2021
One Size Does Not Fit All: Finding the Optimal Subword Sizes for FastText Models across Languages
NOVOTNÝ, Vít, Eniafe Festus AYETIRAN, Dalibor BAČOVSKÝ, Dávid LUPTÁK, Michal ŠTEFÁNIK et. al.Základní údaje
Originální název
One Size Does Not Fit All: Finding the Optimal Subword Sizes for FastText Models across Languages
Autoři
NOVOTNÝ, Vít (203 Česká republika, garant, domácí), Eniafe Festus AYETIRAN (566 Nigérie, domácí), Dalibor BAČOVSKÝ (203 Česká republika, domácí), Dávid LUPTÁK (703 Slovensko, domácí), Michal ŠTEFÁNIK (703 Slovensko, domácí) a Petr SOJKA (203 Česká republika, domácí)
Vydání
Varna, Bulgaria, Proceedings of the International Conference on Recent Advances in Natural Language Processing (RANLP 2021), od s. 1068-1074, 7 s. 2021
Nakladatel
INCOMA Ltd.
Další údaje
Jazyk
angličtina
Typ výsledku
Stať ve sborníku
Obor
60203 Linguistics
Stát vydavatele
Bulharsko
Utajení
není předmětem státního či obchodního tajemství
Forma vydání
tištěná verze "print"
Odkazy
Kód RIV
RIV/00216224:14330/21:00122017
Organizační jednotka
Fakulta informatiky
ISBN
978-954-452-072-4
ISSN
Klíčová slova česky
fastText; učení reprezentace; slovní analogie; optimalizace hyperparametrů; modelování jazyka; vzdálenost jazyků
Klíčová slova anglicky
fastText; representation learning; word analogy; hyperparameter optimization; language modeling; language distance
Příznaky
Mezinárodní význam, Recenzováno
Změněno: 23. 5. 2022 14:55, RNDr. Pavel Šmerk, Ph.D.
Anotace
V originále
Unsupervised representation learning of words from large multilingual corpora is useful for downstream tasks such as word sense disambiguation, semantic text similarity, and information retrieval. The representation precision of log-bilinear fastText models is mostly due to their use of subword information. In previous work, the optimization of fastText's subword sizes has not been fully explored, and non-English fastText models were trained using subword sizes optimized for English and German word analogy tasks. In our work, we find the optimal subword sizes on the English, German, Czech, Italian, Spanish, French, Hindi, Turkish, and Russian word analogy tasks. We then propose a simple n-gram coverage model and we show that it predicts better-than-default subword sizes on the Spanish, French, Hindi, Turkish, and Russian word analogy tasks. We show that the optimization of fastText's subword sizes matters and results in a 14% improvement on the Czech word analogy task. We also show that expensive parameter optimization can be replaced by a simple n-gram coverage model that consistently improves the accuracy of fastText models on the word analogy tasks by up to 3% compared to the default subword sizes, and that it is within 1% accuracy of the optimal subword sizes.
Návaznosti
MUNI/A/1573/2020, interní kód MU |
|