vícejazyčný monitoring sociálních médií yeseter
TRANSCRIPT
![Page 1: Vícejazyčný monitoring sociálních médií Yeseter](https://reader034.vdocuments.site/reader034/viewer/2022052601/55976c461a28abca318b4701/html5/thumbnails/1.jpg)
Vıcejazycne sledovanı a vyhledavanı
Vaclav NovakYellow Snow, Captaworks
New Media Inspiration, leden 2012
![Page 2: Vícejazyčný monitoring sociálních médií Yeseter](https://reader034.vdocuments.site/reader034/viewer/2022052601/55976c461a28abca318b4701/html5/thumbnails/2.jpg)
Yeseter
• Novy vıcejazycny vyhledavac ve spolecenskych mediıch◦ Sbıra vybrane diskuze, blogy, fora a socialnı sıte◦ Trıdı nalezene zmınky do temat a tematickych skupin◦ Zobrazuje statistiky a grafy pro temata, zdroje a autory◦ Umoznuje pokrocile vyhledavanı a exporty◦ Prıdavne funkce (reporting, alerting, workflow, detekce spamu,
sentiment, zebrıcek sdılenych odkazu, nastavitelna nastenka,rebranding, vyrazenı zdroju pro urcity projekt, real-time API)
• Prıstup z yeseter.com, wlip.cz, mss-adv.newtonmedia.cz
• Uzivatele:◦ Firmy, o kterych se mluvı◦ Marketing◦ Veda, politia a vyzkum (sociologie, stranicke sekretariaty)◦ Bezpecnostnı slozky (zakrytı zajmu pred prohledavanymi servery)
2 z 14
![Page 3: Vícejazyčný monitoring sociálních médií Yeseter](https://reader034.vdocuments.site/reader034/viewer/2022052601/55976c461a28abca318b4701/html5/thumbnails/3.jpg)
Rozpoznanı jazyka
• U diskuznıch for a blogu se lze rıdit domenou
• Nektere socialnı sıte rıkajı o uzivatelıch vse, jine ne
Problemove zdroje
• YouTube
• Google+
• Narecı, nespisovne tvary
• Chybejıcı diakritika
• Kratke texty, zkratky, #tagy, @jmena, exoticke ♥♥♥znaky♥♥♥
3 z 14
![Page 4: Vícejazyčný monitoring sociálních médií Yeseter](https://reader034.vdocuments.site/reader034/viewer/2022052601/55976c461a28abca318b4701/html5/thumbnails/4.jpg)
Nejhorsı zmınka vubec
4 z 14
![Page 5: Vícejazyčný monitoring sociálních médií Yeseter](https://reader034.vdocuments.site/reader034/viewer/2022052601/55976c461a28abca318b4701/html5/thumbnails/5.jpg)
Kratke texty
5 z 14
![Page 6: Vícejazyčný monitoring sociálních médií Yeseter](https://reader034.vdocuments.site/reader034/viewer/2022052601/55976c461a28abca318b4701/html5/thumbnails/6.jpg)
Smısene texty
6 z 14
![Page 7: Vícejazyčný monitoring sociálních médií Yeseter](https://reader034.vdocuments.site/reader034/viewer/2022052601/55976c461a28abca318b4701/html5/thumbnails/7.jpg)
Podivna slova
7 z 14
![Page 8: Vícejazyčný monitoring sociálních médií Yeseter](https://reader034.vdocuments.site/reader034/viewer/2022052601/55976c461a28abca318b4701/html5/thumbnails/8.jpg)
Kategorizace temat (snımky z online.wlip.cz)
• Vıcejazycne projekty sdılejı strukturu temat
• Lze srovnavat tytez grafy pro ruzne zeme:
8 z 14
![Page 9: Vícejazyčný monitoring sociálních médií Yeseter](https://reader034.vdocuments.site/reader034/viewer/2022052601/55976c461a28abca318b4701/html5/thumbnails/9.jpg)
Srovnatelne vizualizace: temata znacky: HU × CZ
9 z 14
![Page 10: Vícejazyčný monitoring sociálních médií Yeseter](https://reader034.vdocuments.site/reader034/viewer/2022052601/55976c461a28abca318b4701/html5/thumbnails/10.jpg)
Nesrovnatelne vizualizace? temata domen: PL × CZ
10 z 14
![Page 11: Vícejazyčný monitoring sociálních médií Yeseter](https://reader034.vdocuments.site/reader034/viewer/2022052601/55976c461a28abca318b4701/html5/thumbnails/11.jpg)
Stemming
• Stemming umoznuje vyhledavat ruzne tvary tehoz slova
•”Nokie“,
”Nokiım“,
”Nokii“,
”Nokia“
• Nekdy nezadoucı:”Matrix“ ×
”Matrika“,
”Sportif“ ×
”Sportage“
• Ruzne typy jazyku vyzadujı ruzny prıstup:◦ Aglutinacnı: nekolik prıpon mad’arstina, turectina◦ Flektivnı: jedna koncovka cestina, rustina◦ Izolacnı: nejjednodussı, temer nenı treba mandarınstina, anglictina◦ Introflektivnı: tezky: variace uvnitr slova arabstina◦ Polysynteticky: tezky: nezname hranice slov papuanstina
• Ve skutecnosti jsou jazyky smesı typu a majı tendenci se presouvat.
