Ogledi: 0 | Prenosi: 0
Znanstveno področje rudarjenja besedil združuje postopke predobdelave besedil, izgradnje modelov, vizualizacije in evalvacije s ciljem odkrivanja, predstavitve in evalvacije znanja v velikih zbirkah (korpusih) besedil. To doktorsko delo naslavlja problem odkrivanja znanja v velikih zbirkah besedil, obogatenih z relacijskimi povezavami med besedili. Kadar so te relacije različnih tipov, lahko tak podatkovni nabor opišemo s heterogenim informacijskim omrežjem, tj. posplošitvijo standardnega modela omrežja z enim samim tipom relacije med vozlišči. Če pogledamo na ta problem z vidika analize omrežij, ga lahko interpretiramo kot problem odkrivanja znanja v heterogenih informacijskih omrežjih, obogatenih z besedili. Takim heterogenim omrežjem rečemo tekstovno obogatena heterogena informacijska omrežja.
Glavna hipoteza tega doktorskega dela je, da lahko strukturni (relacijski) podatki, ki so večkrat na voljo v realnih scenarijih rudarjenja besedil, pripomorejo k izboljšanju delovanja algoritmov za reševanje problemov, kot sta klasifikacija in rangiranje besedil. Da bi podprli to hipotezo, smo razvili metodologijo, s katero se da nasloviti različne analitske probleme in relativno velike podatkovne nabore. Glavni motiv za to delo je dejstvo, da obstoječa splošna orodja za tekstovno rudarjenje ne obravnavajo informacij o relacijah med besedili v nekem enotnem, skupnem okolju za odkrivanje znanja. Cilj tega doktorskega dela je torej razviti splošno metodologijo za rudarjenje v tekstovno obogatenih omrežjih v tipičnem okolju za tekstovno rudarjenje.
Glavni doprinos tega doktorskega dela je razvita metodologija za rudarjenje heterogenih informacijskih omrežij, obogatenih z besedili, poimenovana TEHmINe. Osnovana je kot enostavno razumljiv delotok, sestavljen iz uveljavljenih gradnikov za podatkovno in tekstovno rudarjenje. Osnovna funkcionalnost izdelanega delotoka je projekcija besedil in pripadajoče strukture v skupen vektorski prostor, v katerem lahko odkrivamo znanje. Metodologijo lahko uporabimo za reševanje različnih problemov, ki vključujejo heterogena omrežja, zbirke besedil ali kombinacijo obojega. Kot primer pokažemo, da lahko gradnike predlaganega delotoka uporabimo za izredno učinkovito klasifikacijo vozlišč omrežja z metodo najbližjih centroidov in za risanje relativno velikih grafov in omrežij.
Izdelano metodologijo preizkusimo na dveh realnih primerih. Pri primeru kategorizacije videoposnetkov predavanj uporabimo metodologijo TEHmINe za rudarjenje besedil, vključenih v heterogeno strukturno omrežje podatkov. Pokažemo, da vsebuje heterogeno omrežje veliko koristnih informacij in da dobimo z uporabo predlagane metodologije boljše rezultate kot s standardnim postopkom rudarjenja besedil.
Naslednji primer uporabe je iskanje entitet v ontologiji, kjer je osnovna ideja rangiranje entitet glede na uporabnikovo poizvedbo. V ta namen smo metodologijo TEHmINe prilagodili za potrebe iskanja ontoloških entitet. Izvedeno metodologijo smo poimenovali OntoBridge. Pokazali smo, da lahko s kombiniranjem besedil in strukturnih podatkov izboljšamo delovanje algoritma, ki je prvotno uporabljal samo informacije, vsebovane v besedilih.
rudarjenje besedil izgradnja modelov korpusna besedila odkrivanje znanja metodologija rudarjenje