{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2969745"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2969745","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"MULTI-LABEL TEXT CLASSIFICATION FOR GREEK LEGAL DOCUMENTS","abstract":"Η \\Ταξινόμηση Κειμένου Πολλαπλών Ετικετών της Ελληνικής Νομοθεσίας αναφέρεται στο πρόβλημα της αντιστοίχισης ενός κειμένου με τις πιο σχετικές κατηγορίες απο ενα συνολο εκατοντάδων ή και χιλιάδων ετικετών. Ο ερευνιτικός αυτός κλάδος έχει λάβει αρκετή προσοχή τα τελευταία χρόνια αφου συναντάται σε πολλές εφαρμογές και προβλήματα τόσο στον πραγματικό κόσμο όσο και στον βιομηχανικό τομέα. Η κατηγοριοποίηση βιο-ιατρικών κειμένων, ιστοσελίδων της Wikipedia, προϊόντων της Amazon, και κειμένων νομικού περιεχομένου, είναι μονο μερικά χαρακτηριστικά παραδείγματα. Σε αυτήν την διπλωματική εργασία μελετάμε το παραπάνω πρόβλημα υπό το πρίσμα κειμένων νομοθετικού περιεχομένου τα οποία προέρχονται κατευθείαν απο το ελληνικό κοινοβούλιο. Για τα πειράματα μας χρησιμοποιήσαμε το Raptarchis47k, ένα νέο ιεραρχικά δομημένο σύνολο δεδομένων (dataset) που περιέχει αρχεία τού ελληνικού συντάγματος της περιόδου 1832-2015. Επιπλέον επειδή το συγκεκριμένο dataset έχει δημοσιευθεί αρκετά πρόσφατα, λίγα είναι γνωστά για την φύση και σύνθεση του. Παρόλα αυτά κατά την συγγραφή αυτης της εργασίας, ανακαλύψαμε νέες πληροφορίες σχετικές με την ιεραρχια και τη οργάνωση του. Ως αποτέλεσμα λοιπον, παραθέτουμε μια περιεκτική ανάλυση της δομής και των αλληλοσυνδέσεων των labels (ετικετών) που υπάρχουν σε αυτό. Έπειτα συνεχίζουμε με την ανάπτυξη των μοντέλων μας. Συλλογιζόμενοι τα εξαιρετικά αποτελέσματα της Βαθιάς Μηχανικής Μάθησης, επιχειρούμε να επωφεληθούμε απο αυτές τις προσεγγίσεις προσπαθώντας να τις ενσωματώσουμε στις απαιτήσεις του προβλήματος. Εντούτοις, ξέροντας πως η αφελής, βιαστική και απλοική εφαρμογή τους οδηγει σε υπο-βέλτιστα αποτελέσματα, ακολουθούμε σαν πυξιδα τις σημαντικότερες δημοσιεύσεις στην περιοχή, ενω παράλληλα συζητάμε και προτείνουμε τις δικες μας λύσεις και προτασεις. Συνολικά, προσδοκούμε αυτή η μελέτη να συνεισφέρει στην υπάρχουσα βιβλιογραφία στον τομέα της Επεξεργασίας Φυσικής Γλώσσας (NLP) καθώς επίσης και να αποτελέσει εφαλτήριο για περαιτέρω μελέτη, κατανόηση και επίλυση του τρέχοντος προβλήματος.","abstract_html":"Η \\Ταξινόμηση Κειμένου Πολλαπλών Ετικετών της Ελληνικής Νομοθεσίας αναφέρεται στο πρόβλημα της αντιστοίχισης ενός κειμένου με τις πιο σχετικές κατηγορίες απο ενα συνολο εκατοντάδων ή και χιλιάδων ετικετών. Ο ερευνιτικός αυτός κλάδος έχει λάβει αρκετή προσοχή τα τελευταία χρόνια αφου συναντάται σε πολλές εφαρμογές και προβλήματα τόσο στον πραγματικό κόσμο όσο και στον βιομηχανικό τομέα. Η κατηγοριοποίηση βιο-ιατρικών κειμένων, ιστοσελίδων της Wikipedia, προϊόντων της Amazon, και κειμένων νομικού περιεχομένου, είναι μονο μερικά χαρακτηριστικά παραδείγματα. Σε αυτήν την διπλωματική εργασία μελετάμε το παραπάνω πρόβλημα υπό το πρίσμα κειμένων νομοθετικού περιεχομένου τα οποία προέρχονται κατευθείαν απο το ελληνικό κοινοβούλιο. Για τα πειράματα μας χρησιμοποιήσαμε το Raptarchis47k, ένα νέο ιεραρχικά δομημένο σύνολο δεδομένων (dataset) που περιέχει αρχεία τού ελληνικού συντάγματος της περιόδου 1832-2015. Επιπλέον επειδή το συγκεκριμένο dataset έχει δημοσιευθεί αρκετά πρόσφατα, λίγα είναι γνωστά για την φύση και σύνθεση του. Παρόλα αυτά κατά την συγγραφή αυτης της εργασίας, ανακαλύψαμε νέες πληροφορίες σχετικές με την ιεραρχια και τη οργάνωση του. Ως αποτέλεσμα λοιπον, παραθέτουμε μια περιεκτική ανάλυση της δομής και των αλληλοσυνδέσεων των labels (ετικετών) που υπάρχουν σε αυτό. Έπειτα συνεχίζουμε με την ανάπτυξη των μοντέλων μας. Συλλογιζόμενοι τα εξαιρετικά αποτελέσματα της Βαθιάς Μηχανικής Μάθησης, επιχειρούμε να επωφεληθούμε απο αυτές τις προσεγγίσεις προσπαθώντας να τις ενσωματώσουμε στις απαιτήσεις του προβλήματος. Εντούτοις, ξέροντας πως η αφελής, βιαστική και απλοική εφαρμογή τους οδηγει σε υπο-βέλτιστα αποτελέσματα, ακολουθούμε σαν πυξιδα τις σημαντικότερες δημοσιεύσεις στην περιοχή, ενω παράλληλα συζητάμε και προτείνουμε τις δικες μας λύσεις και προτασεις. Συνολικά, προσδοκούμε αυτή η μελέτη να συνεισφέρει στην υπάρχουσα βιβλιογραφία στον τομέα της Επεξεργασίας Φυσικής Γλώσσας (NLP) καθώς επίσης και να αποτελέσει εφαλτήριο για περαιτέρω μελέτη, κατανόηση και επίλυση του τρέχοντος προβλήματος.","abstract_has_math":false,"creators":["Παπαθεοδώρου Απόστολος","Papatheodorou Apostolos"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2022,"date_issued":"2022","date_published":"2022","updated_at":"2026-11-19T05:44:35Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["Ελληνικά","English","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2969745"],"render_values":[{"text":"uoadl:2969745","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2969745","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2969745","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A2969745","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Παπαθεοδώρου Απόστολος","Papatheodorou Apostolos"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2022"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Θετικές Επιστήμες","Science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","English","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2969745","https://pergamos.lib.uoa.gr/uoa/dl/object/2969745"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η \\Ταξινόμηση Κειμένου Πολλαπλών Ετικετών της Ελληνικής Νομοθεσίας αναφέρεται στο πρόβλημα της αντιστοίχισης ενός κειμένου με τις πιο σχετικές κατηγορίες απο ενα συνολο εκατοντάδων ή και χιλιάδων ετικετών. Ο ερευνιτικός αυτός κλάδος έχει λάβει αρκετή προσοχή τα τελευταία χρόνια αφου συναντάται σε πολλές εφαρμογές και προβλήματα τόσο στον πραγματικό κόσμο όσο και στον βιομηχανικό τομέα. Η κατηγοριοποίηση βιο-ιατρικών κειμένων, ιστοσελίδων της Wikipedia, προϊόντων της Amazon, και κειμένων νομικού περιεχομένου, είναι μονο μερικά χαρακτηριστικά παραδείγματα. Σε αυτήν την διπλωματική εργασία μελετάμε το παραπάνω πρόβλημα υπό το πρίσμα κειμένων νομοθετικού περιεχομένου τα οποία προέρχονται κατευθείαν απο το ελληνικό κοινοβούλιο. Για τα πειράματα μας χρησιμοποιήσαμε το Raptarchis47k, ένα νέο ιεραρχικά δομημένο σύνολο δεδομένων (dataset) που περιέχει αρχεία τού ελληνικού συντάγματος της περιόδου 1832-2015. Επιπλέον επειδή το συγκεκριμένο dataset έχει δημοσιευθεί αρκετά πρόσφατα, λίγα είναι γνωστά για την φύση και σύνθεση του. Παρόλα αυτά κατά την συγγραφή αυτης της εργασίας, ανακαλύψαμε νέες πληροφορίες σχετικές με την ιεραρχια και τη οργάνωση του. Ως αποτέλεσμα λοιπον, παραθέτουμε μια περιεκτική ανάλυση της δομής και των αλληλοσυνδέσεων των labels (ετικετών) που υπάρχουν σε αυτό. Έπειτα συνεχίζουμε με την ανάπτυξη των μοντέλων μας. Συλλογιζόμενοι τα εξαιρετικά αποτελέσματα της Βαθιάς Μηχανικής Μάθησης, επιχειρούμε να επωφεληθούμε απο αυτές τις προσεγγίσεις προσπαθώντας να τις ενσωματώσουμε στις απαιτήσεις του προβλήματος. Εντούτοις, ξέροντας πως η αφελής, βιαστική και απλοική εφαρμογή τους οδηγει σε υπο-βέλτιστα αποτελέσματα, ακολουθούμε σαν πυξιδα τις σημαντικότερες δημοσιεύσεις στην περιοχή, ενω παράλληλα συζητάμε