11 z 14
![Page 12: Vícejazyčný monitoring sociálních médií Yeseter](https://reader034.vdocuments.site/reader034/viewer/2022052601/55976c461a28abca318b4701/html5/thumbnails/12.jpg)
Specifika stemmingu v socialnıch mediıch
• Pravidla psana pro spisovnou cestinu nefungujı:◦ Znacky, zkratky (
”Ikea“ →
”Ikey“ vs.
”Nokia“ →
”Nokie“,
”HM“ →
”HMka“)
◦ Narecı (”votravujou“,
”nabızej“,
”kupujo“)
◦ Vıc chyb nez v novinach (statnı zpravy)◦ Interpunkce (
”kazdy tvuj dotek tu bolest hojı.Pritul se lasko jeste
blız,to jak te miluji“)◦ Diakritika (klıcova slova (
”CS“), koncovky)
12 z 14
![Page 13: Vícejazyčný monitoring sociálních médií Yeseter](https://reader034.vdocuments.site/reader034/viewer/2022052601/55976c461a28abca318b4701/html5/thumbnails/13.jpg)
Smery resenı
• Dva alternativnı prıstupy:◦ Opravit a normalizovat text (kolik lidı to dokaze?)◦ Rozvolnenı pravidel a klasifikace slov na zaklade podobnosti
Opravy a desambiguace
+ V principu lze dosahnout 100%− Narocne na implementaci+ V praxi lepsı presnost− V praxi horsı pokrytı
Fuzzy matching
− Nelze byt 100% uspesnı+ Lze rychle zlepsit baseline+ V praxi lepsı pokrytı− V praxi horsı presnost
13 z 14
![Page 14: Vícejazyčný monitoring sociálních médií Yeseter](https://reader034.vdocuments.site/reader034/viewer/2022052601/55976c461a28abca318b4701/html5/thumbnails/14.jpg)
Dalsı vyvoj zpracovanı jazyku v Yeseteru
• Ladenı modelu parametru stemmingu pro jednotlive jazyky• Sblızenı moznostı ad hoc hledanı a klasifikace do temat◦ Klasifikace umoznuje vyberove zakazanı stemmingu a operator MINUS◦ Ad hoc hledanı umoznuje fuzzy matching v okruhu omezenem
Levenshteinovskou vzdalenostı◦ Ad hoc hledanı umı zohlednit blızkost slov
Dekuji. Dalsı novinky a podrobnosti:
• twitter.com/hlidka
• yeseter.com
• wlip.cz
14 z 14
![Page 15: Vícejazyčný monitoring sociálních médií Yeseter](https://reader034.vdocuments.site/reader034/viewer/2022052601/55976c461a28abca318b4701/html5/thumbnails/15.jpg)
Dalsı vyvoj zpracovanı jazyku v Yeseteru
• Ladenı modelu parametru stemmingu pro jednotlive jazyky• Sblızenı moznostı ad hoc hledanı a klasifikace do temat◦ Klasifikace umoznuje vyberove zakazanı stemmingu a operator MINUS◦ Ad hoc hledanı umoznuje fuzzy matching v okruhu omezenem
Levenshteinovskou vzdalenostı◦ Ad hoc hledanı umı zohlednit blızkost slov
Dekuji. Dalsı novinky a podrobnosti:
• twitter.com/hlidka
• yeseter.com
• wlip.cz
14 z 14