211 lines
8.4 KiB
Markdown
211 lines
8.4 KiB
Markdown
---
|
|
title: Vladimír Ferko
|
|
published: true
|
|
taxonomy:
|
|
category: [bp2024]
|
|
tag: [dialog,nlp]
|
|
author: Daniel Hladek
|
|
---
|
|
|
|
rok začiatku štúdia: 2021
|
|
|
|
študent KPI, pracovník DTSS
|
|
|
|
## Bakalárska práca 2024
|
|
|
|
- [Projekt HateSpeech](/topics/hatespeech)
|
|
- [Pokyny KPI ku záverečným prácam](https://kpi.fei.tuke.sk/sk/zaverecne-prace)
|
|
- Spolupráca: [Eduard Matovka](/students/2021/eduard_matovka)
|
|
- Nadväzuje [Martin Jancura](/students/2017/martin_jancura)
|
|
|
|
Názov: Anotácia a vyhodnotenie slovenskej databázy nenávistnej reči
|
|
|
|
1. Napíšte prehľad existujúcich dátových zdrojov pre úlohu rozpoznávania sentimentu a nenávistnej reči v diskusiách.
|
|
2. Pripravte korpus diskusií v slovenskom jazyku. Vyberte vhodný zdroj diskusí a pripravte ho do podoby vhodnej na anotáciu.
|
|
3. Modifikujte existujúcu aplikáciu pre úlohu anotácie nenávistnej reči v diskusiách. Napíšte návod pre anotáciu.
|
|
4. Anotujte čo najväčšie množstvo dát pre výskyt nenávistnej reči.
|
|
5. Štatisticky analyzujte výskyt anotovanej nenávistnej reči v diskusiách.
|
|
|
|
|
|
Predbežné zadanie - úlohy na semester:
|
|
|
|
- Vytvoriť slovenskú databázu diskusií. Databáza by mala byť prezentovateľná na konferencii a použiteľná pre rozpoznávanie nenávistnej reči.
|
|
- zobrazte štatistiky získaných dát.
|
|
- Anotovať sentiment diskusných príspevkov.
|
|
- Možno anotovať nenávistnú reč. Toto konzultovať s p. Sokolovou.
|
|
- Z nazbieraných dát zostavte a vyhodnoťte model
|
|
|
|
Stretnutie 10.5.2024
|
|
|
|
Stav:
|
|
|
|
- Natrénovaný prvý model slovakbert
|
|
- Práca na mdeberta
|
|
|
|
Úlohy:
|
|
|
|
- Konvertujte úlohu na binárnu klasifikáciu.
|
|
- Zlepšite fitrovanie datasetu.
|
|
- Natrénujte a vyhodnoťte nové modely pre viac filtrované datasety. Do práce dajte zapíšte výsledné veľkosti a výsledky.
|
|
|
|
Pravidlá pre filtrovanie datsetu:
|
|
|
|
1. "Dôveryhodní" ľudia idú do testovacej časti
|
|
2. Máme tri hlasy ku jednému prísmevku. Na určenie triedy nám treba minimálne dva súhlasné hlasy. Ak výjde trieda neviem tak anotáciu vyradíme. Tie hlasy ktoré majú ++= tie sú plus, tieh hlasy ktorú su --=,. tie sú mínus. Ostatné príspevky zahodíme.
|
|
3. Vyskúšať: Vyhodiť vzorku aj pri akomkoľvek vnútornom nesúhlase. Je viac filtrovaná množina lepšia?
|
|
|
|
|
|
Zásobník úloh:
|
|
|
|
- Vytvoriť HF Dataset.
|
|
|
|
|
|
Stretnutie 22.3.
|
|
|
|
|
|
Stav:
|
|
|
|
- Práca na vlastnej Flask aplikácii
|
|
|
|
Úlohy:
|
|
|
|
- Pripravte draft práce, ktorý bude obsahovať osnovu a texty ktoré máte. Pracujte na tom ďalej, popri praktických úlohách.
|
|
- Naštudujte si [OffensEval 2019-20](https://sites.google.com/site/offensevalsharedtask/home). Do práce pridajte časť o tom čo to je, aké články sa o tom publikovali.
