用自组织映射聚类词嵌入：在LaRoSeDa——大型罗马尼亚语情感数据集上的应用
计算与语言
2021-01-13 v1
摘要
罗马尼亚语是计算语言学中研究不足的语言之一，可用于开发自然语言处理工具的语料资源很少。本文我们介绍LaRoSeDa，一个大型罗马尼亚语情感数据集，由从罗马尼亚最大电子商务平台之一收集的15000条正面与负面评论组成。我们采用两种情感分类方法作为新数据集的基线，一种基于低级特征（字符n-gram），一种基于高级特征（通过k-means聚类词嵌入生成的词嵌入袋）。作为额外贡献，我们用自组织映射（SOMs）替代k-means聚类算法，获得了更好的结果，因为生成的词嵌入簇更贴近已知支配自然语言的齐夫律分布。我们还在另一个近期推出的罗马尼亚语数据集上展示了使用SOMs聚类词嵌入的泛化能力，用于按主题的文本分类。
引用
@article{arxiv.2101.04197,
title = {Clustering Word Embeddings with Self-Organizing Maps. Application on LaRoSeDa -- A Large Romanian Sentiment Data Set},
author = {Anca Maria Tache and Mihaela Gaman and Radu Tudor Ionescu},
journal= {arXiv preprint arXiv:2101.04197},
year = {2021}
}
备注
Accepted at EACL 2021