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”

Semantic Space Transformations for Cross-Lingual Document Classification

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F18%3A43952471" target="_blank" >RIV/49777513:23520/18:43952471 - isvavai.cz</a>

  • Výsledek na webu

    <a href="http://dx.doi.org/10.1007/978-3-030-01418-6_60" target="_blank" >http://dx.doi.org/10.1007/978-3-030-01418-6_60</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1007/978-3-030-01418-6_60" target="_blank" >10.1007/978-3-030-01418-6_60</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Semantic Space Transformations for Cross-Lingual Document Classification

  • Popis výsledku v původním jazyce

    This paper deals with cross-lingual document classification. Cross-linguality is achieved by training monolingual semantic spaces and then using a transform method to project word vectors into a unified space. The main goal of this paper consists in the evaluation of three promising transform methods utilized for this task. Convolutional neural network (CNN) classifier is used and its performance is compared with a standard maximum entropy classifier. The proposed methods are evaluated on four languages, namely English, German, Spanish and Italian from the Reuters corpus. It is shown that the results of all transformation methods are close to each other, however the orthogonal transformation gives generally slightly better results when CNN with trained embeddings is used. The experimental results also show that convolutional network achieves better results than maximum entropy classifier.

  • Název v anglickém jazyce

    Semantic Space Transformations for Cross-Lingual Document Classification

  • Popis výsledku anglicky

    This paper deals with cross-lingual document classification. Cross-linguality is achieved by training monolingual semantic spaces and then using a transform method to project word vectors into a unified space. The main goal of this paper consists in the evaluation of three promising transform methods utilized for this task. Convolutional neural network (CNN) classifier is used and its performance is compared with a standard maximum entropy classifier. The proposed methods are evaluated on four languages, namely English, German, Spanish and Italian from the Reuters corpus. It is shown that the results of all transformation methods are close to each other, however the orthogonal transformation gives generally slightly better results when CNN with trained embeddings is used. The experimental results also show that convolutional network achieves better results than maximum entropy classifier.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • 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

    <a href="/cs/project/LO1506" target="_blank" >LO1506: Podpora udržitelnosti centra NTIS - Nové technologie pro informační společnost</a><br>

  • Návaznosti

    P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2018

  • Kód důvěrnosti údajů

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

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    Artificial Neural Networks and Machine Learning – ICANN 2018

  • ISBN

    978-3-030-01417-9

  • ISSN

    0302-9743

  • e-ISSN

    1611-3349

  • Počet stran výsledku

    9

  • Strana od-do

    608-616

  • Název nakladatele

    Springer

  • Místo vydání

    Cham

  • Místo konání akce

    Rhodos, Řecko

  • Datum konání akce

    4. 10. 2018

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku