Kinh doanh - Marketing
Kinh tế quản lý
Biểu mẫu - Văn bản
Tài chính - Ngân hàng
Công nghệ thông tin
Tiếng anh ngoại ngữ
Kĩ thuật công nghệ
Khoa học tự nhiên
Khoa học xã hội
Văn hóa nghệ thuật
Sức khỏe - Y tế
Văn bản luật
Nông Lâm Ngư
Kỹ năng mềm
Luận văn - Báo cáo
Giải trí - Thư giãn
Tài liệu phổ thông
Văn mẫu
Giới thiệu
Đăng ký
Đăng nhập
Tìm
Danh mục
Kinh doanh - Marketing
Kinh tế quản lý
Biểu mẫu - Văn bản
Tài chính - Ngân hàng
Công nghệ thông tin
Tiếng anh ngoại ngữ
Kĩ thuật công nghệ
Khoa học tự nhiên
Khoa học xã hội
Văn hóa nghệ thuật
Y tế sức khỏe
Văn bản luật
Nông lâm ngư
Kĩ năng mềm
Luận văn - Báo cáo
Giải trí - Thư giãn
Tài liệu phổ thông
Văn mẫu
Thông tin
Điều khoản sử dụng
Quy định bảo mật
Quy chế hoạt động
Chính sách bản quyền
Giới thiệu
Đăng ký
Đăng nhập
0
Trang chủ
Luận Văn - Báo Cáo
Báo cáo khoa học
Báo cáo khoa học: "Distributional Semantics in Technicolor"
Đang chuẩn bị liên kết để tải về tài liệu:
Báo cáo khoa học: "Distributional Semantics in Technicolor"
Quốc Ðiền
57
10
pdf
Đang chuẩn bị nút TẢI XUỐNG, xin hãy chờ
Tải xuống
Our research aims at building computational models of word meaning that are perceptually grounded. Using computer vision techniques, we build visual and multimodal distributional models and compare them to standard textual models. Our results show that, while visual models with state-of-the-art computer vision techniques perform worse than textual models in general tasks (accounting for semantic relatedness), they are as good or better models of the meaning of words with visual correlates such as color terms, even in a nontrivial task that involves nonliteral uses of such words. . | Distributional Semantics in Technicolor Elia Bruni University of Trento elia.bruni@unitn.it Gemma Boleda University of Texas at Austin gemma.boleda@utcompling.com Marco Baroni Nam-Khanh Tran University of Trento name.surname@unitn.it Abstract Our research aims at building computational models of word meaning that are perceptually grounded. Using computer vision techniques we build visual and multimodal distributional models and compare them to standard textual models. Our results show that while visual models with state-of-the-art computer vision techniques perform worse than textual models in general tasks accounting for semantic relatedness they are as good or better models of the meaning of words with visual correlates such as color terms even in a nontrivial task that involves nonliteral uses of such words. Moreover we show that visual and textual information are tapping on different aspects of meaning and indeed combining them in multimodal models often improves performance. 1 Introduction Traditional semantic space models represent meaning on the basis of word co-occurrence statistics in large text corpora Turney and Pantel 2010 . These models as well as virtually all work in computational lexical semantics rely on verbal information only while human semantic knowledge also relies on non-verbal experience and representation Louw-erse 2011 crucially on the information gathered through perception. Recent developments in computer vision make it possible to computationally model one vital human perceptual channel vision Mooney 2008 . A few studies have begun to use visual information extracted from images as part of distributional semantic models Bergsma and Van 136 Durme 2011 Bergsma and Goebel 2011 Bruni et al. 2011 Feng and Lapata 2010 Leong and Mihal-cea 2011 . These preliminary studies all focus on how vision may help text-based models in general terms by evaluating performance on for instance word similarity datasets such as WordSim353. This paper .
TÀI LIỆU LIÊN QUAN
Báo cáo khoa học: "Measures of Distributional Similarity"
Báo cáo khoa học: "Distributional Semantics in Technicolor"
Báo cáo khoa học: "Verb Classification using Distributional Similarity in Syntactic and Semantic Structures"
Báo cáo khoa học: "A Bayesian Method for Robust Estimation of Distributional Similarities"
Báo cáo khoa học: "Distributional Similarity vs. PU Learning for Entity Set Expansion"
Báo cáo khoa học: "Reducing semantic drift with bagging and distributional similarity"
Báo cáo khoa học: "Distributional Representations for Handling Sparsity in Supervised Sequence-Labeling"
Báo cáo khoa học: "Distributional Identification of Non-Referential Pronouns"
Báo cáo khoa học: "A Supervised Learning Approach to Automatic Synonym Identification based on Distributional Features"
Báo cáo khoa học: "Directional Distributional Similarity for Lexical Expansion"
crossorigin="anonymous">
Đã phát hiện trình chặn quảng cáo AdBlock
Trang web này phụ thuộc vào doanh thu từ số lần hiển thị quảng cáo để tồn tại. Vui lòng tắt trình chặn quảng cáo của bạn hoặc tạm dừng tính năng chặn quảng cáo cho trang web này.