και προτείνουμε τις δικες μας λύσεις και προτασεις. Συνολικά, προσδοκούμε αυτή η μελέτη να συνεισφέρει στην υπάρχουσα βιβλιογραφία στον τομέα της Επεξεργασίας Φυσικής Γλώσσας (NLP) καθώς επίσης και να αποτελέσει εφαλτήριο για περαιτέρω μελέτη, κατανόηση και επίλυση του τρέχοντος προβλήματος.","Extreme Multi-label Text Classification (XMTC) refers to the problem of tagging text sequences with a set of labels extracted from a large collection of hundreds or even thousands of concepts. The scientific field of XMTC has received substantial attention in the last few years since it can be found in many industrial and real-world scenarios. Biomedical text annotation, Wikipedia page tagging, amazon product labeling, and legal document categorization are only some of its most widespread commercial applications. In this dissertation, we are addressing the multi-label text classification problem based on legal documents derived from the legislation code of the Greek parliament. To achieve our goals, we use the Raptarchis47k dataset, a novel hierarchically structured dataset that encompasses Greek legal texts from the period between 1835 to 2015. Unfortunately, because Raptarcihis47k is recently released little is known about its inner structure and composition. Despite this, however, during the writing of our thesis, we discover some useful but unknown information about its label connections and hierarchy. Hence, we provide a thorough and concise analysis of the intrinsic structure and organisation of the dataset. Going forward and after the end of the above procedure we continue with the development of our models. So, considering that deep learning approaches and especially transformers have achieved extraordinary results on many downstream NLP tasks, we try to take advantage of these methods and generalize them to the requirements our problem. Nevertheless, having noticed that naively applied BERT-based models directly to XMTC leads to sub-optimal solutions, we follow as guideline other state-of-the-art methods in the field. Finally, We also give our suggestions and proposals in order to deal with the problem in the best possible and more efficient way. All things considered, we anticipate this thesis to contribute to the expansion of the existing Greek NLP literature and also, to establish a solid groundwork for any future study relevant to the domain of legal multi-label text classification."]},{"key":"dc:title","label":"Title","values":["MULTI-LABEL TEXT CLASSIFICATION FOR GREEK LEGAL DOCUMENTS"]}]}],"canonical_facts":{"dc:creator":["Παπαθεοδώρου Απόστολος","Papatheodorou Apostolos"],"dc:date":["2022"],"dc:description":["Η \\Ταξινόμηση Κειμένου Πολλαπλών Ετικετών της Ελληνικής Νομοθεσίας αναφέρεται στο πρόβλημα της αντιστοίχισης ενός κειμένου με τις πιο σχετικές κατηγορίες απο ενα συνολο εκατοντάδων ή και χιλιάδων ετικετών. Ο ερευνιτικός αυτός κλάδος έχει λάβει αρκετή προσοχή τα τελευταία χρόνια αφου συναντάται σε πολλές εφαρμογές και προβλήματα τόσο στον πραγματικό κόσμο όσο και στον βιομηχανικό τομέα. Η κατηγοριοποίηση βιο-ιατρικών κειμένων, ιστοσελίδων της Wikipedia, προϊόντων της Amazon, και κειμένων νομικού περιεχομένου, είναι μονο μερικά χαρακτηριστικά παραδείγματα. Σε αυτήν την διπλωματική εργασία μελετάμε το παραπάνω πρόβλημα υπό το πρίσμα κειμένων νομοθετικού περιεχομένου τα οποία προέρχονται κατευθείαν απο το ελληνικό κοινοβούλιο. Για τα πειράματα μας χρησιμοποιήσαμε το Raptarchis47k, ένα νέο ιεραρχικά δομημένο σύνολο δεδομένων (dataset) που περιέχει αρχεία τού ελληνικού συντάγματος της περιόδου 