Skip to content
Free planNo credit card requiredStart writing
AI for Research home
AI for Research home
Dashboard
Sign inGet started

Search 250 million research papers

Read the abstract, see who wrote it and who cites it, and get the citation in APA, MLA, Chicago or Harvard.

About 10,000 papers for “document classification”

Document Classification

Marek, Tomáš · Brno University of Technology Digital Library (Brno University of Technology) · 2013

Tato práce se zabývá problematikou klasifikace textových dokumentů, a to především metodami klasifikace textu. Hlavním cílem této práce je rozebrat dva algoritmy pro klasifikaci dokumentů, implementovat je a následně porovnat. Byl zvoleny algoritmy Bayesovského klasifikátoru a klasifikátoru založeného na metodě support vector machines (SVM), které jsou v této práci podrobně analyzovány a popsány. Jedním z cílů této práce bylo optimálně vytvořit a vybrat příznaky, které by co nejvíce napomohly klasifikaci textu. V závěru práce je provedeno množství testů, ukazujících účinnost obou klasifikátorů za různých podmínek.

Cited by 0

Document Classification

Dunja Mladenić, Janez Brank, Marko Grobelnik · Encyclopedia of Machine Learning and Data Mining · 2016

Cited by 1

Document Classification

Dunja Mladenić, Janez Brank, Marko Grobelnik · Encyclopedia of Machine Learning and Data Mining · 2017

Cited by 3

Document Classification

Advances in data mining and database management book series · 2020

Keywords can be used as attributes for mining rules or as a basis for measuring the similarity of new (unclassified) documents with existing (classified) ones. The focus is on the problem of extracting keywords from document collection in order to use them as attributes for document classification. Document classification is a hot topic in machine learning. Typical approaches extract “features,” generally words, from document, and use the feature vectors as input to a machine learning scheme that learns how to classify documents. This “bag of keywords” model neglects keyword order and contextual effects.

Cited by 1

Text document classification

Humpolíček, Jiří · Digital Repository (National Repository of Grey Literature) · 2006

In this report, we propose four feature selection algorithms based on the Best Individual Feature method and one based on the sequential method. After that the best method is selected for following classifier methods comparison. In this step we compare classification performance and computation expense of two classifiers based on Naive Bayes and third classifier is SVM. Classification performance is tested on the Reuters data set and Newsgroup data set. Finally we shows results on the multi-labelled subset of the Reuters data set.

Cited by 0

SMART DOCUMENT CLASSIFICATION

Tanmay Magadum · INTERANTIONAL JOURNAL OF SCIENTIFIC RESEARCH IN ENGINEERING AND MANAGEMENT · 2023

Smart document classification using Naive Bayes is a method used for organizing large volumes of unstructured data into categories or classes. This method uses the Naive Bayes algorithm's probabilistic approach to determine the likelihood that a text falls into a specific category based on the frequency of its words. A machine learning approach called Naive Bayes is used to forecast the likelihood of a particular category depending on the characteristics of the document. For text classification applications including spam filtering, sentiment analysis, and topic modeling, this method has been frequently employed. In this method, the algorithm is trained on a labeled dataset, which contains a set of documents and their corresponding categories The algorithm can be used to categorize fresh documents into the appropriate categories after it has been trained. The standard and applicability of the features used to represent the documents will determine how accurate the classification is. The Naive Bayes classifier is a popular option for smart document categorization since it is simple to use and needs little training data to attain high accuracy. Overall, automatic document classification using naive Bayes is an effective and efficient approach for organizing and managing large volumes of textual data. Key Words: classification, Naïve Bayes, machine learning, textual data

Cited by 0Open access

Canon, document, classification

dina nencini · IRIS Research product catalog (Sapienza University of Rome) · 2023

The ICONA 2 conference aims to investigate the dyad “Canon and Code. The language of the arts in today’s world”: it is a theme that I proposed with conviction to the group of curators, with whom I had shared the experience of ICONA 1, who accepted the challenge on a theme that apparently seems to arise in countertrend, but the importance of which I reflected above all by visiting the 2021 Architecture Biennale, on which I wrote some considerations.

