Application of text analytics in an utility company

Diplomová práce se zabývá oblastí vytěžování dat z textu. V dnešní době je velmi důležité získávat dostupné informace, ale objem textu se neustále zvětšuje. Popsaný problém je motivací této práce, která v teoretické části popisuje obvyklé zdroje dat, jako jsou emaily nebo webové stránky. Dále následuje popis základních struktur textu, znaků, slov, vět, odstavců a dokumentů, včetně typických problémů provázejících jejich zpracování. Dalším krokem je předzpracování dat, kde jsou popsány obvyklé postupy úpravy vstupních textů, které vedou ke zlepšení výsledků analýzy. Konkrétně jde o sjednocení velikosti písmen, kontrolu pravopisu, detekci vět, tokenizaci, stemming a lemmatizaci, odstranění stop slov, rozšíření pojmu, označení slovních druhů a syntaktickou analýzu. Po popisu těchto postupů práce pokračuje modelovacími metodami, tedy způsoby, jak ze zpracovaných dat vytěžit informace. Popsány jsou vyhledávací indexy, extrakce pojmenovaných entit, analýza sentimentu, klasifikace, shluková analýza, sumarizace a odpovídání na otázky. Poslední teoretickou částí je vizualizace, ve které jsou popsány možnosti zobrazení vytěžených informací. V praktické části dochází k implementaci třídění příchozích emailů pomocí nástroje Elasticsearch se zapojením preprocesingových metod. Dosažená úspěšnost klasifikace je přes sedmdesát pět procent. Ve stejném nástroji jsou také zpracována data z Net Promoter Score, která jsou vizualizována ve formě analytického dashboardu v aplikaci Kibana.