prikaz prve stranice dokumenta Modeli dubokog učenja za ekstraktivno sažimanje dokumentata
Rad nije dostupan
završni rad
Modeli dubokog učenja za ekstraktivno sažimanje dokumentata
Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2019. urn:nbn:hr:168:232052
Vladika, Juraj
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva

Institucijski repozitorij: Repozitorij FER-a

Citirajte ovaj rad

Vladika, J. (2019). Modeli dubokog učenja za ekstraktivno sažimanje dokumentata (Završni rad). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:232052

Vladika, Juraj. "Modeli dubokog učenja za ekstraktivno sažimanje dokumentata." Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2019. https://urn.nsk.hr/urn:nbn:hr:168:232052

Vladika, Juraj. "Modeli dubokog učenja za ekstraktivno sažimanje dokumentata." Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2019. https://urn.nsk.hr/urn:nbn:hr:168:232052

Vladika, J. (2019). 'Modeli dubokog učenja za ekstraktivno sažimanje dokumentata', Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 26.11.2024., https://urn.nsk.hr/urn:nbn:hr:168:232052

Vladika J. Modeli dubokog učenja za ekstraktivno sažimanje dokumentata [Završni rad]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2019 [pristupljeno 26.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:232052

J. Vladika, "Modeli dubokog učenja za ekstraktivno sažimanje dokumentata", Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2019. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:232052

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:232052
Podaci o radu
NaslovModeli dubokog učenja za ekstraktivno sažimanje dokumentata
Naslov (engleski)Deep Learning Models for Extractive Document Summarization
AutorJuraj Vladika
MentorJan Šnajder (mentor)
Član povjerenstvaJan Šnajder (predsjednik povjerenstva)
Član povjerenstvaDomagoj Alagić (član povjerenstva)
Član povjerenstvaMartin Tutek (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zagreb
Datum i država obrane2019-07-12, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Sažetak
Područje obrade prirodnog jezika nastalo je kao spoj lingvistike, računarske znanosti i umjetne inteligencije, a bavi se analizom i sintezom ljudskog jezika u svim oblicima. U zadnje vrijeme najčešće se problemi unutar područja rješavaju modelima strojnog i dubokog učenja. Ekstraktivno sažimanje dokumenata jedan je od problema u području, a cilj mu je izraditi kratak prikaz sadržaja teksta dokumenta birajući pridom najreprezentativnije rečenice. U ovom je radu predloženo nekoliko matematičkih modela za rješavanje problema. Glavni od njih temeljio se na povratnoj neuronskoj mreži, točnije njezinim arhitekturama LSTM i GRU. Dan je pregled teorijskih osnova potrebnih za razumijevanje rada umjetnih neuronskih mreža te prikaza teksta u računalu s pomoću vektorske reprezentacije riječi. Testirana je važnost značajki koje su određivale prikladnost uključivanja rečenica dokumenta u sažetak kao što su sadržajnost, isturenost, novost te relativni i apsolutni položaj. Dana je analiza i pregled rezultata nekoliko varijanti modela te usporedba s referentnim (osnovnim) modelom. Primijećena je značajna prednost modela dubokog učenja nad tradicionalnim modelima.
Sažetak (engleski)
Natural language processing is a field that emerged as a mixture of linguistics, computer science and artificial intelligence, and it deals with analysis and synthesis of human language in all of its forms. Lately the most common method of solving problems in the field was using models of machine learning and deep learning. Extractive document summarization is one of the problems in the field, and its goal is to make a short overview of document's content by chosing the most representative sentences. In this thesis several mathematical models for solving this problem were suggested. The main one was based on a recurrent neural network, more precisely its LSTM and GRU architecture. An overview of theoretical foundation needed for understanding the work of artificial neural networks and representation of words using vectors was given. The importance of features that determined the likelihood of including a hiven sentence in the summary was tested, such as content, novelty, salience, and relative and absolute position. A significant imporvement of models based on deep learning in comparison to traditional models was noticed.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:168:232052
Studijski programNaziv: Računarstvo
Vrsta studija: sveučilišni
Stupanj studija: preddiplomski
Akademski / stručni naziv: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (univ.bacc.ing.comp.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaZatvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Javna napomena
Datum i vrijeme pohrane2020-01-07 22:53:20