no way to compare when less than two revisions
Unterschiede
Hier werden die Unterschiede zwischen zwei Versionen angezeigt.
Nächste Überarbeitung | |||
— | arbeiten:automatisierung_der_erstellung_von_firmenprofilen_mithilfe_von_nlp_am_fallbeispiel_der_high_cost_low_cost-standortanalye [19.10.2020 08:40] – Erstellt mit dem Formular arbeiten:anlegen Christian Wolff | ||
---|---|---|---|
Zeile 1: | Zeile 1: | ||
+ | ====== Automatisierung der Erstellung von Firmenprofilen mithilfe von NLP am Fallbeispiel der High Cost/Low Cost-Standortanalye ====== | ||
+ | |||
+ | ---- dataentry StudentischeArbeit ---- | ||
+ | Thema : Automatisierung der Erstellung von Firmenprofilen mithilfe von NLP am Fallbeispiel der High Cost/Low Cost-Standortanalye | ||
+ | Art_thesistypes | ||
+ | BetreuerIn_thesisadvisor | ||
+ | BearbeiterIn | ||
+ | ErstgutachterIn_thesisprofessor | ||
+ | ZweitgutachterIn_secondthesisprofessor : Udo Kruschwitz | ||
+ | Status_thesisstate | ||
+ | Stichworte_thesiskeywords | ||
+ | angelegt_dt | ||
+ | Anmeldung_dt | ||
+ | Antrittsvortrag_dt | ||
+ | Abschlussvortrag_dt | ||
+ | Abgabe_dt | ||
+ | Textlizenz_textlicense | ||
+ | Codelizenz_codelicense | ||
+ | ---- | ||
+ | |||
+ | === Hintergrund === | ||
+ | |||
+ | Damit Unternehmen ihre Position am Markt behaupten und auf Trends reagieren können, müssen aktuelle Entwicklungen und besonders die Aktivitäten von Wettbewerbern überwacht werden. Aufgrund der Vielzahl von Firmen und Größe des Marktes, ist dies ein tiefgehender und meist individueller Prozess für jede zu analysierende Firma. Mit modernen Textanalysetechniken (NLP) kann dieser Prozess jedoch automatisiert werden, indem Informationen aus frei verfügbaren Textquellen extrahiert werden. | ||
+ | |||
+ | === Zielsetzung der Arbeit === | ||
+ | |||
+ | Im Laufe dieser Arbeit sollen mit Deep-Learning-Verfahren, | ||
+ | |||
+ | === Konkrete Aufgaben === | ||
+ | |||
+ | Im Laufe des Projekts soll eine Pipeline zur automatischen Erkennung von Standorten erstellt werden. Dazu müssen in mehreren Schritten unstrukturierte Textdaten erfasst und angebunden werden. Über unterschiedliche NLP-Techniken werden dann Texte klassifiziert, | ||
+ | |||
+ | === Erwartete Vorkenntnisse === | ||
+ | |||
+ | Python, NLP, Datenvisualisierungstechniken, | ||
+ | |||
+ | === Weiterführende Quellen === | ||
+ | |||
+ | Zuo, Z., Loster, M., Krestel, R., & Naumann, F. (2017). Uncovering Business Relationships: | ||
+ | |||
+ | Wright, J. M., & Mansingh, G. (2014). An Algorithm to Extract Jamaican Geographic Locations from News Articles-Using NLP Techniques. In CONF-IRM (p. 24). | ||
+ | |||
+ | Malmasi, S., & Dras, M. (2015, May). Location mention detection in tweets and microblogs. In Conference of the Pacific Association for Computational Linguistics (pp. 123-134). Springer, Singapore. | ||
+ | |||
+ | Liang, C., Yu, Y., Jiang, H., Er, S., Wang, R., Zhao, T., & Zhang, C. (2020, August). Bond: Bert-assisted open-domain named entity recognition with distant supervision. In Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining (pp. 1054-1064). | ||
+ | |||