Document Clustering And Topic Mining / Ομαδοποίηση εγγράφων και εξόρυξη θεμάτων

Summary

The purpose of this thesis is topic of extraction from documents in Greek language and document clustering according to these topics, so that documents that that refer to the same topic or are similar, belong in the same cluster. After researching related work, popular methods of topic extraction models such as the LDA and text representation methods such as BERT and FASTTEXT, which are among the state if the art technologies used to export text representations in the form of vectors, were explored and applied. To evaluate the document clustering performance according to their vector embeddings, several metrics are applied which are suitable for such tasks.

Περίληψη

Ο σκοπός αυτης της διατριβής είναι το θέμα της εξόρυξης θεματων από κείμενα στα ελληνικά και η ομαδοποίηση εγγράφων σύμφωνα με αυτά τα θεματα, έτσι ώστε τα κείμενα που αναφέρονται στο ίδιο θέμα ή είναι παρόμοια, να βρίσκονται στην ίδια ομάδα. Για την αξιολόγηση του clustering, εφαρμόζονται αρκετές μετρικές οι οποίες είναι ενδεδειγμένες για τέτοιου είδους εργασίες.