Domain-Specific Adaptation of General-Purpose Embeddings for Email Similarity Detection: A Transfer Learning Approach

Diplomová práce zkoumá dodatečnou adaptaci detektoru e-mailů postaveného na fixním encoderu vět a klasifikaci podle nejbližších sousedů v referenční databázi. Možné modifikace se dělí na úpravy reprezentace a úpravy rozhodovacího pravidla a posuzují se ve třech rodinách metod: geometrické transformace embeddingů, využití metadat zpráv a komprese referenční databáze. Smysluplná adaptace je dosažitelná jen výběrově -- klíčové je místo zásahu, nikoli složitost zvolené metody. Z transformací reprezentace vychází nejlépe centrování, metadata jsou užitečná především v rozhodovacím pravidle a výraznou kompresi databáze lze provést teprve po geometrické stabilizaci reprezentace. Práce přispívá rozkladem dodatečné adaptace na transformační a rozhodovací složku, použitelným v jakémkoli vyhledávacím systému s neměnným encoderem, a návodem ukazujícím, kde jednotlivé modifikace pomáhají a kde nikoli.