| Title: | UWB @ DIACR-Ita: Lexical Semantic Change Detection with CCA and Orthogonal Transformation |
| Other Titles: | UWB @ DIACR-Ita: Detakce změny významu slov s využitím CCA a ortogonální transformace |
| Authors: | Pražák, Ondřej Přibáň, Pavel Taylor, Stephen |
| Citation: | PRAŽÁK, O., PŘIBÁŇ, P., TAYLOR, S. UWB @ DIACR-Ita: Lexical Semantic Change Detection with CCA and Orthogonal Transformation. In: Proceedings of the Seventh Evaluation Campaign of Natural Language Processing and Speech Tools for Italian. Final Workshop (EVALITA 2020). online: CEUR Workshop Proceedings, 2020. s. 1-6. ISSN 1613-0073. |
| Issue Date: | 2020 |
| Publisher: | CEUR Workshop Proceedings |
| Document type: | konferenční příspěvek conferenceObject |
| URI: | 2-s2.0-85097525328 http://hdl.handle.net/11025/42686 |
| ISSN: | 1613-0073 |
| Keywords: | Zpracování přirozeného jazyka;sémantická analýza;změna významu slov;lineární transformace;model založený na vektorovém prostoru. |
| Keywords in different language: | Natural language processing;semantic analysis;lexical semantic change detection;linear transformation;vector space model |
| Abstract: | Článek popisuje naší metodu pro určení změny sémantiky slov v čase (Lexical Semantic Change Detection) pro soutěž DIACR-Ita, kde jsme skončili na prvním místě. Naše metoda využívá učení bez učitele a je nezávislá na jazyce. skládá se z několika kroků: Vytvoření vektorového modelu slov pro oba korpusy,nalezení optimální lineární transformace mezi dvěma prostory s využitím Kanonické korelační analýzy a Ortogonální transformace; Dále změříme kosínovou podobnost zkoumaného slova v obou transformovaných vektorových prostorech. |
| Abstract in different language: | In this paper, we describe our method for detection of lexical semantic change (i.e.,word sense changes over time) for the DIACR-Ita shared task, where we ranked 1st. We examine semantic differences between specific words in two Italian corpora, chosen from different time periods. Our method is fully unsupervised and language independent. It consists of preparing a semantic vector space for each corpus, earlier and later. Then we compute a linear transformation between earlier and later spaces, using CCA and Orthogonal Transformation. Finally, we measure the cosines between the transformed vectors. |
| Rights: | Plný text je přístupný v rámci univerzity přihlášeným uživatelům. © CEUR |
| Appears in Collections: | Konferenční příspěvky / Conference Papers (KIV) OBD |
Files in This Item:
| File | Size | Format | |
|---|---|---|---|
| Pražák paper110.pdf | 417,13 kB | Adobe PDF | View/Open Request a copy |
Please use this identifier to cite or link to this item:
http://hdl.handle.net/11025/42686Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.