|
|
- Vyhľadajte a opíšte podobné iniciatívy pre anotáciu HS.
|
|
- Vo vašej antotačnej schéme napodobnite vybraný prístup (OffensEval).
|
|
- Pred tým než začnete anotovať, konzultujme vybranú anotačnú schému.
|
|
- Čím skôr začnite anotovať podľa vybranej schémy.
|
|
|
|
|
|
Stretnutie 11.3.
|
|
|
|
Stav:
|
|
|
|
- Analýza zozbieraných dát z Facebooku pred anotáciou - výber rôznych kanálov. Vo forme notebooku.
|
|
- Dáta sú v jednom súbore JSON
|
|
|
|
Úlohy:
|
|
|
|
- [x] Aplikujte detekciu emócií na dataset. Do datasetu zaraďte 20 percent pozitívneho, 20 neutrálneho a 60 negatívneho obsahu.
|
|
- [x] Dataset premiešajte. Začnite anotovať, akýmkoľvek spôsobom.
|
|
- [-] Do písomnej časti opíšte postup pri príprave dát.
|
|
|
|
Stretnutie 8.2.2024
|
|
|
|
Stav:
|
|
|
|
- Práca na identifikácii podobných príspevkov pomocou embeddingov. V matici sa vyhľadá každý dokument, ktorého kosínusová podobnosť je väčšia ako konštanta.
|
|
|
|
Úlohy:
|
|
|
|
- Získajte dáta z íných zdrojov, vhodné na anotáciu. Kritériá sú: miera výskytu nenávistnej reči, druh nenávistnej reči a legálne nástrahy (osobné dáta, licencia).
|
|
|
|
Momentálne máme:
|
|
|
|
- Facebook, rôzne profily. Problém je výskyt spamu - tématicky podobných príspevkov.
|
|
|
|
Iné možné zdroje:
|
|
|
|
- Reddit-Slovakia.
|
|
- Diskusie pod článkami.
|
|
|
|
|
|
|
|
|
|
Stretnutie 23.1.2024
|
|
|
|
Stav:
|
|
|
|
- Práca iba na textovej časti.
|
|
|
|
Úlohy:
|
|
|
|
- Pripravte dátovú množinu na anotovanie. Vyberte také dáta, ktoré obsahujú málo spamu a primerané množstvo "hatespeech". Môžete "nascrapovať" nové zdroje, také ktoré sú vhodnejšie.
|
|
- Pripravte aplikáciu na anotovanie a skúste anotovať pár jednotiek. Zaznamenajte chyby anotačnej aplikácie.
|
|
- Ak bude aplikácia v poriadku, anotujte viac.
|
|
- Pokračujte v práci na textovej časti podľa inštrukcií nižšie.
|
|
- Pokračujte v otvorených úlohách.
|
|
|
|
|
|
Zásobník úloh:
|
|
|
|
- Prečistenie databázy na výskyt spamu: Pomocou modelu slovak-bert-mnlr identifikujte sémanticky podobné dokumenty. Ak má jeden dokument príliš veľa podobných, označte ho ako spam. Konzultovať s Stromko alebo Sopkovič. Asi bude treba použiť vektorový index.
|
|
- Z anotovaných dát natrénujte model.
|
|
|
|
|
|
Stretnutie 27.10.2023
|
|
|
|
Stav:
|
|
|
|
- Podarilo sa rozbehať anotačnú aplikáciu a pripraviť dáta.
|
|
|
|
Úlohy:
|
|
|
|
- Pripravte aplikáciu na nasadenie. Pripravte dockerfile, pridajte CSS. Vyskúšajte aplikáciu a identifikujte chyby.
|
|
- Pokračujte v teoretickej príprave podľa pokynov nižšie. Sústredte sa na anotáciu a automatické rozpznávanie nenávistnej reči. Môžete vyjadriť aj súvis medzi rozpoznávaním sentimentu a nenávistnej reči. Na vyhľadávanie článkov použite Google scholar. Do práce si poznačte bibliografický odkaz na článok ktorý preštudujete. Ku každému článku si napíšte poznámky čo ste sa dozvedeli.
