We consider the unsupervised domain

We consider the unsupervised domain adaptation methods described in § 3: structural correspondence learning (SCL), Brown clustering, word2vec,3 and FEMA, which we train in both the single embedding mode (FEMA-single), where metadata attributes are ignored, and in multi attribute mode (FEMA attribute), where metadata attributes are used. The domain adaptation models are trained on the union of the (unlabeled) source and target dataset. This ensures that there are no out-of vocabulary items for the word or feature embeddings.

Kết quả (Việt) 1:

Chúng tôi xem xét các tên miền không có giám sát phương pháp thích ứng được mô tả trong § 3: cấu trúc thư từ học (SCL), Brown clustering, word2vec, 3 và FEMA, chúng tôi đào tạo trong cả hai đơn nhúng chế độ (FEMA-đĩa đơn), nơi mà các siêu dữ liệu thuộc tính được bỏ qua, và trong chế độ thuộc tính đa (FEMA thuộc tính), nơi các siêu dữ liệu thuộc tính được sử dụng. Các mô hình thích ứng miền được đào tạo vào liên minh của các nguồn (ổ) và bộ dữ liệu mục tiêu. Điều này đảm bảo rằng không có không có ra của mục từ vựng cho word hoặc tính năng embeddings.

Kết quả (Việt) 2:

Chúng tôi xem xét các phương pháp thích ứng miền không giám sát được mô tả trong § 3: thư từ cấu trúc học tập (SCL), Brown clustering, word2vec, 3 và FEMA, mà chúng tôi đào tạo trong cả hai chế độ đơn nhúng (FEMA-đơn), nơi các thuộc tính siêu dữ liệu được bỏ qua, và trong chế độ đa thuộc tính (FEMA thuộc tính), nơi các thuộc tính siêu dữ liệu được sử dụng. Các mô hình thích ứng miền được đào tạo về các công đoàn của (không có nhãn) nguồn và mục tiêu tập dữ liệu. Điều này đảm bảo rằng không có ngoài mục từ vựng cho các từ hoặc tính năng embeddings.