ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
CIVILICAWe Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

Proposed Feature Selection Method to Reduce Dimensions of Semantic Vectors

سال انتشار: 1398
کد COI مقاله: ICIKT10_043
زبان مقاله: انگلیسیمشاهد این مقاله: 152
متن کامل این مقاله منتشر نشده است و فقط به صورت چکیده یا چکیده مبسوط در پایگاه موجود می باشد.
توضیح: معمولا کلیه مقالاتی که کمتر از ۵ صفحه باشند در پایگاه سیویلیکا اصل مقاله (فول تکست) محسوب نمی شوند و فقط کاربران عضو بدون کسر اعتبار می توانند فایل آنها را دریافت نمایند.

خرید و دانلود فایل مقاله

متن کامل (فول تکست) این مقاله منتشر نشده و یا در سایت موجود نیست و امکان خرید آن فراهم نمی باشد.

مشخصات نویسندگان مقاله Proposed Feature Selection Method to Reduce Dimensions of Semantic Vectors

Atefe Pakzad - School of Computer Engineering Iran University of Science and Technology Tehran, Iran
Morteza Analoui - School of Computer Engineering Iran University of Science and Technology Tehran, Iran

چکیده مقاله:

Distributional semantic models (DSMs) represent semantics efficiently in natural language processing. The models are able to represent meaning using distributional information. DSMs suppose that the words which appear in similar contexts are semantically similar. Distributional semantic models represent the meaning of words as vectors whose values have been learned from corpus by looking at what other words occur with it in a context. The meaning distribution of a word is represented by a vector in the vector space that the basis vectors come from the context. The basis vectors used in such models are the most frequent words in a corpus. It is necessary to reduce high dimensional basis vectors since computational constraints. This research proposes a framework for the reduction of context words by feature selection via comparison of distance matrices. In this framework, each reduced feature corresponding to a word in contrast to feature fusion methods like NMF. The proposed method selected 500 and 1000 context words as basis vectors. Results show just about 1%-2% accuracy drop for MEN and SimLex-999 datasets. It shows that reduced basis vectors are efficient in calculating semantic vectors which preserve interpretability of context words

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/982278/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
Pakzad, Atefe and Analoui, Morteza,1398,Proposed Feature Selection Method to Reduce Dimensions of Semantic Vectors,دهمین کنفرانس فناوری اطلاعات و دانشIKT2019,تهران,,,https://civilica.com/doc/982278

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1398, Pakzad, Atefe؛ Morteza Analoui)
برای بار دوم به بعد: (1398, Pakzad؛ Analoui)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مدیریت اطلاعات پژوهشی

صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه دولتی
تعداد مقالات: 21,379
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مقالات مرتبط جدید

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

پشتیبانی