Vis enkel innførsel

dc.contributor.advisorGambäck, Björn
dc.contributor.authorStavland, Stine S.
dc.date.accessioned2020-06-04T16:01:25Z
dc.date.available2020-06-04T16:01:25Z
dc.date.issued2020
dc.identifier.urihttps://hdl.handle.net/11250/2656665
dc.description.abstractKonvolusjonelle nevrale nettverk har vanligvis ikke vært brukt til sekvensprosesseringsoppgaver, men nylige forskningsarbeid har gitt inspirasjon til å teste ut bruk av konvolusjonelle nevrale nettverk for ordklassemerking. To taggere med ulike aktiveringsfunksjoner ble utviklet og testet, en av dem mer grundig enn den andre. Taggerne ble testet på de norske og engelske delene av Universal Dependencies prosjektet. Eksperimentene viste at konvolusjonelle nevrale nettverk kan oppnå resultater som kan sammenlignes med tilbakevendende nevrale nettverk på ordklassemerkingsoppgaven, men de konvolusjonelle nettverkene når ikke opp til de beste resultatene per i dag.
dc.description.abstractInspired by recent work in the fields of Deep Learning and the use of Convolutional Neural Networks for sequence processing, this Master’s thesis concerns the use of Convolutional Neural Networks for the otherwise well-explored Natural Language Processing task of Part-of-Speech tagging. The main contribution was the development of two taggers using Convolutional Neural Networks with different activation functions and the results of training and testing the taggers on one of the Norwegian treebanks and one of the English treebanks of the Universal Dependencies project. The results of the experiments show that a Part-of-Speech tagger based on Convolutional Neural Networks can achieve comparable performance to a Long Short-Term Memory based tagger, but state-of-the-art results were not achieved.
dc.languageeng
dc.publisherNTNU
dc.titleConvolutional Neural Networks for Part-of-Speech Tagging
dc.typeMaster thesis


Tilhørende fil(er)

Thumbnail
Thumbnail

Denne innførselen finnes i følgende samling(er)

Vis enkel innførsel