Graph-based text classification

Text Analytics using semantic information is the latest trend of research due to its potential to represent better the texts content compared with the bag-of-words approaches. On the contrary, representation of semantics through graphs has several advantages over the traditional representation of feature vector. Therefore, error tolerant graph matching techniques can be used for text comparison. Nevertheless, not many methodologies exist in the literature which expresses semantic representations through graphs. The present system is designed to deal with cross level semantic similarity analysis as proposed in the SemEval-2014 : Semantic Evaluation, International Workshop on Semantic Evaluation, Dublin, Ireland.

show abstract

“…The minimum common supergraph ( ) (Angelova & Weikum, 2006) is formed using the union of two graphs, i.e.…”

Section: Similarity Metrics For Graphsmentioning

confidence: 99%

“…) (Angelova & Weikum, 2006) is formed using the union of two graphs, i.e. It is worthy to note that label matching that is performed during the above mentioned step may not necessarily be exact matching.…”

Section: Similarity Metrics For Graphsmentioning

confidence: 99%

JU-Evora: A Graph Based Cross-Level Semantic Similarity Analysis using Discourse Information

Ghosh

Das

Gonçalves

et al. 2014

Proceedings of the 8th International Workshop on Semantic Evaluation (SemEval 2014)

View full text Add to dashboard Cite

show abstract

“…Tree-based classifiers such as decision tree algorithms and random forest algorithms have been known to be efficient algorithms in text classification [17]. Automatic classification of text documents can also be achieved by employing graph based algorithms such as conditional random fields (CRF) which are implemented by considering the neighborhood of data items in a graph structure [18]. Lately, deep learning approaches have paved great pathways for classification algorithms.…”

Section: Introductionmentioning

confidence: 99%

Supreme court dialogue classification using machine learning models

Joseph

Adiyillam

2023

IJECE

View full text Add to dashboard Cite

Legal classification models help lawyers identify the relevant documents required for a study. In this study, the focus is on sentence level classification. To be more precise, the work undertaken focuses on a conversation in the supreme court between the justice and other correspondents. In the study, both the naïve Bayes classifier and logistic regression are used to classify conversations at the sentence level. The performance is measured with the help of the area under the curve score. The study found that the model that was trained on a specific case yielded better results than a model that was trained on a larger number of conversations. Case specificity is found to be more crucial in gaining better results from the classifier.

show abstract

“…Diferentes tipos de objetos e diferentes tipos de relações podem ser usadas para gerar o grafo. Documentos podem ser conectados de acordo com "relações explícitas", como hiperlinks e citações (OH;MYAENG;LEE, 2000;SUN et al, 2009), ou considerando similaridade (ANGELOVA;WEIKUM, 2006). Termos podem ser conectados por precedência no texto (AGGARWAL; ZHAO, 2013), se eles apresentam relação semântica ou sintática (STEYVERS; TENENBAUM, 2005), ou se eles coocorrem na coleção de texto ou em sentenças (PALSHIKAR, 2007).…”

Section: Trabalhos Relacionadosunclassified

“…Para criar um grafo no contexto textual, os vértices podem ser associados a documentos, palavras, pedaços de textos, sentenças ou parágrafos, e todos esses objetos podem ser combinados em pares para descrever uma aresta. Normalmente, redes homogêneas podem ser criadas considerando relações explícitas entre pares de documentos (OH;MYAENG;LEE, 2000;SUN et al, 2009), ou considerando métricas de similaridade entre documentos (ANGELOVA;WEIKUM, 2006). Em relação a grafos heterogêneos no contexto textual, os termos podem ser conectados a documentos (ROSSI et al, 2014;DHILLON, 2001) ou sentenças (WAN; YANG; XIAO, 2007) no qual eles ocorrem.…”

Section: Aprendizado Transdutivo Em Grafosunclassified

Propagação em grafos bipartidos para extração de tópicos em fluxo de documentos textuais

Faleiros¹

View full text Add to dashboard Cite

À Deus pelo amparo naquela hora de dificuldade. Aos meus pais Vilma Faleiros de Paulo e João Batista de Paulo, pelo grande apoio e incentivo durante o desenvolvimento de meus estudos. A Juliana Aliques, pela paciência, por acreditar na minha capacidade e por estar ao meu lado. A todos os amigos e colegas do LABIC, pela convivência diária e pelas "hora do café", que foram uma excelente forma de desestressar. Em especial, gostaria de agradecer pelo companheirismo e colaboração nos trabalhos realizados aos até então alunos Jorge Valverde-Rebaza, Lilian Berton, Alan Valejo, Rafael Rossi e Ricardo Puma. Ao meu orientador prof. Dr. Alneu de Andrade Lopes, por me orientar e acreditar no meu trabalho. Não me recordo se alguma vez ele gastou mais de uma semana para revisar algum texto meu. Mas isso só mostra o seu comprometimento em auxiliar os seus alunos. Ao prof. Dr. Jordan Boyd-Graber e a University of Maryland por aceitarem o meu projeto de estágio no exterior. À Fundação de Amparo à Pesquisa do Estado de São Paulo (processo n o 2011/23689-9, FAPESP), pela concessão da bolsa de doutorado, pelo apoio financeiro para a realização desta pesquisa e pelo financiamento do estágio sanduíche. À USP pela infra-estrutura oferecida. "...Quem gosta de viver não tem preguiça de reinventar, nem medo de ousar. Quem gosta de viver não tem medo de ternura, da gentileza, do amor. Quem gosta de viver, educa!..." (Gabriel Chalita) Palavras-chave: Aprendizado em grafos bipartidos, extração de tópicos, fluxo de dados textuais, redução de dimensionalidade.

show abstract

Graph-based text classification

Cited by 113 publications

References 10 publications

JU-Evora: A Graph Based Cross-Level Semantic Similarity Analysis using Discourse Information

JU-Evora: A Graph Based Cross-Level Semantic Similarity Analysis using Discourse Information

Supreme court dialogue classification using machine learning models

Propagação em grafos bipartidos para extração de tópicos em fluxo de documentos textuais

Contact Info

Product

Resources

About