Gépi tanulási technikák a szövegbáynászatban

A szövegbányászat célja, hogy az emberek által írt folyó szöveges adattengerből (weblapok, blogok, céges belső jelentések) automatikusan kiemelje a lényeges információt. Ehhez speciális gépi tanulási (mesterséges intelligencia) megoldásokra van szükség, mint például

• Tudásgyűjtés közösségi portálokról (pl. Wikipedia),
• Humán-gép interakció erősítése,
• Szekvenciális tanulási módszerek.

Webbányászat

Az Interneten elérhető adat (aminek 80% folyó szöveg) exponenciálisan növekszik, azonban a jelenlegi keresőrendszerek nem minden esetben képesek a szükséges információ összegyűjtésére. A diplomamunka témája lehet egy bizonyos erősen leszűkített keresésnek a megvalósítása és tesztelése, ami lehet például:

• Üzleti információszerzés, pl. "Mi a szegedi autókereskedések címe és telefonszáma?",
• Trendelemzés, pl. "A számítástechnika területén milyen új termékekről lehet hallani?",
• Vélemény analízis, pl. "Milyen véleménnyel vannak a vásárlók az XY termékről?",
• Dokumentumok címkézése.

vagy a webbányászathoz szükséges alaptechnikák módszeres körüljárása, mint például:

• Szövegrészletek nyelvének azonosítása
• WebSpam detektálás
• Wrapper induction módszerek

BiológiaiEseményekazonosításatermészetesnyelvűszövegekben

Tudományos cikkekben leírt összefüggések, kísérletek (prior-art) ismerete elengedhetetlen a biológus kutatók munkájához. A közlemények nagy száma szükségessé teszi ennek (fél-)automatizálását. A feladat számítógépes nyelvészeti, gépi tanulási megközelítésben a terület egy-egy részproblémájának körüljárása. A feladatokhoz általában rendelkezésre állnak előre feldolgozott tudományos szövegekből álló (tanító) adatbázisok, melyekben a szükséges információt biológusok bejelölték, így azok biológiai ismereteket nem igényelnek. Lehetséges részfeladatok:

• Gének, fehérjék, egyéb biológiai entitások azonosítása
• Génnév normalizáció
• Gén- és fehérje interakciók detektálása
• Tagadásban, spekulációban lévő mondatrészek azonosítása
• Biológiai protokollok felismerése