prikaz prve stranice dokumenta Postupci prilagodbe domeni za analizu sentimenta u tekstu
Rad nije dostupan
diplomski rad
Postupci prilagodbe domeni za analizu sentimenta u tekstu
Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2017. urn:nbn:hr:168:993949
Paradžik, Matej
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva

Institucijski repozitorij: Repozitorij FER-a

Citirajte ovaj rad

Paradžik, M. (2017). Postupci prilagodbe domeni za analizu sentimenta u tekstu (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:993949

Paradžik, Matej. "Postupci prilagodbe domeni za analizu sentimenta u tekstu." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2017. https://urn.nsk.hr/urn:nbn:hr:168:993949

Paradžik, Matej. "Postupci prilagodbe domeni za analizu sentimenta u tekstu." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2017. https://urn.nsk.hr/urn:nbn:hr:168:993949

Paradžik, M. (2017). 'Postupci prilagodbe domeni za analizu sentimenta u tekstu', Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 26.12.2024., https://urn.nsk.hr/urn:nbn:hr:168:993949

Paradžik M. Postupci prilagodbe domeni za analizu sentimenta u tekstu [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2017 [pristupljeno 26.12.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:993949

M. Paradžik, "Postupci prilagodbe domeni za analizu sentimenta u tekstu", Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2017. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:993949

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:993949
Podaci o radu
NaslovPostupci prilagodbe domeni za analizu sentimenta u tekstu
Naslov (engleski)Domain Adaptation for Sentiment Analysis from Text
AutorMatej Paradžik
MentorJan Šnajder (mentor)
Član povjerenstvaJan Šnajder (predsjednik povjerenstva)
Član povjerenstvaAnte Đerek (član povjerenstva)
Član povjerenstvaLeonardo Jelenković (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zagreb
Datum i država obrane2017-07-13, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Sažetak
Uobičajeni pristup izgradnji sustava za analizu sentimenta temelji se na klasifikaciji sentimenta korištenjem algoritama nadziranog strojnog učenja. Da bi takav sustav radio dobro, dokumenti, čiji sentiment će naučeni klasifikator predviđati, trebali bi biti iz iste domene kao i dokumenti na kojima je klasifikator učen. Umjesto skupog označavanja dokumenata za svaku novu domenu, moguće je iskoristiti postojeće označene dokumente iz neke druge domene i primijeniti neki postupak prilagodbe domeni. U ovom radu proučeni su postupci prilagodbe domeni temeljeni na dodjeljivanju težina (engl. instance weighting) i postupci temeljeni na promjeni prostora značajki (engl. change of representation). Proučeni postupci iskorišteni su za prilagodbu domene pri učenju klasifikatora sentimenta temeljenog na stroju potpornih vektora. Postupci prilagodbe domene eksperimentalno su vrednovani pri izgradnji klasifikatora sentimenta za hrvatski i engleski jezik. Kao najbolji postupak za prilagodbu domene pokazala se primjena marginaliziranih odšumljavajućih naslaganih autoenkodera (engl. marginalized denoising stacked autoencoders).
Sažetak (engleski)
Typical sentiment analysis systems are based on supervised classification algorithms which, in order to work well, assume that documents used for training of a classifier come from the same domain as documents sentiment of which classifier will be used to predict. In order to alleviate the need for labeling documents for each new domain of interest, domain adaptation techniques can be used with already available documents from some different domain. This thesis studies several domain adaptation techniques based on instance weighting and change of representation. The studied techniques were used for building domain-adapted sentiment classifiers based on linear support vector machine. The performance of domain-adapted classifiers was experimentally evaluated on texts in Croatian and English languages. Using domain adaptation technique based on marginalized denoising stacked autoencoders gave the best results across all domain adaptation tasks in both languages.
Ključne riječi
Ključne riječi (engleski)
Jezikengleski
URN:NBNurn:nbn:hr:168:993949
Studijski programNaziv: Računarstvo
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaZatvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Javna napomena
Datum i vrijeme pohrane2019-03-13 23:38:18