|
|
- Oboznámte sa so skriptom https://github.com/huggingface/transformers/tree/main/examples/pytorch/text-classification skúste ho rozbehať aj na iných vlastných dátach.
|
|
- Prečítajte si knižku https://d2l.ai/
|
|
|
|
Zásobník úloh:
|
|
|
|
- Analyzujte anotované dáta. Výsledky zobrazte do tabuľky.
|
|
- Natrénujte a vyhodnoťte model.
|
|
|
|
|
|
Stretnutie 13.10.2023
|
|
|
|
Stav:
|
|
|
|
- Rozbehané Prodigy anotácie
|
|
- Vyskúšaný model https://huggingface.co/kinit/slovakbert-sentiment-twitter
|
|
|
|
Úlohy:
|
|
|
|
- [ ] Vykonať prieskum literatúry. Aké sú existujúce anglické a slovenské databázy na analýzu sentimentu? Ako sa klasifikuje sentiment pomocou neurónových sietí? Prieskum by mal mať niekoľko strán a mal by obsahovať odkazy na odbornú literatúru a iné zdroje. https://github.com/slovak-nlp/resources Tu pozrite zoznam modelov a datasetov pre sentiment. Nájdite aj niekoľko článkov na tému "crowdsourcing dataset for sentiment classification". Robte si písomné poznámky, použije sa to do BP.
|
|
- [ ] Vytvorte KEMT GIT repo. Nastavte tam synchronizáciu s KPI Git tak aby som mal prístup k zdrojovým kódom na stiahnutie a na tvorbu modelov.
|
|
- Preštudujte si zdrojové kódy https://github.com/hladek/hate-annot a skúste ich rozbehať na svojom počítači s Vašimi dátami.
|
|
|
|
Zásobník úloh:
|
|
|
|
- Čím skôr rozbehať anotácie sentimentu alebo hate speech medzi študentami.
|
|
- Zozbierané dáta využiť na natrénovanie modelu.
|
|
- Oboznámte sa so skriptom https://github.com/huggingface/transformers/tree/main/examples/pytorch/text-classification skúste ho rozbehať aj na iných vlastných dátach.
|
|
- Prečítajte si knižku https://d2l.ai/
|
|
|
|
|
|
|
|
Stretnutie 8.8.
|
|
|
|
Stav:
|
|
|
|
- vypracovaný skript pre získanie dát z Reditt
|
|
|
|
Úlohy:
|
|
|
|
|
|
- [x] Rozbehajte u seba jednoduché anotácie pomocou Prodigy. V texte označujte časti, ktoré sú urážlivé. Môžete to urobiť podľa skritpov v https://git.kemt.fei.tuke.sk/dano/annotation . Dáta anotujete podobne ako "named entities".
|
|
|
|
Zásobník úloh:
|
|
|
|
- Finalizovať dátovú množinu (facebook alebo reddit) a anotačnú schému.
|
|
- Pripraviť návod pre anotátorov
|
|
- Pripraviť webovú appku na sledovanie anotácií.
|
|
- Natrénovať model.
|
|
|
|
Stretnutie 29.6.2023
|
|
|
|
Stav:
|
|
|
|
- Je hotový skript pre zber diskusií z Facebooku. Skript je Python, Selenium a BS4.
|
|
|
|
Úlohy:
|
|
|
|
- [ ] Vykonať prieskum literatúry. Aké sú existujúce anglické a slovenské databázy na analýzu sentimentu? Ako sa klasifikuje sentiment pomocou neurónových sietí? Prieskum by mal mať niekoľko strán a mal by obsahovať odkazy na odbornú literatúru a iné zdroje. https://github.com/slovak-nlp/resources Tu pozrite zoznam modelov a datasetov pre sentiment.
|
|
- [ ] Skript na stiahnutie s krátkym komentárom dajte na KEMT GIT. Repo nazvite BP2024
|
|
- [ ] Vyskúšajte rozpoznávanie sentimentu pre slovenčinu pomocou existujúceho modelu Huggingface Transformers. https://huggingface.co/kinit/slovakbert-sentiment-twitter Vyskúšajte tento model.
|
|
- V prípade potreby Vám viem prideliť prístup na školský server s GPU.
|
|
|
|
|
|
|
|
|