Fusion of Fast-text and Indo-Wordnet for Disambiguation of Word Sense in the Marathi Language
Notice bibliographique
Résumé
This research employs the combination of the FastText model and Indo-WordNet to address the issue of word sense disambiguation (WSD) in Marathi literature. The initial iteration of the algorithm employed word pair matching as the technique to ascertain the presence of overlap between the items in the "context bag" and the "sense bag" derived from the lexical resource WordNet. The current methodology involves the computation of overlap by utilizing a semantic similarity metric that leverages fastText subword embeddings. This approach demonstrates proficiency in effectively managing unanticipated word formations, while simultaneously elucidating the inherent semantics of the terms. Significant progress has been achieved in the field of Word Sense Disambiguation (WSD) for both the English language and many European languages. There is a substantial challenge to be surmounted in relation to Marathi and other languages spoken in India. The Marathi text corpus, sourced from the government of India, comprises a vast assemblage of Marathi sentences. The dataset used in this study consisted of the Indo WordNet for the Marathi language and the Marathi Online Dictionary. The results of the conducted experiments demonstrate promising discoveries. The target words that possess semantically distinct synsets in WordNet are assigned a high F1 score. The achieved F1 score of 89% above the baseline and signifies substantial advancements in compared to previous knowledge-based methodologies employed for low resource Indian languages.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,009 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,009 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».