@thesis{Horvat2021, author = {Horvat, Andreas Josef}, title = {Analyse der Named Entity Recognition des KI-Modells BERT in einer spezifischen Sprachdom{\"a}ne}, publisher = {Technische Hochschule Ingolstadt}, address = {Ingolstadt}, url = {http://nbn-resolving.de/urn:nbn:de:bvb:573-8082}, pages = {60}, year = {2021}, abstract = {Viele Unternehmen verwalten heutzutage eine große Menge an digitalen Dokumenten. Die Suche nach einem expliziten Dokument ist oftmals keine triviale Aufgabe. Hierbei unterst{\"u}tzt die Named Entity Recognition bei der Klassifizierung von Dokumenten und der Suchmaschinenoptimierung. Die Bachelorarbeit analysiert das Potenzial von dom{\"a}nenspezifischen Trainingsdaten f{\"u}r die Named Entity Recognition und pr{\"u}ft die folgende Hypothese. BERT feinabgestimmt mit dom{\"a}nenspezifischen Trainingsdaten, erzielt einen h{\"o}heren F-Score in der gleichen Sprachdom{\"a}ne als mit Trainingsdaten aus einer allgemeinen Sprachdom{\"a}ne. In einem Experiment wurden daf{\"u}r zwei feinabgestimmte BERT Modelle mit den gleichen randomisierten Testdaten aus der Sprachdom{\"a}ne Musik evaluiert. F{\"u}r ein vortrainiertes BERT Modell wurden auch die Trainingsdaten im Fine Tuning aus dem Kontext Musik gew{\"a}hlt. Im Unterschied dazu verwendete das Vergleichsmodell Trainingsdaten aus Zeitungsartikeln. Die Evaluation beider Modelle mit den Testdaten konnte die Hypothese best{\"a}tigen. BERT feinabgestimmt mit den dom{\"a}nenspezifischen Trainingsdaten erzielte in allen Entit{\"a}tskategorien einen h{\"o}heren F-Score. Der gr{\"o}ßte Vorsprung von 70 \% wurde in der Kategorie Lokation erreicht. Eine genauere Analyse vom gew{\"a}hlten Musikdatensatz zeigte teilweise fehlerhafte Annotationen der Tokens. Demzufolge w{\"a}ren die Ergebnisse weniger unterschiedlich, ohne die verrauschten Daten aber weiterhin ein besserer F-Score erkennbar.}, language = {de} }