Resumen

La incrustación de palabras, una representación vectorial léxica generada a través del modelo lingüístico neural (NLM), ha demostrado empíricamente ser adecuada para mejorar el rendimiento del modelo lingüístico tradicional. Sin embargo, la suprema dimensionalidad que es inherente al NLM contribuye a los problemas de hiperparámetros y al largo tiempo de entrenamiento en el modelado. Aquí, proponemos un método dirigido por la fuerza para mejorar tales problemas para simplificar la generación de la incrustación de palabras. En este marco, cada palabra se asume como un punto en el mundo real, por lo que puede simular aproximadamente el movimiento físico siguiendo cierta mecánica. Para simular la variación del significado en las frases, utilizamos la mecánica de la fractura para hacer la formación y la ruptura del significado combinado por un grupo de palabras de 2 gramos. Con los experimentos sobre las tareas lingüísticas naturales de etiquetado de parte del habla, reconocimiento de entidades con nombre y etiquetado de roles semánticos, el resultado demostró que la incrustación de palabras de 2 gramos puede rivalizar con las incrustaciones de palabras generadas por los NLM clásicos, en términos de precisión, recuperación y visualización del texto.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva
• Subjects:Artificial intelligence Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience
• Palabras claves:incrustación de palabras, etiquetado de roles semánticos, representación vectorial léxica, términos de precisión, modelo lingüístico neural, variación de significado, modelo lingüístico tradicional, tarea de parte, tarea lingüística natural, reconocimiento de entidades con nombre
• Keywords:word embedding, semantic role labeling, lexical vector representation, terms of accuracy, neural linguistic model, variation of meaning, traditional language model, task of part, natural linguistic task, named entity recognition