The Benefit of Document Embedding in Unsupervised Document Classification

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F18%3A43952604" target="_blank" >RIV/49777513:23520/18:43952604 - isvavai.cz</a>

Výsledek na webu

<a href="https://link.springer.com/chapter/10.1007/978-3-319-99579-3_49" target="_blank" >https://link.springer.com/chapter/10.1007/978-3-319-99579-3_49</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-319-99579-3_49" target="_blank" >10.1007/978-3-319-99579-3_49</a>

Jazyk výsledku

angličtina

Název v původním jazyce

The Benefit of Document Embedding in Unsupervised Document Classification

Popis výsledku v původním jazyce

The aim of this article is to show that the document embedding using the doc2vec algorithm can substantially improve the performance of the standard method for unsupervised document classification -- the K-means clustering. We have performed rather extensive set of experiments on one English and two Czech datasets and the results suggest that representing the documents using vectors generated by the doc2vec algorithm brings a consistent improvement across languages and datasets. The English dataset -- 20NewsGroups -- was processed in a way that allows direct comparison with the results of both supervised and unsupervised algorithms published previously. Such comparison is provided in the paper, together with the results of supervised classification achieved by the state-of-the-art SVM classifier.

Název v anglickém jazyce

The Benefit of Document Embedding in Unsupervised Document Classification

Popis výsledku anglicky

The aim of this article is to show that the document embedding using the doc2vec algorithm can substantially improve the performance of the standard method for unsupervised document classification -- the K-means clustering. We have performed rather extensive set of experiments on one English and two Czech datasets and the results suggest that representing the documents using vectors generated by the doc2vec algorithm brings a consistent improvement across languages and datasets. The English dataset -- 20NewsGroups -- was processed in a way that allows direct comparison with the results of both supervised and unsupervised algorithms published previously. Such comparison is provided in the paper, together with the results of supervised classification achieved by the state-of-the-art SVM classifier.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20205 - Automation and control systems

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)

Rok uplatnění

2018

Kód důvěrnosti údajů

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

Název statě ve sborníku

Speech and Computer 20th International Conference, SPECOM 2018 Leipzig, Germany, September 18-22, 2018 Proceedings

ISBN

978-3-319-99578-6

ISSN

0302-9743

e-ISSN

1611-3349

Počet stran výsledku

9

Strana od-do

470-478

Název nakladatele

Springer

Místo vydání

Cham

Místo konání akce

Leipzig, Germany

Datum konání akce

18. 9. 2018

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—