Ir directamente a la navegación principal Ir directamente a la búsqueda Ir directamente al contenido principal

Automatically Assembling a Custom-Built Training Corpus for Improving the Learning of In-Domain Word/Document Embeddings

  • Yolanda Blanco-Fernández
  • , Alberto Gil-Solla
  • , José J. Pazos-Arias
  • , Diego Quisi-Peralta

Producción científica: Contribución a una revistaArtículorevisión exhaustiva

Resumen

Embedding models turn words/documents into real-number vectors via co-occurrence data from unrelated texts. Crafting domain-specific embeddings from general corpora with limited domain vocabulary is challenging. Existing solutions retrain models on small domain datasets, overlooking potential of gathering rich in-domain texts. We exploit Named Entity Recognition and Doc2Vec for autonomous in-domain corpus creation. Our experiments compare models from general and in-domain corpora, highlighting that domain-specific training attains the best outcome.

Idioma originalInglés
Páginas (desde-hasta)491-527
Número de páginas37
PublicaciónInformatica (Netherlands)
Volumen34
N.º3
DOI
EstadoPublicada - 8 sept 2023

Nota bibliográfica

Publisher Copyright:
© 2023 Vilnius University.

Areas de Conocimiento del CACES

  • 316A Desarrollo y análisis de software y aplicaciones

Citar esto