Discovery Team at SemEval-2020 Task 1: Context-sensitive Embeddings Not Always Better than Static for Semantic Change Detection

Näytä kaikki kuvailutiedot



Pysyväisosoite

http://hdl.handle.net/10138/324849

Lähdeviite

Martinc , M , Montariol , S , Zosa , E & Pivovarova , L 2020 , Discovery Team at SemEval-2020 Task 1: Context-sensitive Embeddings Not Always Better than Static for Semantic Change Detection . in Proceedings of the Fourteenth Workshop on Semantic Evaluation . International Committee for Computational Linguistics , Barcelona , pp. 67-73 , International Workshop on Semantic Evaluation , Barcelona , Spain , 12/12/2020 . < https://www.aclweb.org/anthology/2020.semeval-1.6 >

Julkaisun nimi: Discovery Team at SemEval-2020 Task 1: Context-sensitive Embeddings Not Always Better than Static for Semantic Change Detection
Tekijä: Martinc, Matej; Montariol, Syrielle; Zosa, Elaine; Pivovarova, Lidia
Tekijän organisaatio: Department of Computer Science
Discovery Research Group/Prof. Hannu Toivonen
Julkaisija: International Committee for Computational Linguistics
Päiväys: 2020-12
Kieli: eng
Kuuluu julkaisusarjaan: Proceedings of the Fourteenth Workshop on Semantic Evaluation
ISBN: 978-1-952148-31-6
URI: http://hdl.handle.net/10138/324849
Tiivistelmä: This paper describes the approaches used by the Discovery Team to solve SemEval-2020 Task 1 - Unsupervised Lexical Semantic Change Detection. The proposed method is based on clustering of BERT contextual embeddings, followed by a comparison of cluster distributions across time. The best results were obtained by an ensemble of this method and static Word2Vec embeddings. According to the official results, our approach proved the best for Latin in Subtask 2.
Avainsanat: 113 Computer and information sciences
Vertaisarvioitu: Kyllä
Tekijänoikeustiedot: cc_by_nc_sa
Pääsyrajoitteet: openAccess
Rinnakkaistallennettu versio: publishedVersion


Tiedostot

Latausmäärä yhteensä: Ladataan...

Tiedosto(t) Koko Formaatti Näytä
2020.semeval_1.6.pdf 237.4KB PDF Avaa tiedosto

Viite kuuluu kokoelmiin:

Näytä kaikki kuvailutiedot