How to discover interesting word cl

How to discover interesting word clusters (which can be leveraged for
document clustering) has itself attracted attention in the natural lan-

guage processing research community, with particular interests in discovering
word clusters that can characterize word senses [34] or a semantic
concept [21]. In [34], for example, the Markov clustering algorithm was
applied to discover corpus-specific word senses in an unsupervised way.
Specifically, a word association graph is first constructed in which related
words would be connected with an edge. For a given word that potentially
has multiple senses, we can then isolate the subgraph representing
its neighbors. These neighbors are expected to form clusters according to
different senses of the target word, thus by grouping together neighbors
that are well connected with each other, we can discover word clusters
that characterize different senses of the target word. In [21], an n-gram
class language model was proposed to cluster words based on minimizing
the loss of mutual information between adjacent words, which can
achieve the effect of grouping together words that share similar context
in natural language text.

Kết quả (Việt) 1:

Làm thế nào để khám phá thú vị cụm từ (mà có thể được thừa hưởng chotài liệu clustering) chính nó đã thu hút sự chú ý trong tự nhiên lan-đánh giá, xử lý các cộng đồng nghiên cứu, với các lợi ích cụ thể trong khám phácụm từ có thể mô tả cảm giác từ [34] hoặc một ngữ nghĩakhái niệm [21]. [34], ví dụ, thuật toán kết cụm Markov làáp dụng để khám phá cụ thể corpus từ giác quan một cách không có giám sát.Cụ thể, một đồ thị từ Hiệp hội lần đầu tiên xây dựng có liên quantừ nào được kết nối với một cạnh. Một từ nhất định mà khả năngcó nhiều giác quan, chúng tôi có thể sau đó có thể cô lập các đại diện cho gọnhàng xóm của mình. Những người hàng xóm phải dạng cụm theocác giác quan khác nhau của từ mục tiêu, vì vậy bằng cách nhóm cùng hàng xómđó là cũng được kết nối với nhau, chúng ta có thể khám phá từ cụmmà characterize các giác quan khác nhau của từ mục tiêu. Trong [21], một n-gamlớp học ngôn ngữ mô hình được đề xuất để cụm từ dựa trên giảm thiểusự mất mát của các thông tin lẫn nhau giữa các từ liền kề, mà có thểđạt được hiệu quả của nhóm với nhau lời chia sẻ tương tự như bối cảnhtrong văn bản ngôn ngữ tự nhiên.

Kết quả (Việt) 2:

Làm thế nào để phát hiện ra các cụm từ thú vị (mà có thể là đòn bẩy cho
phân nhóm tài liệu) đã tự nó đã thu hút sự chú ý trong tự nhiên ngữ xử lý ngôn cộng đồng nghiên cứu, với lợi ích cụ thể trong việc khám phá các cụm từ đó có thể mô giác quan từ [34] hoặc một ngữ nghĩa khái niệm [21 ]. Trong [34], ví dụ, các thuật toán phân nhóm Markov đã được áp dụng để khám phá các giác quan từ corpus cụ thể một cách không có giám sát. Cụ thể, một đồ thị liên kết từ được xây dựng đầu tiên, trong đó có liên quan từ sẽ được kết nối với một cạnh. Đối với một từ được cho rằng có khả năng có nhiều giác quan, chúng ta có thể cô lập các đồ thị con đại diện cho các nước láng giềng. Những người hàng xóm đang dự kiến sẽ hình thành các cụm theo nghĩa khác nhau của từ mục tiêu, do đó bằng cách nhóm lại với nhau hàng xóm mà cũng được kết nối với nhau, chúng ta có thể khám phá các cụm từ đặc trưng cho ý nghĩa khác nhau của từ mục tiêu. Trong [21], một n-gram mô hình ngôn ngữ học đã được đề xuất từ cụm dựa vào việc giảm thiểu việc mất thông tin lẫn nhau giữa các từ lân cận, trong đó có thể đạt được hiệu quả của nhóm lại với nhau từ đó chia sẻ bối cảnh tương tự trong văn bản ngôn ngữ tự nhiên.