Embeddings/nl: Difference between revisions

From Clarin K-Centre
Jump to navigation Jump to search
VisualWikitext
(Created page with "* [https://github.com/coosto/dutch-word-embeddings Github pagina]")
No edit summary
 
(6 intermediate revisions by 2 users not shown)
Line 1: Line 1:
Voor Large Language Models (LLM), verwijzen wij naar [[Taalmodellering]].
Voor Large Language Models (LLM), verwijzen wij naar [[Taalmodellering]].


== Word2Vec embeddings==
<span id="Word2Vec_embeddings"></span>
== Word2Vec-embeddings==


Database van de word embeddings die zijn beschreven in het paper 'Evaluating Unsupervised Dutch Word Embeddings as a Linguistic Resource', dat werd gepresenteerd bij LREC in 2016.
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.
* [https://github.com/clips/dutchembeddings Download pagina]
* [https://github.com/clips/dutchembeddings Downloadpagina]


== 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 Download page]
* [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 social-media berichten en posts van Nederlands nieuws, blogs en fora.  
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]


<div lang="en" dir="ltr" class="mw-content-ltr">
==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 contains over 8M messages from the controversial Dutch websites GeenStijl and Dumpert to train a word embedding model that captures the toxic language representations contained in the dataset. The trained word embeddings (±150MB) are released for free and may be useful for further study on toxic online discourse.
</div>


<div lang="en" dir="ltr" class="mw-content-ltr">
*[https://www.textgain.com/portfolio/geenstijl-embeddings/ Projectpagina]
*[https://www.textgain.com/portfolio/geenstijl-embeddings/ Project page]
*[https://www.textgain.com/wp-content/uploads/2021/06/TGTR4-geenstijl.pdf Rapport]
*[https://www.textgain.com/wp-content/uploads/2021/06/TGTR4-geenstijl.pdf Report]
*[https://www.textgain.com/projects/geenstijl/geenstijl_embeddings.zip Downloadpagina]
*[https://www.textgain.com/projects/geenstijl/geenstijl_embeddings.zip Download page]
</div>


<div lang="en" dir="ltr" class="mw-content-ltr">
==NLPL Word Embeddings Repository==
==NLPL Word Embeddings Repository==
Made by the University of Oslo. Models trained with clearly stated hyperparametes, on clearly described and linguistically pre-processed corpora.
Gemaakt door de Universiteit van Oslo. Modellen die zijn getraind met duidelijk gestelde hyperparameters, op duidelijke beschreven en taalkundig voorbereide corpora.
</div>


<div lang="en" dir="ltr" class="mw-content-ltr">
Voor het Nederlands zijn Word2Vec- en ELMO-embeddings beschikbaar.
For Dutch, Word2Vec and ELMO embeddings are available.
</div>


<div lang="en" dir="ltr" class="mw-content-ltr">
*[http://vectors.nlpl.eu/repository/ Repositorypagina]
*[http://vectors.nlpl.eu/repository/ Repository page]
</div>

Latest revision as of 07:10, 18 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.

Retrieved from "https://kdutch.ivdnt.org/mediawiki/index.php?title=Embeddings/nl&oldid=8769"