Information extraction from domain-specific data

• Název práce v češtině: Extrakce informací z doménově specifických dat
• Název v anglickém jazyce: Information extraction from domain-specific data
• Klíčová slova: hluboké učení|pojmenované entity|extrakce vztahů|entity linking
• Klíčová slova anglicky: deep learning|named entities|relation extraction|entity linking
• Akademický rok vypsání: 2022/2023
• Typ práce: disertační práce
• Jazyk práce: angličtina
• Ústav: Ústav formální a aplikované lingvistiky (32-UFAL)
• Vedoucí / školitel: doc. RNDr. Pavel Pecina, Ph.D.
• Řešitel: skrytý - zadáno a potvrzeno stud. odd.
• Datum přihlášení: 07.09.2023
• Datum zadání: 07.09.2023
• Datum potvrzení stud. oddělením: 05.10.2023

Zásady pro vypracování

Information extraction is the task of automatically extracting structured information from unstructured data, usually textual documents. The basic sub-tasks include, for instance, named entity recognition, extraction of relations between the entities, and linking the entities to an ontology. Other tasks aim at assigning the documents (or their parts) with geo-spatial, temporal and content tags. Template filling attempts to extract a fixed set of fields from a document. Many of these task can also be approached as a question-answering problem. The thesis will explore those tasks using current deep-learning based models in domain-specific and multilingual settings.

Seznam odborné literatury

Goodfellow, I., Y. Bengio, and A. Courville 2016. Deep learning. Cambridge, MA, USA: MIT press.

Nasar, Zara, Syed Waqar Jaffry, and Muhammad Kamran Malik. "Named entity recognition and relation extraction: State-of-the-art." ACM Computing Surveys (CSUR) 54.1 (2021): 1-39.