@inproceedings{aliane-etal-2018-levaluation,
title = "L{'}{\'e}valuation des repr{\'e}sentations vectorielles de mots en utilisant {W}ord{N}et (Evaluating word representations using {W}ord{N}et)",
author = "Aliane, Nourredine and
Mariage, Jean-Jacques and
Bernard, Gilles",
editor = "S{\'e}billot, Pascale and
Claveau, Vincent",
booktitle = "Actes de la Conf{\'e}rence TALN. Volume 1 - Articles longs, articles courts de TALN",
month = "5",
year = "2018",
address = "Rennes, France",
publisher = "ATALA",
url = "https://aclanthology.org/2018.jeptalnrecital-court.14",
pages = "321--328",
abstract = "Les m{\'e}thodes d{'}{\'e}valuation actuelles des repr{\'e}sentations vectorielles de mots utilisent g{\'e}n{\'e}ralement un jeu de donn{\'e}es restreint et biais{\'e}. Pour pallier {\`a} ce probl{\`e}me nous pr{\'e}sentons une nouvelle approche, bas{\'e}e sur la similarit{\'e} entre les synsets associ{\'e}s aux mots dans la volumineuse base de donn{\'e}es lexicale WordNet. Notre m{\'e}thode d{'}{\'e}valuation consiste dans un premier temps {\`a} classer automatiquement les repr{\'e}sentions vectorielles de mots {\`a} l{'}aide d{'}un algorithme de clustering, puis {\`a} {\'e}valuer la coh{\'e}rence s{\'e}mantique et syntaxique des clusters produits. Cette {\'e}valuation est effectu{\'e}e en calculant la similarit{\'e} entre les mots de chaque cluster, pris deux {\`a} deux, en utilisant des mesures de similarit{\'e} entre les mots dans WordNet propos{\'e}es par NLTK (wup {\_}similarity). Nous obtenons, pour chaque cluster, une valeur entre 0 et 1. Un cluster dont la valeur est 1 est un cluster dont tous les mots appartiennent au m{\^e}me synset. Nous calculons ensuite la moyenne des mesures de tous les clusters. Nous avons utilis{\'e} notre nouvelle approche pour {\'e}tudier et comparer trois m{\'e}thodes de repr{\'e}sentations vectorielles : une m{\'e}thode traditionnelle, WebSOM et deux m{\'e}thodes r{\'e}centes, word2vec (Skip-Gram et CBOW) et GloVe, sur trois corpus : en anglais, en fran{\c{c}}ais et en arabe.",
language = "French",
}
<?xml version="1.0" encoding="UTF-8"?>
<modsCollection xmlns="http://www.loc.gov/mods/v3">
<mods ID="aliane-etal-2018-levaluation">
<titleInfo>
<title>L’évaluation des représentations vectorielles de mots en utilisant WordNet (Evaluating word representations using WordNet)</title>
</titleInfo>
<name type="personal">
<namePart type="given">Nourredine</namePart>
<namePart type="family">Aliane</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Jean-Jacques</namePart>
<namePart type="family">Mariage</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Gilles</namePart>
<namePart type="family">Bernard</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<originInfo>
<dateIssued>2018-05</dateIssued>
</originInfo>
<typeOfResource>text</typeOfResource>
<language>
<languageTerm type="text">French</languageTerm>
<languageTerm type="code" authority="iso639-2b">fre</languageTerm>
</language>
<relatedItem type="host">
<titleInfo>
<title>Actes de la Conférence TALN. Volume 1 - Articles longs, articles courts de TALN</title>
</titleInfo>
<name type="personal">
<namePart type="given">Pascale</namePart>
<namePart type="family">Sébillot</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Vincent</namePart>
<namePart type="family">Claveau</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<originInfo>
<publisher>ATALA</publisher>
<place>
<placeTerm type="text">Rennes, France</placeTerm>
</place>
</originInfo>
<genre authority="marcgt">conference publication</genre>
</relatedItem>
<abstract>Les méthodes d’évaluation actuelles des représentations vectorielles de mots utilisent généralement un jeu de données restreint et biaisé. Pour pallier à ce problème nous présentons une nouvelle approche, basée sur la similarité entre les synsets associés aux mots dans la volumineuse base de données lexicale WordNet. Notre méthode d’évaluation consiste dans un premier temps à classer automatiquement les représentions vectorielles de mots à l’aide d’un algorithme de clustering, puis à évaluer la cohérence sémantique et syntaxique des clusters produits. Cette évaluation est effectuée en calculant la similarité entre les mots de chaque cluster, pris deux à deux, en utilisant des mesures de similarité entre les mots dans WordNet proposées par NLTK (wup _similarity). Nous obtenons, pour chaque cluster, une valeur entre 0 et 1. Un cluster dont la valeur est 1 est un cluster dont tous les mots appartiennent au même synset. Nous calculons ensuite la moyenne des mesures de tous les clusters. Nous avons utilisé notre nouvelle approche pour étudier et comparer trois méthodes de représentations vectorielles : une méthode traditionnelle, WebSOM et deux méthodes récentes, word2vec (Skip-Gram et CBOW) et GloVe, sur trois corpus : en anglais, en français et en arabe.</abstract>
<identifier type="citekey">aliane-etal-2018-levaluation</identifier>
<location>
<url>https://aclanthology.org/2018.jeptalnrecital-court.14</url>
</location>
<part>
<date>2018-5</date>
<extent unit="page">
<start>321</start>
<end>328</end>
</extent>
</part>
</mods>
</modsCollection>
%0 Conference Proceedings
%T L’évaluation des représentations vectorielles de mots en utilisant WordNet (Evaluating word representations using WordNet)
%A Aliane, Nourredine
%A Mariage, Jean-Jacques
%A Bernard, Gilles
%Y Sébillot, Pascale
%Y Claveau, Vincent
%S Actes de la Conférence TALN. Volume 1 - Articles longs, articles courts de TALN
%D 2018
%8 May
%I ATALA
%C Rennes, France
%G French
%F aliane-etal-2018-levaluation
%X Les méthodes d’évaluation actuelles des représentations vectorielles de mots utilisent généralement un jeu de données restreint et biaisé. Pour pallier à ce problème nous présentons une nouvelle approche, basée sur la similarité entre les synsets associés aux mots dans la volumineuse base de données lexicale WordNet. Notre méthode d’évaluation consiste dans un premier temps à classer automatiquement les représentions vectorielles de mots à l’aide d’un algorithme de clustering, puis à évaluer la cohérence sémantique et syntaxique des clusters produits. Cette évaluation est effectuée en calculant la similarité entre les mots de chaque cluster, pris deux à deux, en utilisant des mesures de similarité entre les mots dans WordNet proposées par NLTK (wup _similarity). Nous obtenons, pour chaque cluster, une valeur entre 0 et 1. Un cluster dont la valeur est 1 est un cluster dont tous les mots appartiennent au même synset. Nous calculons ensuite la moyenne des mesures de tous les clusters. Nous avons utilisé notre nouvelle approche pour étudier et comparer trois méthodes de représentations vectorielles : une méthode traditionnelle, WebSOM et deux méthodes récentes, word2vec (Skip-Gram et CBOW) et GloVe, sur trois corpus : en anglais, en français et en arabe.
%U https://aclanthology.org/2018.jeptalnrecital-court.14
%P 321-328
Markdown (Informal)
[L’évaluation des représentations vectorielles de mots en utilisant WordNet (Evaluating word representations using WordNet)](https://aclanthology.org/2018.jeptalnrecital-court.14) (Aliane et al., JEP/TALN/RECITAL 2018)
ACL