Uporaba globokih nevronskih mrež za ločevanje avtomatsko generiranih in ročno napisanih člankov

STOPINŠEK, AMON (author), Kononenko, Igor (mentor)

V diplomskem delu se ukvarjamo s klasifikacijo besedil na problemu ločevanja člankov, ki jih je napisal človek, od člankov, ki jih je napisal stroj. Na problemu smo preizkusili različne arhitekture konvolucijskih in rekurenčnih globokih nevronskih mrež ter različne predstavitve besedil. Modele smo testirali na podatkovni zbirki ročno napisanih in generiranih člankov o hujšanju. Najboljše rezultate smo dosegli z uporabo arhitekture BLSTM z besednimi vložitvami word2vec. S tem modelom smo dosegli 96,71% klasifikacijsko točnost na testni podatkovni množici na ročno napisanih člankih, 100% klasifikacijsko točnost na člankih, generiranih s slabim modelom in 97,41% klasifikacijsko točnost na člankih, generiranih z dobrim modelom.

• Language: Slovenian
• Keywords: umetna inteligenca, globoke nevronske mreže, klasifikacija besedil, procesiranje naravnega jezika
• Work type: Bachelor thesis/paper
• Organization: FRI - Faculty of Computer and Information Science
• Year: 2019
• PID: 20.500.12556/RUL-106122
• Publication date in RUL: 30.01.2019

STOPINŠEK, AMON, 2019, Uporaba globokih nevronskih mrež za ločevanje avtomatsko generiranih in ročno napisanih člankov [online]. Bachelor’s thesis. [Accessed 10 June 2025]. Retrieved from: https://repozitorij.uni-lj.si/IzpisGradiva.php?lang=eng&id=106122

Secondary language

• Language: English
• Title: Using deep neural networks for differentiating automatically generated from manually written articles

Abstract

This thesis deals with the text classification on the problem of classifying manually written and automatically generated articles. We tested various convolutional and recurrent deep neural network architectures and various text representations. Models were tested on a dataset of manually written and automatically generated articles about weight loss. Best results were achieved with a model using the BLSTM architecture and word2vec word embeddings. With this model, we achieved 96,71% classification accuracy on the test dataset of manually written articles, 100% classification accuracy on articles generated with the bad model and 97,41% classification accuracy on articles generated with the good model.

• Keywords: artifical inteligence, deep neural networks, text classification, natural language processing