ŘEHŮŘEK, Radim a Petr SOJKA. Software Framework for Topic Modelling with Large Corpora. In Proceedings of LREC 2010 workshop New Challenges for NLP Frameworks. Valletta, Malta: University of Malta, 2010, s. 46--50. ISBN 2-9517408-6-7.
Další formáty:   BibTeX LaTeX RIS
Základní údaje
Originální název Software Framework for Topic Modelling with Large Corpora
Název česky Softwarový framework pro tematickou podobnost ve velkých korpusech
Autoři ŘEHŮŘEK, Radim (203 Česká republika, domácí) a Petr SOJKA (203 Česká republika, garant, domácí).
Vydání Valletta, Malta, Proceedings of LREC 2010 workshop New Challenges for NLP Frameworks, od s. 46--50, 5 s. 2010.
Nakladatel University of Malta
Další údaje
Originální jazyk angličtina
Typ výsledku Stať ve sborníku
Obor Počítačový hardware a software
Stát vydavatele Malta
Utajení není předmětem státního či obchodního tajemství
Forma vydání paměťový nosič (CD, DVD, flash disk)
WWW URL URL URL URL
Kód RIV RIV/00216224:14330/10:00043991
Organizace Fakulta informatiky – Masarykova univerzita – Repozitář
ISBN 2-9517408-6-7
Klíčová slova česky podobnost dokumentů; NLP; software; vektorový model dokumentů; softwarový framework; tematická podobnost dokumentů; Python; IR; LSA; LDA; gensim; DML-CZ
Klíčová slova anglicky document similarity; NLP; software; vector space model; topical modelling; software framework; topical document similarity; Python; IR; LSA; LDA; gensim; DML-CZ
Návaznosti LA09016, projekt VaV. MUNI/E/0084/2009, interní kód Repo. 2C06009, projekt VaV.
Změnil Změnil: RNDr. Daniel Jakubík, učo 139797. Změněno: 1. 9. 2020 11:34.
Anotace
Large corpora are ubiquitous in today's world and memory quickly becomes the limiting factor in practical applications of the Vector Space Model (VSM). We identify gap in existing VSM implementations, which is their scalability and ease of use. We describe a Natural Language Processing software framework which is based on the idea of document streaming, i.e. processing corpora document after document, in a memory independent fashion. In this framework, we implement several popular algorithms for topical inference, including Latent Semantic Analysis and Latent Dirichlet Allocation, in a way that makes them completely independent of the training corpus size. Particular emphasis is placed on straightforward and intuitive framework design, so that modifications and extensions of the methods and/or their application by interested practitioners are effortless. We demonstrate the usefulness of our approach on a real-world scenario of computing document similarities within an existing digital library DML-CZ.
Anotace česky
Velké korpusy jsou dnes všudypřítomné. Při jejich plnotextovém zpracování ve vektorové reprezentaci (podobnost dokumentů) brzy začne být limitujícím faktorem velikost paměti. Identifikovali jsme a zaplnili mezeru v dobře škálovatelné implementaci několika populárních algoritmů. Popisujeme snadno použitelný NLP softwarový framework založený na myšlence proudového zpracování dokumentů, tedy zpracování jednoho dokumentu po druhém, tedy v konstatní paměti vzhledem k počtu dokumentů. Implementujeme několik populárních algoritmů pro tematickou inferenci, včetně Latentní sémantické analýzy a Latentní Dirichletovy alokace způsobem, který je nezávislý na velikosti korpusu. Důraz je kladen na přímočarý a intuitivní design, aby modifikace a rozšíření metod a jejich užití v praxi bylo co nejjednodušší. Demonstrujeme užitečnost našeho přístupu na nasazení software na příkladu počítání podobností dokumentů v existující digitální matematické knihovně DML-CZ.
Typ Název Vložil/a Vloženo Práva
lrec2010-rehurek-sojka.pdf Licence Creative Commons  Verze souboru 9. 1. 2013

Vlastnosti

Název
lrec2010-rehurek-sojka.pdf
Adresa v ISu
https://repozitar.cz/auth/repo/15725/71943/
Adresa ze světa
https://repozitar.cz/repo/15725/71943/
Adresa do Správce
https://repozitar.cz/auth/repo/15725/71943/?info
Ze světa do Správce
https://repozitar.cz/repo/15725/71943/?info
Vloženo
St 9. 1. 2013 11:42

Práva

Právo číst
  • kdokoliv v Internetu
Právo vkládat
 
Právo spravovat
  • osoba RNDr. Daniel Jakubík, uco 139797
  • osoba Mgr. Ľuboš Lunter, uco 143320
Atributy
 
lrec2010-rehurek-sojka.pdf Licence Creative Commons  Verze souboru 1. 9. 2020

Vlastnosti

Název
lrec2010-rehurek-sojka.pdf
Adresa v ISu
https://repozitar.cz/auth/repo/15725/892697/
Adresa ze světa
https://repozitar.cz/repo/15725/892697/
Adresa do Správce
https://repozitar.cz/auth/repo/15725/892697/?info
Ze světa do Správce
https://repozitar.cz/repo/15725/892697/?info
Vloženo
Út 1. 9. 2020 11:34

Práva

Právo číst
  • kdokoliv v Internetu
Právo vkládat
 
Právo spravovat
  • osoba Mgr. Lucie Vařechová, uco 106253
  • osoba RNDr. Daniel Jakubík, uco 139797
  • osoba Mgr. Jolana Surýnková, uco 220973
Atributy
 
Vytisknout
Přidat do schránky Zobrazeno: 16. 8. 2024 12:13