Refine
Has Fulltext
- yes (2)
Document Type
- Bachelor Thesis (1)
- Master's Thesis (1)
Is part of the Bibliography
- yes (2)
Keywords
- BERT (1)
- CNN (1)
- Conv1D (1)
- Deep Learning (1)
- Deep Transfer Learning (1)
- ELMo (1)
- GloVe (1)
- LSTM (1)
- Research method extraction (1)
- Theory Ontology Learning (1)
Moderne Industrie ist datengetrieben. Neueste Technologien, Produkte und Dienstleistungen können nur so gut sein, wie die zugrundeliegenden Informationen. Dies gilt für nahezu jede Branche. In Finanzsektor, Telekommunikation, Gesundheitswesen oder Logistik bilden Daten die Grundlage für alle wichtigen Geschäftsentscheidungen.
Verminderte Wettbewerbsfähigkeit, Rückgang der Kundenzufriedenheit oder erhöhtes Risiko von behördlichen Strafen sind unweigerliche Konsequenzen schlechter Datenqualität. Zahlreiche Softwarelösungen wurden in den letzten Jahren entwickelt, um dem Problem entgegenzuwirken.
Diese Arbeit untersucht die Datenqualitätsmanagement-Software, die im Microsoft SQL Server 2016 verankert ist und sich aus drei ergänzenden Teilkomponenten zusammensetzt: Data Quality Services (DQS), SQL Server Integration Services (SSIS) und Master Data Services (MDS). Es werden zunächst theoretische Aspekte der Datenqualität sowie die auf dem Markt vorhandenen Typen von Softwarelösungen betrachtet und daraus Anforderungen an eine Data Quality Suite abgeleitet. Im Anschluss wird der Funktionsumfang mithilfe von Testdaten im Hinblick auf die Erfüllung der Anforderungskriterien analysiert und bewertet. Insbesondere sollen Möglichkeiten des Data Profilings und Data Cleansings mit speziellem Fokus auf Duplikaterkennung und Konsolidierung untersucht werden. Ein großer Wert wird dabei auf die praktische Anwendung der getesteten Software gelegt. Alle Funktionen von SQL Server 2016 werden anschließend auf Basis der definierten Evaluationskriterien bewertet.
This thesis examines the effectiveness of the latest Transfer Learning techniques for Natural Language Processing applied to the classification of research methods used in scientific journals in the domain of Information Systems. The task of automated knowledge extraction from academic articles has seen ongoing progress in recent years. However, the combination of transfer and Deep Learning in order to assign research methods to scientific papers has not been addressed in the literature yet. The main contribution of this thesis is, therefore, an artifact that applies cutting-edge Transfer Learning techniques to a Deep Learning model by conducting several experiments and comparing their effectiveness. The prototype considers various ways of fine-tuning that are crucial to retain the knowledge transferred from pretrained models and avoid catastrophic forgetting. Additionally, this work discusses the literature with regard to the task-specific Theory Ontology Learning and the method-specific state of the art in Transfer Learning for Natural Language Processing. As a result, the artifact surpassed the performance of previously developed models for research method extraction, presented in the literature, without applying any custom feature engineering and only using around a thousand of labeled observations.