szövegklasszifikáció

Szövegklasszifikáció, más néven szövegkategorizálás vagy szövegbesorolás, egy természetes nyelvet feldolgozó (NLP) feladat, amelynek célja az adott szöveg előre definiált kategóriák egyikébe való besorolása. Ez a folyamat gépi tanulási algoritmusok alkalmazásával történik, amelyek megtanulják felismerni a szövegben lévő mintázatokat és jellemzőket, amelyek a különböző kategóriákhoz kapcsolódnak.

A szövegklasszifikáció számos alkalmazási területtel rendelkezik. Például a spam szűrésében használják az e-mailek spam és nem spam kategóriákba sorolására. A véleménybányászatban pedig arra szolgál, hogy pozitív, negatív vagy semleges véleményeket azonosítson termékekkel vagy szolgáltatásokkal kapcsolatban. Más területek közé tartozik a hírcikkek témák szerinti csoportosítása, az ügyfélszolgálati kérések automatikus irányítása, valamint a dokumentumok tartalmának kategorizálása.

A szövegklasszifikációhoz általában nagy mennyiségű címkézett adat szükséges a gépi tanulási modellek képzéséhez. Ezek a címkék jelölik, hogy egy adott szöveg melyik kategóriába tartozik. A képzett modellek ezután képesek új, ismeretlen szövegeket besorolni a tanult mintázatok alapján. A klasszifikációs folyamatban különféle jellemzők kinyerése lehetséges a szövegből, mint például a szavak előfordulása (bag-of-words), a szavak súlyozása (TF-IDF) vagy a szavak közötti kapcsolatok.