topics.md

Теми курсових проектів

Проекти, для яких немає готових корпусів

1. Визначення зв’язків між сутностями на основі даних з Wikipedia, Freebase, DBPedia тощо для української мови.
2. Визначення суб’єктивних висловлювань в текстах новин (зокрема, новин українською мовою).
3. Генерація поезії. Доступні дані: сайти з віршами, словники рим тощо.
4. POS-tagging для української мови. Проанотованих корпусів немає, але є граматичний словник та корпуси сирих текстів.
5. Перевірка правопису для української мови. Дані можна проанотувати через LanguageTool; також схожий проект є тут.
6. Автоматична генерація відповідей на запитання. Дані можна брати з Вікіпедії чи https://ukrainian.stackexchange.com (та інших SE сайтів).
7. Реалізації алгоритму побудови векторів NNSE - це задача для тих, хто хоче заглибитись в математичну частину лінгвістичних алгоритмів.
8. Пошук плагіату в україномовних текстах. Дані можна видобувати на: сайтах з рефератами, сайтах новин (передруківки).
9. Передбачення поширення неологізмів (сленгу чи жаргону) в соцмережих. Є цікаве дослідження на цю тему: http://aclweb.org/anthology/C18-1135. Дані можна скрейпити з соцмереж.
10. Ведення дебатів; визначення аргументів "за" і "проти" у дебатах. Дані можна знайти в http://www.debatepedia.org.
11. Перетворення змін до законів у структуровану форму Автоматичний пошук неузгодженості чи протиріч у законодавчих актах.
12. Перевірка гіпотези, що людей з різними психотипами (екстроверт/інтроверт) чи соціотипами (INTJ/ENTP/...) по-різному спілкуються у соціальних мережах. Визначення типу людини за соціальним профілем.
13. Трансфер авторського стилю.

Проекти, для яких є готові корпуси

Передбачається, що якщо ви обрали один з цих проектів, то ви будете шукати і використовувати додаткові дані, а не просто відтворювати вже готові результати.

1. Визначення тролінгу, образливих коментарів чи критики. Можна використати дані:
   • https://www.kaggle.com/c/jigsaw-toxic-comment-classification-challenge
   • https://www.kaggle.com/c/detecting-insults-in-social-commentary
   • https://www.kaggle.com/c/quora-insincere-questions-classification#description
   • https://sites.google.com/view/alw3/
   • http://poleval.pl/tasks/task6
2. Визначення подібності тексту чи перефразування тексту. Можна на основі новин зробити (різні ресурси часто перепощують ту саму інформацію іншими словами), а також використати дані:
   • https://www.kaggle.com/c/quora-question-pairs/data
   • http://alt.qcri.org/semeval2016/task1/
3. Визначення авторства чи визначення статі/віку/соціальної групи автора. Можна будь-яких авторів будь-якою мовою назбирати. Приклад даних: https://www.kaggle.com/c/spooky-author-identification.
4. Визначення емоцій/сентиментів для конкретного домену. Можна своїх даних наскрейпити зі споживацьких сайтів. Також є багато готових корпусів, наприклад, про емоції є тут:
   • https://competitions.codalab.org/competitions/17751
   • http://doraemon.iis.sinica.edu.tw/emotionlines/download.html
5. Визначення найбільш ймовірного закінчення історії. Можна нагенерувати своїх даних з невеличких текстів, а також є https://competitions.codalab.org/competitions/15333.
6. Визначення значень слів. Є, наприклад, https://nlpub.github.io/russe-wsi-kit/.
7. Моделювання граматичних помилок, які роблять ті, хто вивчає мову:
   • https://www.cl.cam.ac.uk/research/nl/bea2019st/
   • http://sharedtask.duolingo.com/
8. Виправлення граматичних помилок, які роблять ті, хто вивчає мову:
   • http://cl.naist.jp/nldata/lang-8/
   • http://www.comp.nus.edu.sg/~nlp/conll14st.html
9. Визначення іронії, сарказму чи мовних каламбурів:
   • https://competitions.codalab.org/competitions/17468#learn_the_details
   • http://alt.qcri.org/semeval2017/task7/
10. Усунення гендерних/вікових/расових/тощо упереджень з даних та моделей NLP:
    • https://github.com/google-research-datasets/gap-coreference
    • https://arxiv.org/pdf/1805.04508.pdf
    • https://arxiv.org/pdf/1607.06520.pdf
11. Визначення рівня ввічливості тексту:
    • https://www.cs.cornell.edu/~cristian/Politeness.html