Expert classification and retrieval
Klasifikace a vyhledávání expertů
diploma thesis (DEFENDED)
![Document thumbnail](/bitstream/handle/20.500.11956/116601/thumbnail.png?sequence=8&isAllowed=y)
View/ Open
Permanent link
http://hdl.handle.net/20.500.11956/116601Identifiers
Study Information System: 212569
Collections
- Kvalifikační práce [10923]
Author
Advisor
Referee
Vomlelová, Marta
Faculty / Institute
Faculty of Mathematics and Physics
Discipline
Artificial Intelligence
Department
Institute of Formal and Applied Linguistics
Date of defense
3. 2. 2020
Publisher
Univerzita Karlova, Matematicko-fyzikální fakultaLanguage
English
Grade
Very good
Keywords (Czech)
vyhledávání expertů, klasifikace expertů, neuronové sítě, vícetřídní klasifikaceKeywords (English)
expert finding, expert profiling, neural networks, multi-class classificationHledání expertů je běžné téma, zvláště v prostředí organizace. Základní úkon, kterým je získávání expertů, zařazuje osoby do různých oborů a dále může být použítý k je- jich klasifikaci. V současné době je většina postupů používaných k řešení tohoto úkonu založena na tradičním vyhledávání pomocí dostupných dokumentů a nezvažuje použití informací, které jsou dostupné z předchozích klasifikací. Tato práce představuje postup, při němž se osoby zařazují do oborů trénováním vícetřídního klasifikátoru na základě dostupných dat o osobách. Vstupy, kterými jsou dokumenty související s odbornou čin- ností autorů a cílová data, jako informace z profilu kandidáta na experta v daném oboru, byly připraveny prostřednictvím učení bez učitele a jsou použity k trénování neuronové sítě. Dále jsou hodnoceny efekty uspořádní podle fíčur a konvoluční vrstvy. Experimenty ukazují, že klasifikace expertů není vhodná pouze pro doporučovací systémy, ale také představuje jednu z cest pro efektivní hledání expertů, jelikož dosahuje srovnatelných výsledků v moderních benchmark testech, jako je TREC Enterprise. 1
Searching for experts is a common demand, especially within organizations. A general task called expertise retrieval relates people to topics and, therefore, can be used for expert finding and/or profiling experts. Currently, most approaches used to solve this task are based on traditional document retrieval methods and do not consider prior profiling information available. In this thesis, it is proposed to map people to topics by training a multi-class classifier using available profile data. The inputs (documents associated to candidates by authorship or other relations) and target data (profile information) were prepared by unsupervised document classification methods and were used to train a neural network. The effects of feature ordering and a convolutional layer are also evaluated. The experiments show that profiling the experts is not only suitable for a recommender system, but also an effective way for expert finding, achieving a performance comparable to state of the art in benchmark tasks such as TREC Enterprise. 1