|
|
| Ligne 1 : |
Ligne 1 : |
| ==Définition== | | ==Définition== |
| Un vecteur contextuel est une représentation distribuée et dense sous la forme de nombres. La modélisation par vecteur contextuel, bien que souvent appliquée aux mots, ne se limite pas à ces derniers et peut être appliquée à des phrases, des paragraphes, des documents, etc.
| |
|
| |
| La représentation par vecteur contextuel a comme propriété que les mots apparaissant dans des contextes similaires possèdent des vecteurs qui sont relativement proches. Il en découle que la distance entre des vecteurs contextuels de concepts similaires (ex. bouteille, gobelet) est plus faible que celle mesurée entre des concepts sémantiquement éloignés (ex. bouteille, moucheron).
| |
|
| |
| Un vecteur contextuel est obtenu par [[apprentissage automatique]] ou analyse de cooccurrence ou de voisinage de données.
| |
|
| |
| ==Compléments==
| |
| Détail technique, on part typiquement d’un corpus représenté par un lexique parcimonieux de plusieurs milliers d'attributs vers une représentation compacte de quelques centaines d’attributs. Voir '''[[Parcimonie des données]]'''
| |
|
| |
| Des représentations par vecteur contextuels populaires sont [[word2vec]] et GloVe.
| |
|
| |
|
| ==Français== | | ==Français== |
|
| |
|
| '''vecteur contextuel''' | | '''vecteur contextuel''' |
|
| |
| '''vecteur-mot'''
| |
|
| |
| '''plongement lexical''' <small>(<i>usage plus rare</i>)</small>
| |
|
| |
| '''plongement de mot''' <small>(<i>usage plus rare</i>)</small>
| |
|
| |
|
| ==Anglais== | | ==Anglais== |
|
| |
| '''word embedding'''
| |
|
| |
| '''contextual word embedding'''
| |
|
| |
| '''contextual word representation'''
| |
|
| |
| '''context vector'''
| |
|
| |
|
| '''contextual vector''' | | '''contextual vector''' |
|
| |
| '''word vector'''
| |
|
| |
|
| <small> | | <small> |
|
| |
| [https://fr.wiktionary.org/wiki/plongement_lexical Source: Wiktionnaire, ''Plongement lexical'']
| |
|
| |
| Source: Turenne, Nicolas (2016). Analyse de données textuelles sous R, Londres, Éditions ISTE, 318 pages.
| |
|
| |
| Source: Nagoudi, El Moatez Billah; Jérémy Ferrero et Didier SchwabDidier Schwab (2017). ''Amélioration de la similarité sémantique vectorielle par méthodes non-supervisées'', Actes de la24e conférence sur le Traitement Automatique des Langues Naturelles (TALN 2017), Orléans, France, 9 pages.
| |
|
| |
| Source: Bernier Colborne, Gabriel (2016).'' Aide à l'identification de relations lexicales au moyen de la sémantique distributionnelle et son application à un corpus bilingue du domaine de l'environnement'', thèse de doctorat, Université de Montréal, 265 pages.
| |
|
| |
| [https://www.kdnuggets.com/2021/11/guide-word-embedding-techniques-nlp.html Source : kdnuggets]
| |
|
| |
| [[Utilisateur:Patrickdrouin | Source: Termino]]
| |
|
| |
| </small><br> <div style="border:2px solid #336699; background: #f6f6f6; padding: 1em; margin-bottom:1em; width: 90%;"><html><a href="https://datafranca.org/wiki/Cat%C3%A9gorie:101"><img src="https://datafranca.org/images/icone-101-mots.png" width="250"></a></html>
| |
| <br></div><br><br>
| |
|
| |
|
| [[Category:Termino 2019]] | | [[Category:Termino 2019]] |
| [[Category:GRAND LEXIQUE FRANÇAIS]] | | [[Category:GRAND LEXIQUE FRANÇAIS]] |
| [[Catégorie:101]] | | [[Catégorie:101]] |
