Not logged in.
Quick Search - Contribution
Contribution Details
| Type | Bachelor's Thesis |
| Scope | Discipline-based scholarship |
| Title | Improvement Of Word Embeddings By Joining Visual Features |
| Organization Unit | |
| Authors |
|
| Supervisors |
|
| Language |
|
| Institution | University of Zurich |
| Faculty | Faculty of Business, Economics and Informatics |
| Date | 2018 |
| Abstract Text | In machine learning, embeddings are used to encode information in a vector space. Word2Vec is a popular method for creating word embeddings, vector representations of words, and can be used for semantic tasks such as finding the similarity between words. Similarly, image embeddings are vector representations of images. The concatenation of word and image vectors is one possible multi-modal model and has shown to outperform the individual models. This work examines if and when a concatenation is beneficial and proposes an alternative model without using vector concatenation. |
| Zusammenfassung | Embeddings werden im Bereich Machine Learning eingesetzt um Informationen in einem Vektorraum darzustellen. Word2Vec ist eine bekannte Methode für das Kreieren von Wort Embeddings, auch Wort Vektoren genannt. Die Embeddings können für semantische Aufgaben wie z.B. zum Bestimmen von Wortähnlichkeiten verwendet werden. Analog können aus Bildern Vektoren erzeugt werden. Das Zusammenfügen von Wort- und Bildvektoren ist ein möglicher Ansatz für ein multimodales Modell und hat bezüglich Leistung gezeigt, dass es die einzelnen Modelle übertreffen kann. Diese Arbeit untersucht wann ein zusammenfügen der Vektoren von Vorteil sein kann und schlägt ein Alternativmodell vor. |
| PDF File |
Download
|
| Export |
BibTeX
|