Αποσαφήνιση οντοτήτων με χρήση τεχνικών επιβλεπόμενης μάθησης

Πασχάλης, Ηλίας; Paschalis, Ilias

dc.contributor.author	Πασχάλης, Ηλίας	el
dc.contributor.author	Paschalis, Ilias	en
dc.date.accessioned	2018-11-09T11:20:54Z
dc.date.available	2018-11-09T11:20:54Z
dc.date.issued	2018-11-09
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/47978
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.16135
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Αποσαφήνιση οντοτήτων	el
dc.subject	Wikipedia	el
dc.subject	Ταξινόμηση	el
dc.subject	Συνελικτικό νευρωνικό δίκτυο	el
dc.subject	Αναδρομικό νευρωνικό δίκτυο	el
dc.subject	Entity disambiguation	en
dc.subject	Wikipedia	en
dc.subject	Classification	en
dc.subject	Convolutional neural network	en
dc.subject	Recurrent neural network	en
dc.title	Αποσαφήνιση οντοτήτων με χρήση τεχνικών επιβλεπόμενης μάθησης	el
heal.type	bachelorThesis
heal.classification	Επιστήμη υπολογιστών/Πληροφορική	el
heal.classification	Machine learning	en
heal.classificationURI	http://data.seab.gr/concepts/77de68daecd823babbb58edb1c8e14d7106e83bb
heal.classificationURI	http://id.loc.gov/authorities/subjects/sh85079324
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2018-10-11
heal.abstract	Το πρόβλημα της αποσαφήνισης ονοματικών οντοτήτων αναφέρεται στην αντιστοίχηση των ονοματικών οντοτήτων ενός κειμένου, που είναι συνήθως αμφίσημες, σε οντότητες που ανήκουν σε μια βάση γνώσης. Για την επίλυση του προβλήματος αυτού, θα χρησιμοποιήσουμε δύο προσεγγίσεις που αφορούν μεθόδους επιβλεπόμενης μάθησης. Η πρώτη προσέγγιση χρησιμοποιεί χαρακτηριστικά τα οποία εξάγονται από τη Wikipedia ως βάση γνώσης και σύμφωνα με αυτά εκπαιδεύει ταξινομητές που αξιολογούνται σε ένα σύνολο από τυχαία άρθρα της Wikipedia. Η δεύτερη προσέγγιση στοχεύει να εκμεταλλευτεί τις βαθύτερες τοπικές ομοιότητες μεταξύ της αναφοράς και των πιθανών οντοτήτων της με συνελικτικά νευρωνικά δίκτυα και την καθολική συνοχή μεταξύ των αναφορών ενός κειμένου ως ακολουθίες προβλέψεων μεταβλητού μήκους με χρήση αναδρομικών νευρωνικών δικτύων. Το μοντέλο έπειτα αξιολογείται σε δύο προσημειωμένα σύνολα δεδομένων και τα αποτελέσματα είναι συγκρίσιμα με τα πιο σύγχρονα συστήματα αποσαφήνισης οντοτήτων.	el
heal.abstract	The problem of named entity disambiguation refers to the act of matching named entities in a text, which are usually ambiguous, with entities which belong to a knowledge base. To solve this problem, we will use two approaches which make use of supervised learning methods. The first approach uses features that are extracted from Wikipedia as the knowledge base and with them trains classifiers which are evaluated on a set of random Wikipedia articles. The second approach aims to take advantage of underlying local similarities between a mention and its target entities using convolutional neural networks as well as the global coherence among the mentions in a text as variable length sequences of predictions using recurrent neural networks. This model is then evaluated in two annotated datasets and the results are comparable to state-of-the-art systems.	en
heal.advisorName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Στάμου, Γιώργος	el
heal.committeeMemberName	Νικήτα, Κωνσταντίνα	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	106 σ.
heal.fullTextAvailability	true