Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
En jämförelse av matchningsmetoder för big datatwitterbotar
KTH, School of Computer Science and Communication (CSC).
KTH, School of Computer Science and Communication (CSC).
2013 (Swedish)Independent thesis Basic level (degree of Bachelor), 10 credits / 15 HE creditsStudent thesis
Abstract [sv]

I denna kandidatuppsats redovisas hur chatbotar som använder

en databas med information om tweets kan finna ett

svar från ett existerande tweet sparat i databasen. För att

sedan använda detta som svar till ett nyinkommet tweet.

Två olika chatbotar implementetras och utvärderas för att

hitta så relevanta svar som möjligt. Den ena bygger på att

trigram av tweets matchas till varandra, och den andra bygger

på att tweets semantiskt textklassificeras. Resultatet utvärderas

därefter genom ett relevanstest och ett turingtest.

Slutsatsen är att även om det inte går att statistiskt säkerställa

något om prestationen av chatbotarna så antyder

resultatet av utvärderingen att chatboten som bygger på

semantisk textklassificering gjorde ett något bättre jobb än

den som bygger på trigrammatchning.

Abstract [en]

This bachelor thesis presents how chatbots that uses a database

with information on tweets can find an answer to an unrelated

tweet, written by a user, and use this as a response to

a newly posted tweet. Two chatbots are implemented and

evaluated to find the most relevant responses possible.The

first is based on matching trigram of tweets, and the other is

based on semantic text classification of tweets. The results

are then evaluated through a relevance test and a Turing

test. The conclusion is that although no statistically signification

have been proven, the results of the evaluations

indicates that the chatbot based on semantic text classification

did a slightly better job than the one based on trigram

matchning.

Place, publisher, year, edition, pages
2013.
Series
Kandidatexjobb CSC, K13049
National Category
Computer Science
Identifiers
URN: urn:nbn:se:kth:diva-136136OAI: oai:DiVA.org:kth-136136DiVA: diva2:671198
Educational program
Master of Science in Engineering - Computer Science and Technology
Supervisors
Examiners
Available from: 2013-12-13 Created: 2013-12-03 Last updated: 2013-12-13Bibliographically approved

Open Access in DiVA

No full text

Other links

http://www.csc.kth.se/utbildning/kth/kurser/DD143X/dkand13/Group8Anna/report/TwitterBot_MattiasMitra.pdf
By organisation
School of Computer Science and Communication (CSC)
Computer Science

Search outside of DiVA

GoogleGoogle Scholar

urn-nbn

Altmetric score

urn-nbn
Total: 83 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf