• Natural Language Processing
• soft clustering
• sperimentazione Python
• topic modeling
• word embeddings

In questo elaborato vengono proposte alcune procedure di NLP per il trattamento di testi tecnici. Nella prima parte sono definiti i concetti teorici di interesse mentre nella seconda sono descritte le analisi sperimentali svolte. Nel primo capitolo vengono analizzate diverse procedure di clustering adatte per l'identificazione della struttura semantica sottostante i dati testuali. In particolare sono descritte procedure di clustering non-esclusivo, come Gaussian Mixtures e Fuzzy C-Means e diversi algoritmi per la calibrazione dei loro iperparametri. Nel secondo capitolo vengono approfondite tre differenti tecniche di rappresentazione vettoriale del linguaggio naturale (Latent Semantic Analysis (LSA), Neural word embeddings e Brown clusters) e alcuni metodi per la loro valutazione. Nel terzo capitolo vengono esaminati diversi modelli statistici, detti topic models, capaci di catturare le informazioni tematiche dai dati testuali. Infine nell'ultimo capitolo viene riportato lo studio sperimentale condotto nella tesi, svolto in parte attraverso un tirocinio presso Errequadro s.r.l., il cui obiettivo principale è studiare modalità di classificazione non supervisionata di documenti tecnici, in particolare brevetti in ambito sanitario, nel caso in cui le classi di attribuzione non siano tutte note a priori, lasciando aperta la possibilità di attribuire i documenti a più di una singola classe.