Automatyczne rozpoznawanie ofert kupna, sprzedaży i zamiany w tekstach w języku polskim
DOI:
https://doi.org/10.18559/pmanf127Słowa kluczowe:
Sprzedaż, Informacja, Źródła informacji, Internet, Oferta handlowaAbstrakt
Artykuł prezentuje wyniki prac i eksperymentów dotyczących problemu przetwarzania niestrukturyzowanych tekstów napisanych w języku polskim w celu identyfikacji w nich ofert kupna, sprzedaży lub wymiany. W badaniach wykorzystano reguły ekstrakcji przygotowane na podstawie przeprowadzonej analizy korpusu. W artykule omówione są wybrane przykłady reprezentujące trudności, jakie niesie ze sobą omawiany problem. Opracowane podejście zostało poddane eksperymentalnej ocenie, na której podstawie skuteczność identyfi kacji ofert została określona na 83% (według miary F1), natomiast określanie typu oferty (czy jest to kupno, czy sprzedaż) działa poprawnie w ponad 95% przypadków.
Pobrania
Bibliografia
Berners-Lee, T., Hendler, J., Lassila, O. i in., 2001, The Semantic Web. Scientific American, 284(5), s. 28-37.
##plugins.generic.googleScholarLinks.settings.viewInGS##
Frank, E. Bouckaert, R. (2006), Naive Bayes for Text Classification with Unbalanced Classes, Knowledge Discovery in Databases: PKDD 2006, s. 503-510.
##plugins.generic.googleScholarLinks.settings.viewInGS##
Joachims, T., 1998, Text Categorization with Support Vector Machines: Learning with Many Relevant Features, Machine learning: ECML-98, s. 137-142.
##plugins.generic.googleScholarLinks.settings.viewInGS##
Mykowiecka, A., Marciniak, M., Kupść, A., 2009, Rule-based Information Extraction from Patients' Clinical Data, Journal of biomedical informatics, vol. 42(5), s. 923-936.
##plugins.generic.googleScholarLinks.settings.viewInGS##
Pham, L.V., Pham, S.B., 2012, Information Extraction for Vietnamese Real Estate Advertisements, Fourth International Conference on Knowledge and Systems Engineering (KSE), s. 181-186.
##plugins.generic.googleScholarLinks.settings.viewInGS##
Sebastiani, F., 2002, Machine Learning in Automated Text Categorization, ACM Comput. Surv., vol. 34(1), s. 1-47.
##plugins.generic.googleScholarLinks.settings.viewInGS##
Soderland, S., 1999, Learning Information Extraction Rules from Semi-structured and Free Text, Machine Learning, vol. 34(1-3), s. 233-272.
##plugins.generic.googleScholarLinks.settings.viewInGS##
Vlas, R.E., Robinson, W.N, 2012, Two Rule-based Natural Language Strategies for Requirements Discovery and Classification in Open Source Soft ware Development Projects, Journal of Management Information Systems, vol. 28(4), s. 11-38.
##plugins.generic.googleScholarLinks.settings.viewInGS##
Wawer, A. (2011), Mining Opinion Attributes From Texts Using Multiple Kernel Learning, IEEE 11th International Conference on Data Mining Workshops.
##plugins.generic.googleScholarLinks.settings.viewInGS##
Wilson, T., Wiebe, J, Hoffmann, P., 2009, Recognizing Contextual Polarity: An Exploration of Features for Phrase-level Sentiment Analysis, Computational linguistics, vol. 35(3), s. 399-433.
##plugins.generic.googleScholarLinks.settings.viewInGS##
Zhang, C., Zhang, X, Jiang, W., Shen, Q., Zhang, S., 2009, Rule-based Extraction of Spatial Relations in Natural Language Text, International Conference on Computational Intelligence and Soft ware Engineering, s. 1-4
##plugins.generic.googleScholarLinks.settings.viewInGS##
