In this study, we have shown that w

In this study, we have shown that while word2vec with skip-gram model gave the best performance
compared to other models in the semantic similarity task, none of the model significantly outperformed others in the semantic relatedness task. Our results indicate that word-vectors should be at least of dimension 200, irrespective of the embedding model. However, further systematic evaluation of all models on more complex NLP tasks, such as medical concept and relation extraction, is required to find out which model will work best

Kết quả (Việt) 1:

Trong nghiên cứu này, chúng tôi đã chỉ ra rằng trong khi word2vec với bỏ qua-gam mô hình cho diễn xuất sắc nhấtkhông ai trong số các mô hình so với các mô hình khác trong công việc tương tự ngữ nghĩa, đáng kể tốt hơn những người khác trong công việc relatedness ngữ nghĩa. Kết quả của chúng tôi cho thấy rằng từ-vectơ nên ít của kích thước 200, không phân biệt các mô hình nhúng. Tuy nhiên, tiếp tục có hệ thống đánh giá của tất cả các mô hình về trách nhiệm NLP phức tạp hơn, chẳng hạn như khái niệm y tế và khai thác mối quan hệ, là cần thiết để tìm hiểu mô hình mà sẽ làm việc tốt nhất

Kết quả (Việt) 2:

Trong nghiên cứu này, chúng tôi đã chỉ ra rằng trong khi word2vec với mô hình skip-gram cho hiệu suất tốt nhất
so với các mô hình khác trong các nhiệm vụ tương tự ngữ nghĩa, không ai trong số các mô hình tốt hơn đáng kể những người khác trong công việc gì liên quan ngữ nghĩa. Kết quả của chúng tôi chỉ ra rằng từ-vectơ nên có ít nhất có kích thước 200, không phân biệt các mô hình nhúng. Tuy nhiên, tiếp tục đánh giá có hệ thống của tất cả các mô hình trên nhiều nhiệm vụ NLP phức tạp, chẳng hạn như khái niệm y tế và khai thác mối quan hệ, là cần thiết để tìm ra mô hình sẽ làm việc tốt nhất