Semantic Space Transformations for Cross-Lingual Document Classification

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>

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.

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)

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

Rok uplatnění

2018

Kód důvěrnosti údajů

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

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

—