Detekce polarity textu s využitím mezijazyčné transformace

Šmíd, Jakub

Detekce polarity textu s využitím mezijazyčné transformace

dc.contributor.advisor	Přibáň Pavel, Ing.
dc.contributor.author	Šmíd, Jakub
dc.contributor.referee	Pražák Ondřej, Ing.
dc.date.accepted	2021-6-15
dc.date.accessioned	2021-06-25T12:33:22Z
dc.date.available	2020-10-5
dc.date.available	2021-06-25T12:33:22Z
dc.date.issued	2021
dc.date.submitted	2021-5-6
dc.description.abstract	Tato bakalářská práce se zabývá detekcí polarity textu s využitím mezijazyčných transformací. Mezijazyčné transformace patří mezi metody, které umožňují přenos znalostí mezi jazyky. Konkrétně v této práci jsou použita anglická anotovaná data pro detekci polarity v českém textu. V rámci práce jsou navrženy a implementovány dva modely neuronových sítí - LSTM a CNN - v kombinaci se slovními vektory fastText. Modely jsou následně s využitím lineárních mezijazyčných transformací natrénovány na anglických datech a vyhodnoceny na českých datech. Výsledky těchto experimentů jsou porovnány s modely, které byly trénovány i vyhodnoceny pouze na češtině. Srovnání ukazuje, že s dostatečným množstvím výhradně anglických dat lze dosáhnout velmi dobrých výsledků, které jsou jen o 5 až 6 % horší v porovnání s modely trénovanými jen na českých datech.	cs
dc.description.abstract-translated	This bachelor's thesis focuses on text polarity detection using cross-lingual transformations. Cross-lingual transformations are among the methods that allow the transfer of knowledge between languages. Specifically, in this work, the English annotated data are used for polarity detection in Czech text. Within the thesis, two neural network models - LSTM and CNN - are proposed and implemented in combination with fastText word embeddings. The models are then trained on English data and evaluated on Czech data using linear cross-lingual transformations. The results of these experiments are compared with models that have been trained and evaluated only on Czech data. The comparison shows that with a sufficient amount of exclusively English data, it is possible to achieve very good results, which are only 5 to 6% worse compared to models trained only on Czech data.	en
dc.description.result	Obhájeno	cs
dc.format	74 s.	cs
dc.format.mimetype	application/pdf
dc.identifier	86474
dc.identifier.uri	http://hdl.handle.net/11025/44232
dc.language.iso	cs	cs
dc.publisher	Západočeská univerzita v Plzni	cs
dc.rights	Plný text práce je přístupný bez omezení.	cs
dc.rights.access	openAccess	en
dc.subject	detekce polarity	cs
dc.subject	mezijazyčné transformace	cs
dc.subject	strojové učení	cs
dc.subject	zpracování přirozeného jazyka	cs
dc.subject	neuronové sítě	cs
dc.subject	analýza sentimentu	cs
dc.subject.translated	polarity detection	en
dc.subject.translated	cross-lingual transformations	en
dc.subject.translated	machine learning	en
dc.subject.translated	natural language processing	en
dc.subject.translated	neural networks	en
dc.subject.translated	sentiment analysis	en
dc.thesis.degree-grantor	Západočeská univerzita v Plzni. Fakulta aplikovaných věd	cs
dc.thesis.degree-level	Bakalářský	cs
dc.thesis.degree-name	Bc.	cs
dc.thesis.degree-program	Inženýrská informatika	cs
dc.title	Detekce polarity textu s využitím mezijazyčné transformace	cs
dc.title.alternative	Text polarity detection using cross-lingual transformation	en
dc.type	bakalářská práce	cs
local.relation.IS	https://portal.zcu.cz/StagPortletsJSR168/CleanUrl?urlid=prohlizeni-prace-detail&praceIdno=86474