Embeddings/nl: Difference between revisions
No edit summary |
No edit summary |
||
| Line 7: | Line 7: | ||
== FastText embeddings== | == FastText embeddings== | ||
Woord-vectors in 157 talen, getraind op CommonCrawl en Wikipedia-corpora. | Woord-vectors in 157 talen, getraind op CommonCrawl- en Wikipedia-corpora. | ||
* [https://fasttext.cc/docs/en/crawl-vectors.html | * [https://fasttext.cc/docs/en/crawl-vectors.html Downloadpagina] | ||
==Coosto embeddings== | ==Coosto embeddings== | ||
Deze database bevat een Word2Vec-model dat is getraind op een groot Nederlands corpus, bestaande uit | Deze database bevat een Word2Vec-model dat is getraind op een groot Nederlands corpus, bestaande uit socialemediaberichten en posts van Nederlands nieuws, blogs en forums. | ||
* [https://github.com/coosto/dutch-word-embeddings Github pagina] | * [https://github.com/coosto/dutch-word-embeddings Github-pagina] | ||
==GeenStijl.nl embeddings == | ==GeenStijl.nl-embeddings == | ||
GeenStijl.nl embeddings bevat meer dan 8 miljoen berichten van de controversiële Nederlandse websites GeenStijl en Dumpert, met als doel om een word-embedding model te trainen dat de representaties van toxische taal in de dataset naar voren brengt. De getrainde word-embeddings (±150MB) worden gratis vrijgegeven en kunnen bruikbaar zijn voor vervolgonderzoek naar toxisch online discours. | GeenStijl.nl-embeddings bevat meer dan 8 miljoen berichten van de controversiële Nederlandse websites GeenStijl en Dumpert, met als doel om een word-embedding model te trainen dat de representaties van toxische taal in de dataset naar voren brengt. De getrainde word-embeddings (±150MB) worden gratis vrijgegeven en kunnen bruikbaar zijn voor vervolgonderzoek naar toxisch online discours. | ||
*[https://www.textgain.com/portfolio/geenstijl-embeddings/ | *[https://www.textgain.com/portfolio/geenstijl-embeddings/ Projectpagina] | ||
*[https://www.textgain.com/wp-content/uploads/2021/06/TGTR4-geenstijl.pdf | *[https://www.textgain.com/wp-content/uploads/2021/06/TGTR4-geenstijl.pdf Rapport] | ||
*[https://www.textgain.com/projects/geenstijl/geenstijl_embeddings.zip | *[https://www.textgain.com/projects/geenstijl/geenstijl_embeddings.zip Downloadpagina] | ||
==NLPL Word Embeddings Repository== | ==NLPL Word Embeddings Repository== | ||
Gemaakt door de Universiteit van Oslo. Modellen die zijn getraind met duidelijk gestelde hyperparameters, op duidelijke beschreven en taalkundig voorbereide corpora. | Gemaakt door de Universiteit van Oslo. Modellen die zijn getraind met duidelijk gestelde hyperparameters, op duidelijke beschreven en taalkundig voorbereide corpora. | ||
Voor het Nederlands zijn Word2Vec en ELMO-embeddings beschikbaar. | Voor het Nederlands zijn Word2Vec- en ELMO-embeddings beschikbaar. | ||
*[http://vectors.nlpl.eu/repository/ | *[http://vectors.nlpl.eu/repository/ Repositorypagina] | ||
Revision as of 13:34, 3 April 2024
Voor Large Language Models (LLM), verwijzen wij naar Taalmodellering.
Word2Vec embeddings
Database van de woordembeddings die zijn beschreven in het paper 'Evaluating Unsupervised Dutch Word Embeddings as a Linguistic Resource', dat werd gepresenteerd bij LREC in 2016.
FastText embeddings
Woord-vectors in 157 talen, getraind op CommonCrawl- en Wikipedia-corpora.
Coosto embeddings
Deze database bevat een Word2Vec-model dat is getraind op een groot Nederlands corpus, bestaande uit socialemediaberichten en posts van Nederlands nieuws, blogs en forums.
GeenStijl.nl-embeddings
GeenStijl.nl-embeddings bevat meer dan 8 miljoen berichten van de controversiële Nederlandse websites GeenStijl en Dumpert, met als doel om een word-embedding model te trainen dat de representaties van toxische taal in de dataset naar voren brengt. De getrainde word-embeddings (±150MB) worden gratis vrijgegeven en kunnen bruikbaar zijn voor vervolgonderzoek naar toxisch online discours.
NLPL Word Embeddings Repository
Gemaakt door de Universiteit van Oslo. Modellen die zijn getraind met duidelijk gestelde hyperparameters, op duidelijke beschreven en taalkundig voorbereide corpora.
Voor het Nederlands zijn Word2Vec- en ELMO-embeddings beschikbaar.