1832-2015. Επιπλέον επειδή το συγκεκριμένο dataset έχει δημοσιευθεί αρκετά πρόσφατα, λίγα είναι γνωστά για την φύση και σύνθεση του. Παρόλα αυτά κατά την συγγραφή αυτης της εργασίας, ανακαλύψαμε νέες πληροφορίες σχετικές με την ιεραρχια και τη οργάνωση του. Ως αποτέλεσμα λοιπον, παραθέτουμε μια περιεκτική ανάλυση της δομής και των αλληλοσυνδέσεων των labels (ετικετών) που υπάρχουν σε αυτό. Έπειτα συνεχίζουμε με την ανάπτυξη των μοντέλων μας. Συλλογιζόμενοι τα εξαιρετικά αποτελέσματα της Βαθιάς Μηχανικής Μάθησης, επιχειρούμε να επωφεληθούμε απο αυτές τις προσεγγίσεις προσπαθώντας να τις ενσωματώσουμε στις απαιτήσεις του προβλήματος. Εντούτοις, ξέροντας πως η αφελής, βιαστική και απλοική εφαρμογή τους οδηγει σε υπο-βέλτιστα αποτελέσματα, ακολουθούμε σαν πυξιδα τις σημαντικότερες δημοσιεύσεις στην περιοχή, ενω παράλληλα συζητάμε και προτείνουμε τις δικες μας λύσεις και προτασεις. Συνολικά, προσδοκούμε αυτή η μελέτη να συνεισφέρει στην υπάρχουσα βιβλιογραφία στον τομέα της Επεξεργασίας Φυσικής Γλώσσας (NLP) καθώς επίσης και να αποτελέσει εφαλτήριο για περαιτέρω μελέτη, κατανόηση και επίλυση του τρέχοντος προβλήματος.","Extreme Multi-label Text Classification (XMTC) refers to the problem of tagging text sequences with a set of labels extracted from a large collection of hundreds or even thousands of concepts. The scientific field of XMTC has received substantial attention in the last few years since it can be found in many industrial and real-world scenarios. Biomedical text annotation, Wikipedia page tagging, amazon product labeling, and legal document categorization are only some of its most widespread commercial applications. In this dissertation, we are addressing the multi-label text classification problem based on legal documents derived from the legislation code of the Greek parliament. To achieve our goals, we use the Raptarchis47k dataset, a novel hierarchically structured dataset that encompasses Greek legal texts from the period between 1835 to 2015. Unfortunately, because Raptarcihis47k is recently released little is known about its inner structure and composition. Despite this, however, during the writing of our thesis, we discover some useful but unknown information about its label connections and hierarchy. Hence, we provide a thorough and concise analysis of the intrinsic structure and organisation of the dataset. Going forward and after the end of the above procedure we continue with the development of our models. So, considering that deep learning approaches and especially transformers have achieved extraordinary results on many downstream NLP tasks, we try to take advantage of these methods and generalize them to the requirements our problem. Nevertheless, having noticed that naively applied BERT-based models directly to XMTC leads to sub-optimal solutions, we follow as guideline other state-of-the-art methods in the field. Finally, We also give our suggestions and proposals in order to deal with the problem in the best possible and more efficient way. All things considered, we anticipate this thesis to contribute to the expansion of the existing Greek NLP literature and also, to establish a solid groundwork for any future study relevant to the domain of legal multi-label text classification."],"dc:identifier":["uoadl:2969745","https://pergamos.lib.uoa.gr/uoa/dl/object/2969745"],"dc:language":["Ελληνικά","English","Greek"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["MULTI-LABEL TEXT CLASSIFICATION FOR GREEK LEGAL DOCUMENTS"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:44:35Z"}