Αυτόματη εξαγωγή περίληψης με χρήση νευρωνικών δικτύων γράφων και θεματικής μοντελοποίησης
| datacite.contributor.RelatedPerson | Μακρής, Χρήστος | |
| datacite.contributor.RelatedPerson | Τσώλης, Δημήτρης | |
| datacite.contributor.Supervisor | Σιούτας, Σπύρος | |
| datacite.contributor.Supervisor | Δρακόπουλος, Γεώργιος | |
| dc.contributor.author | Αρβανίτης, Ερμής Ιωάννης | |
| dc.contributor.other | Arvanitis, Ermis Ioannis | |
| dc.date.accessioned | 2023-05-31T10:12:04Z | |
| dc.date.available | 2023-05-31T10:12:04Z | |
| dc.date.issued | 2023-06-29 | |
| dc.degree | graduateThesis | |
| dc.description.abstract | Η εποχή μας χαρακτηρίζεται τον τεράστιο όγκο πληροφορίας με τον οποίο έρχεται αντιμέτωπος ο σημερινός άνθρωπος. Προκειμένου να μπορέσει να την διαχειριστεί αποτελεσματικά είναι σημαντικό να μπορεί να έχει την δυνατότητα να διαβάσει συνόψεις έναντι ολόκληρου του κειμένου ή άρθρου. Οπότε κρίνονται ιδιαίτερα χρήσιμα τα συστήματα που παράγουν αυτοματοποιημένες περιλήψεις ώστε να μπορέσουν να διευκολύνουν τον αναγνώστη. Όμως οι περιλήψεις που παράγονται από υπολογιστές δυσκολεύονται να εντοπίσουν την σχέση μεταξύ προτάσεων καθώς χρησιμοποιούνται κυρίως ακολουθιακά νευρωνικά δίκτυα. Έτσι κρίνεται αναγκαίο να χρησιμοποιηθούν διαφορετικές μοντελοποιήσεις των κειμένων έτσι ώστε να αναπαρίστανται καλύτερα τα δεδομένα. Αυτό το πρόβλημα έρχονται να λύσουν τα Graph Neural Networks τα οποία είναι ικανά να διαχειριστούν δεδομένα τα οποία που έχουν μορφή γραφήματος. Συνεπώς μπορούμε να δώσουμε σαν είσοδο σε αυτά τα δίκτυα γραφήματα που αναπαριστούν τις σχέσεις μεταξύ των προτάσεων εμπλουτισμένα με επιπλέον χρήσιμες πληροφορίες. Αυτή η προσέγγιση έχει αποδώσει αξιοσημείωτα αποτελέσματα ιδίως σε μεγάλα κείμενα που η πληροφορία μπορεί να επαναλαμβάνεται σε διαφορετικά σημεία του κειμένου. Σε αυτή την διπλωματική θα γίνει μια ανασκόπηση γύρω από την θεωρία πίσω από την μηχανική μάθηση μέσω γραφημάτων, θα αναλυθεί το πρόβλημα της αυτοματοποιημένης περίληψης και τέλος θα υλοποιηθεί και θα αξιολογηθεί ένα σύστημα το οποίο θα παράγει αυτοματοποιημένες περιλήψεις με εξαγωγικό τρόπο με την χρήση Νευρωνικών Δικτύων Γράφων και Θεματικής Μοντελοποίησης. | |
| dc.description.translatedabstract | Our era can be characterized by the enormous amount of information that today’s individual has to handle. In order for the man of today to be able to manage this bulk of information effectively it is important to have the ability to read summaries instead of the entire text or article. Therefore, systems that generate automated summaries are considered particularly useful to facilitate the reader. However, the relation between sentences cannot be easily identified in computer-generated summaries since sequential neural networks are primarily used. So, it becomes necessary to model the texts in a way that captures better the inter-sentence relationship. This problem is effectively solved by the Graph Neural Networks, which are capable of handling data in graph form. Thus, we can give as input to these networks graphs that depict the relationships between the sentences enriched with additional useful information. This approach has produced remarkable results especially in long texts because there might be repeated information in different parts of the text. The present dissertation focuses on a review of the theory behind machine learning with graphs. Also, the problem of automated summarization is discussed and finally, a system that generates extractive automated summaries with the use of Graph Neural Networks and Topic modeling will be implemented and evaluated. | |
| dc.identifier.uri | https://hdl.handle.net/10889/25021 | |
| dc.language.iso | el | |
| dc.rights | Attribution-NonCommercial-NoDerivs 3.0 United States | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/us/ | * |
| dc.subject | Αυτοματοποιημένη περίληψη | |
| dc.subject | Νευρωνικά δίκτυα γράφων | |
| dc.subject | Θεματική μοντελοποίηση | |
| dc.subject.alternative | Automatic text summarization | |
| dc.subject.alternative | Graph Neural Networks (GNNs) | |
| dc.subject.alternative | Topic modeling | |
| dc.title | Αυτόματη εξαγωγή περίληψης με χρήση νευρωνικών δικτύων γράφων και θεματικής μοντελοποίησης | |
| dc.title.alternative | Extractive summarization using graph neural networks and topic modeling |