Shlukování textových dokumentů

Abstract

Diplomová práce si klade za cíl usnadnit orientaci v dokumentech s použitím shlukovacích metod. V teoretické části se definují základní pojmy shlukování a popisují dílčí fáze procesu shlukování. V této sekci se klasifikují a popisují jednotlivé metody pro shlukování kolekcí dokumentů. Další částí diplomové práce je rozbor možností použití shlukování jako nástroje pro zlepšení orientace v dokumentech. Práce uvádí možnosti použití přímého shlukování kolekce dokumentů a navázání shlukování na vyhledávací stroj. V rámci práce je také uvedeno několik již existujících implementací shlukování a jejich srovnání. Pro implementaci byl zvolen směr navázání shlukování na vyhledávací stroj. V návaznosti na tuto volbu se provádí diskuze vhodnosti jednotlivých algoritmů pro tento účel použití. Nejvhodnější z uvedených algoritmů byl na základě diskuze zvolen algoritmus hierarchického shlukování. Další sekce se věnuje návrhu implementace systému včetně realizace napojení na již existující vyhledávací stroj Egothor. V poslední fázi je provedeno celkové zhodnocení implementovaného systému a je uvedeno několik možností dalšího rozšíření.

The goal of this diploma thesis is to facilitate the orientation in collection of documents with the assistance of clustering methods. In the theoretical part there are defined the basic definitions of clustering and description of the phases of clustering process. There are also classified and described the basic methods of clustering collection of documents. Next section of diploma thesis analyzes the options to use clustering as an instrument of improvement of orientation in the collection of documents. Our work brings up the following options of using clustering: direct clustering of collection or the option to attach clustering to the search engine. In diploma thesis there are also mentioned some existing implementations of clustering and their comparison. For the implementation there was chosen the direction to join clustering system to the results of search engine. In this context there is a discussion of suitability of previously mentioned algorithms. On the basis of previous discussion results there was chosen the algorithm of hierarchical clustering. Next section is aimed to design the system implementation including realization of connection to existing search engine Egothor. In the last phase there are reported overall evaluations and results of implemented system. And finally, there are listed...