Jambrečić,
2018.
|
| Predmet: |
strojno učenje
> apstraktno
> izvlačenje
> Luhn
> Edmundson
> TextRank
> LexRank
> LSA
> KLSum
> SumBasic
> seq2seq
> evaluacija
|
| LEADER | 02074na a2200229 4500 | ||
|---|---|---|---|
| 003 | HR-ZaFER | ||
| 008 | 160221s2018 ci ||||| m||| 00| 0 hr d | ||
| 035 | |a (HR-ZaFER)ferid6335 | ||
| 040 | |a HR-ZaFER |b hrv |c HR-ZaFER |e ppiak | ||
| 100 | 1 | |a Jambrečić, Robert | |
| 245 | 1 | 0 | |a Strojno učenje za sintezu sažetaka teksta : |b završni rad / |c Robert Jambrečić ; [mentor Vladimir Čeperić]. |
| 246 | 1 | |a A Machine-learning Based Model for Text Summarization |i Naslov na engleskom: | |
| 260 | |a Zagreb, |b R. Jambrečić, |c 2018. | ||
| 300 | |a 38 str. ; |c 30 cm + |e CD-ROM | ||
| 502 | |b preddiplomski studij |c Fakultet elektrotehnike i računarstva u Zagrebu |g smjer: Računarska znanost, šifra smjera: 41, datum predaje: 2018-06-15, datum završetka: 2018-09-05 | ||
| 520 | 3 | |a Sažetak na hrvatskom: U radu su obrađeni modeli za automatsko sažimanje teksta te je opisan način rada nadziranog i nenadziranog strojnog učenja. Testirano je više algoritama za izvlačenje teksta koji pomoću različitih metoda odlučuju o važnosti rečenica unutar dokumenta. Testiran je i apstrakcijski koder-dekoder model (seq2seq). Objašnjeni su načini evaluacije sažetaka. Svi modeli obrađeni u radu, evaluirani su metodom evaluacije sadržaja. | |
| 520 | 3 | |a Sažetak na engleskom: In this thesis models for automatic text summarization are considered. Supervised and unsupervised machine learning operation is described. Various algorithms for extractive summarization were tested which, using different methods, decide about the importance of sentences in a document. The abstractive encoder-decoder model (seq2seq) was tested. Summary evaluation methods are explained. All models described in this thesis were evaluated using the content evaluation method. | |
| 653 | 1 | |a strojno učenje |a apstraktno |a izvlačenje |a Luhn |a Edmundson |a TextRank |a LexRank |a LSA |a KLSum |a SumBasic |a seq2seq |a evaluacija | |
| 653 | 1 | |a machine learning |a abstract |a extract |a Luhn |a Edmundson |a TextRank |a LexRank |a LSA |a KLSum |a SumBasic |a seq2seq |a evaluation | |
| 700 | 1 | |a Čeperić, Vladimir |4 ths | |
| 942 | |c Z | ||
| 999 | |c 48750 |d 48750 | ||