Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Integrating graph embedding and neural models for improving transition-based dependency parsing

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F23%3ADP3UGVQB" target="_blank" >RIV/00216208:11320/23:DP3UGVQB - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://www.scopus.com/inward/record.uri?eid=2-s2.0-85178157836&doi=10.1007%2fs00521-023-09223-3&partnerID=40&md5=d673340f56fbc637987bfe6b5b11b923" target="_blank" >https://www.scopus.com/inward/record.uri?eid=2-s2.0-85178157836&doi=10.1007%2fs00521-023-09223-3&partnerID=40&md5=d673340f56fbc637987bfe6b5b11b923</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1007/s00521-023-09223-3" target="_blank" >10.1007/s00521-023-09223-3</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Integrating graph embedding and neural models for improving transition-based dependency parsing

  • Popis výsledku v původním jazyce

    "This paper introduces an effective method for improving dependency parsing which is based on a graph embedding model. The model helps extract local and global connectivity patterns between tokens. This method allows neural network models to perform better on dependency parsing benchmarks. We propose to incorporate node embeddings trained by a graph embedding algorithm into a bidirectional recurrent neural network scheme. The new model outperforms a baseline reference using a state-of-the-art method on three dependency treebanks for both low-resource and high-resource natural languages, namely Indonesian, Vietnamese and English. We also show that the popular pretraining technique of BERT would not pick up on the same kind of signal as graph embeddings. The new parser together with all trained models is made available under an open-source license, facilitating community engagement and advancement of natural language processing research for two low-resource languages with around 300 million users worldwide in total. © 2023, The Author(s), under exclusive licence to Springer-Verlag London Ltd., part of Springer Nature."

  • Název v anglickém jazyce

    Integrating graph embedding and neural models for improving transition-based dependency parsing

  • Popis výsledku anglicky

    "This paper introduces an effective method for improving dependency parsing which is based on a graph embedding model. The model helps extract local and global connectivity patterns between tokens. This method allows neural network models to perform better on dependency parsing benchmarks. We propose to incorporate node embeddings trained by a graph embedding algorithm into a bidirectional recurrent neural network scheme. The new model outperforms a baseline reference using a state-of-the-art method on three dependency treebanks for both low-resource and high-resource natural languages, namely Indonesian, Vietnamese and English. We also show that the popular pretraining technique of BERT would not pick up on the same kind of signal as graph embeddings. The new parser together with all trained models is made available under an open-source license, facilitating community engagement and advancement of natural language processing research for two low-resource languages with around 300 million users worldwide in total. © 2023, The Author(s), under exclusive licence to Springer-Verlag London Ltd., part of Springer Nature."

Klasifikace

  • Druh

    J<sub>SC</sub> - Článek v periodiku v databázi SCOPUS

  • CEP obor

  • OECD FORD obor

    10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Návaznosti výsledku

  • Projekt

  • Návaznosti

Ostatní

  • Rok uplatnění

    2023

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název periodika

    "Neural Computing and Applications"

  • ISSN

    0941-0643

  • e-ISSN

  • Svazek periodika

    ""

  • Číslo periodika v rámci svazku

    2023

  • Stát vydavatele periodika

    US - Spojené státy americké

  • Počet stran výsledku

    18

  • Strana od-do

    2999-3016

  • Kód UT WoS článku

  • EID výsledku v databázi Scopus

    2-s2.0-85178157836