prikaz prve stranice dokumenta Improvements of a local bibliographic citation recommendation model based on hyperparameter and query optimization
  Preuzmi
PDF 2.63 MB
disertacija
Improvements of a local bibliographic citation recommendation model based on hyperparameter and query optimization
Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2023. urn:nbn:hr:168:982806
Medić, Zoran
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zavod za elektroniku, mikroelektroniku, računalne i inteligentne sustave

Institucijski repozitorij: Repozitorij FER-a

Citirajte ovaj rad

Medić, Z. (2023). Improvements of a local bibliographic citation recommendation model based on hyperparameter and query optimization (Disertacija). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:982806

Medić, Zoran. "Improvements of a local bibliographic citation recommendation model based on hyperparameter and query optimization." Disertacija, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2023. https://urn.nsk.hr/urn:nbn:hr:168:982806

Medić, Zoran. "Improvements of a local bibliographic citation recommendation model based on hyperparameter and query optimization." Disertacija, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2023. https://urn.nsk.hr/urn:nbn:hr:168:982806

Medić, Z. (2023). 'Improvements of a local bibliographic citation recommendation model based on hyperparameter and query optimization', Disertacija, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 26.11.2024., https://urn.nsk.hr/urn:nbn:hr:168:982806

Medić Z. Improvements of a local bibliographic citation recommendation model based on hyperparameter and query optimization [Disertacija]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2023 [pristupljeno 26.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:982806

Z. Medić, "Improvements of a local bibliographic citation recommendation model based on hyperparameter and query optimization", Disertacija, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2023. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:982806

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:982806
Podaci o radu
NaslovImprovements of a local bibliographic citation recommendation model based on hyperparameter and query optimization
Naslov (hrvatski)Poboljšanja modela za lokalno preporučivanje bibliografskih izvora temeljena na optimizaciji hiperparametera i upita
AutorZoran Medić
MBZ: 382091
MentorJan Šnajder (mentor)
Član povjerenstvaDomagoj Jakobović (predsjednik povjerenstva)
Član povjerenstvaMarko Đurasević (član povjerenstva)
Član povjerenstvaPetra Bago (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
(Zavod za elektroniku, mikroelektroniku, računalne i inteligentne sustave)
Zagreb
Datum i država obrane2023-04-25, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Univerzalna decimalna klasifikacija
(UDC)		004 - Računalna znanost i tehnologija. Računalstvo. Obrada podataka
Sažetak
The thesis focuses on analyzing improvements of a natural language processing and deep learning-based (DL) model for local citation recommendation (LCR) based on optimizing design choices when building LCR systems and enhancing LCR queries by combining LCR with global citation recommendation (GCR) queries. While the research on LCR presented various successful models for the task, many influential design choices have been overlooked in training such models. Moreover, previous research has not dealt with tasks that fit between the general recommendations obtained by GCR and the very specific ones obtained by LCR, which are arguably more practically relevant. To address these research gaps, the thesis proposes a new method for enhancing context representation in LCR systems and analyses how specific design choices affect the performance of an LCR pipeline system. The experiments conducted on two widely used LCR datasets show improvement in performance when using enhanced context representation in cases of datasets with smaller context sizes and also show the significant impact that previously overlooked design choices have on the performance of LCR systems. To address the gap in the usability of the existing LCR and GCR models in practice, the thesis proposes a new CR task called paragraph-level citation recommendation (PCR) that proposes citations to cite in a paragraph based on its topic sentence. Along with the task, a dataset and a model for PCR are presented and evaluated.
Sažetak (hrvatski)
Doktorski rad fokusiran je na analizu poboljšanja sustava za lokalno preporučivanje bibliografskih izvora (LPBI), temeljenog na obradi prirodnog jezika i dubokom učenju, pomoću optimizacije izbora oblikovanja pri izgradnji sustava za LPBI i poboljšanja oblikovanja upita za LPBI kombiniranjem upita za LPBI s upitima za globalno preporučivanje bibliografskih izvora (GPBI). Iako su u istraživanjima o razvoju sustava za LPBI predstavljeni brojni uspješni sustavi, mnogi značajni izbori oblikovanja bili su zanemareni pri izgradnji takvih sustava. Također, prethodna istraživanja nisu se bavila zadacima koji bi bili prikladni kao preporuke između općih preporuka dobivenih modelom za GPBI i onih vrlo specifičnih dobivenih modelim za LPBI. Kako bi se odgovorilo na prethodno zanemarena pitanja u istraživanjima, rad predlaže novu metodu za proširenje reprezentacije konteksta u sustavima za LPBI te analizira kako specifični izbori oblikovanja utječu na performance sustava za LPBI. Eksperimenti provedeni na dva često korištena skupa podataka za LPBI pokazuju poboljšanje performanci pri korištenju proširene reprezentacije konteksta u slučajevima skupova podataka s manjim veličinama konteksta, te također pokazuju značajan utjecaj koji prethodno zanemareni izbori oblikovanja imaju na performance sustava za LPBI. Kako bi se riješio jaz u upotrebljivosti postojećih modela za LPBI i GPBI u praksi, u radu se predlaže novi zadatak za PBI nazvan preporučivanje bibliografskih izvora na razini odlomka (OPBI) u kojem model na temelju tematske rečenice predlaže bibliografske izvore kao preporuke za citiranje u nastavku odlomka. Uz zadatak su predstavljeni i skup podataka te model za OPBI.
Ključne riječi
Ključne riječi (hrvatski)
Jezikengleski
URN:NBNurn:nbn:hr:168:982806
Datum promocije2023
Studijski programNaziv: Računarstvo
Vrsta studija: sveučilišni
Stupanj studija: poslijediplomski znanstveni (doktorski)
Akademski / stručni naziv: Doktor znanosti (dr. sc.)
Vrsta resursaTekst
Opsegx, 88 str. : graf. prikazi ; 31 cm.
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2023-09-19 15:48:21