Table 1 shows the correlation value

Table 1 shows the correlation values in all cases. We observe that increasing the dimension of word vectors improve their ability to capture semantic properties of words. The above results indicate that less than d = 200 dimension will likely to be a bad choice for any NLP tasks. Due to the limited computing power, we could not complete our experiments with 500 and 1000 dimensional vector representations. We have also calculated the Spearman and Kendall-Tau’s correlation in each
case and have observed similar trends in all cases

Kết quả (Việt) 1:

Bảng 1 cho thấy các giá trị tương quan trong mọi trường hợp. Chúng tôi quan sát rằng gia tăng kích thước của từ vectơ cải thiện khả năng của họ để nắm bắt các thuộc tính ngữ nghĩa của từ. Kết quả trên cho thấy rằng ít hơn d = 200 kích thước sẽ có khả năng là một lựa chọn xấu cho bất kỳ công việc NLP. Do hạn chế khả năng tính toán, chúng tôi không thể hoàn thành của chúng tôi thử nghiệm với 500 và 1000 chiều vector đại diện. Chúng tôi cũng đã tính toán tương quan Spearman và Kendall-tàu trong mỗitrường hợp và đã quan sát các xu hướng tương tự như trong mọi trường hợp

Kết quả (Việt) 2:

Bảng 1 cho thấy các giá trị tương quan trong mọi trường hợp. Chúng tôi nhận thấy rằng việc tăng kích thước của vector từ cải thiện khả năng của họ để nắm bắt tính chất ngữ nghĩa của các từ. Các kết quả trên cho thấy ít hơn d = 200 chiều sẽ có thể là một lựa chọn không tồi cho bất kỳ nhiệm vụ NLP. Do khả năng tính toán hạn chế, chúng tôi không thể hoàn thành thí nghiệm của chúng tôi với 500 và 1000 đại diện vector chiều. Chúng tôi cũng đã tính toán sự tương quan Spearman và Kendall-Tàu trong từng
trường hợp và đã quan sát các xu hướng tương tự trong tất cả các trường hợp