Title: Enriching Word Embeddings with Global Information and Testing on Highly Inflected language
Other Titles: Vylepšení reprezentace slovních vektorů s využitím globální informace a testování modelu na flektivním jazyce
Authors: Svoboda, Lukáš
Brychcín, Tomáš
Citation: SVOBODA, L., BRYCHCÍN, T. Enriching Word Embeddings with Global Information and Testing on Highly Inflected language. Computación y Systemas, 2019, roč. 23, č. 3, s. 773-783. ISSN 1405-5546.
Issue Date: 2019
Publisher: Instituto Politecnico Nacional
Document type: článek
article
URI: 2-s2.0-85076634219
http://hdl.handle.net/11025/36844
ISSN: 1405-5546
Keywords: Word2Vec, sémantická analýza, distribuční sémantika, CBOW, Skipgram, globální informace, flektivní jazyk, čeština,
Keywords in different language: Word2vec, skipgram, cbow, improving distributional word representation, using global information, new approach
Abstract: In this paper we evaluate our new approach based on the Continuous Bag-of-Words and Skip-gram models enriched with global context information on highly inflected Czech language and compare it with English results. As a source of information we use Wikipedia, where articles are organized in a hierarchy of categories. These categories provide useful topical information about each article. Both models are evaluated on standard word similarity and word analogy datasets. Proposed models outperform other word representation methods when similar size of training data is used. Model provide similar performance especially with methods trained on much larger datasets.
V tomto článku vyhodnocujeme metody založené na principu Skip-gram a CBOW pro extrakci reprezentace významu slov rozšířené o globální informaci, testujeme vylepšené metody na flektivním jazyce a porovnáváme s výsledky na angličtině. Korpus včetně globální informace generujeme z Wikipedie, kde jsou články organizovány hierarchicky dle kategorií. Tyto kategorie poskytují dodatečné a velmi užitečné informace (popis) o každém článku. Oba modely jsou otestovány na standardních korpusech slovních similarit a slovních analogií. Navrhované modely překonávají jiné metody reprezentace slov, zvláště když se používají podobné velikosti tréninkových dat. Nás model dává podobné výsledky s modely trénovanými na mnohem větších souborech dat
Rights: © Instituto Politecnico Nacional
Appears in Collections:Články / Articles (KIV)
OBD

Files in This Item:
File SizeFormat 
Svoboda 3268-6752-1-PB.pdf476,68 kBAdobe PDFView/Open


Please use this identifier to cite or link to this item: http://hdl.handle.net/11025/36844

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.

search
navigation
  1. DSpace at University of West Bohemia
  2. Publikační činnost / Publications
  3. OBD