Cited by 0

Document Topic Classification

Oravec, Jakub · Brno University of Technology Digital Library (Brno University of Technology) · 2008

This bachelor's thesis deals with automatic document topic classification and provides a brief introduction to this area of research. The first part contains summary of basic techniques used in natural language processing with emphasis on text classification methods. The next part describes concept and implementation of system for automatic document topic classification. The last part contains information about testing of created system including composition of testing set and standard metrics description.

Cited by 0

Scalable document classification

Jaemoon Lee, Rafael A. Calvo · Intelligent Data Analysis · 2005

This paper describes the design and implementation of new naive Bayes and k-Nearest Neighbour methods that are highly scalable and efficient for document classification. Three methods for improving scalability are analysed: a change in the data repre

Cited by 1

Multimodal Document Classification

Fritsch, Patrick · University Library Linz repository (Johannes Kepler Universitat Linz) · 2021

In den letzten zehn Jahren gab es ein massives Wachstum im Bereich des maschinellen Lernens und immer mehr Algorithmen werden bereits in Verbraucherprodukte integriert, die oft als KI bezeichnet werden. Diese Fortschritte halten auch den Traum von einem digitalen Arbeitsplatz ohne Papierdokumente am Leben.\nEin Schritt, um diesen Traum wahr werden zu lassen, ist die korrekte Klassifizierung von gescannten Dokumentenbildern, was ansonsten zu zeitaufwändiger Handarbeit fuhren wurde. Ein solches automatisches Klassifizierungsmodell muss jedoch genaue Vorhersagen liefern, da mehrere ungenaue oder falsche Vorhersagen zu Unmut beim Benutzer und allgemeiner Ablehnung des Systems fuhren könnten.\nUm dies zu verwirklichen, wäre die erste Intuition die gescannten Dokumentbilder anhand ihres visuellen Erscheinungsbildes zu klassifizieren. Um jedoch die in der Praxis geforderte Klassifizierungsgenauigkeit zu erreichen, ist die visuelle Analyse oft nicht ausreichend. Nichtsdestotrotz enthalten Dokumentenbilder auch ein wichtiges zusätzliches Merkmal: ihren textuellen Inhalt. Diese Masterarbeit zielt daher darauf ab, ein multimodales Netzwerk vorzustellen, das sowohl von numerischer Textdarstellung, die auf Basis von extrahiertem Text aus dem Dokumentenbild berechnet werden, als auch von der visuellen Erscheinung eines Bildes lernen kann.\nUm besser zu verstehen, welche numerische Textdarstellungen für diese Aufgabe geeignet sind und welche Bildklassifikationsmodelle die Vorhersagegenauigkeit weiter verbessern, wird jedes Modell auf einer Teilmenge des RVL-CDIP-Datensatzes evaluiert, welche aus 17.920 annotierten Dokumentenbildern besteht, die zu 16 verschiedenen Klassen gehören.\nDie Ergebnisse mit diesem Datensatz zeigen, dass ein reiner Textansatz mit einem Dokumenteneinbettungsalgorithmus wie Doc2Vec und einem neuronalen Netzwerk als Klassifikator eine Vorhersagegenauigkeit von bis zu 70% erreichen kann. Durch die Klassifizierung des Bildes mit einem InceptionResNet v2-Modell, ohne den textuellen Inhalt, kann die Genauigkeit auf 79,37% verbessert werden. Durch die Kombination dieser Ansätze zu einem multimodalen ”Early Fusion“-Modell kann eine Klassifizierungsgenauigkeit von 83,24% erreicht werden, was eine Verbesserung von etwa 4,88% gegenüber dem Bild- und 18,91% gegenüber dem Textklassifizierungsmodell bedeutet.

Cited by 0Open access

Content Document Classification

Borčík, Filip · Brno University of Technology Digital Library (Brno University of Technology) · 2019

This work deals with document classification based on standard family ISO/IEC 27000. Points to a need, but also issues of classification in corporate environment. The work also implements system for MS office documents classification based on content analysis using defined rules. This system is introduced into DocTag application developed by AEC company.

Cited by 0