Mostrar el registro sencillo del ítem
dc.contributor.author
Valentini, Francisco Tomás
dc.contributor.author
Fernandez Slezak, Diego
dc.contributor.author
Altszyler Lemcovich, Edgar Jaim
dc.date.available
2023-11-14T13:47:51Z
dc.date.issued
2022-11
dc.identifier.citation
Valentini, Francisco Tomás; Fernandez Slezak, Diego; Altszyler Lemcovich, Edgar Jaim; The Dependence on Frequency of Word Embedding Similarity Measures; Cornell University; ArXiv.org; 11-2022; 1-10
dc.identifier.issn
2331-8422
dc.identifier.uri
http://hdl.handle.net/11336/218015
dc.description.abstract
Recent research has shown that static word embeddings can encode word frequency information. However, little has been studied about this phenomenon and its effects on downstream tasks. In the present work, we systematically study the association between frequency and semantic similarity in several static word embeddings. We find that Skip-gram, GloVe and FastText embeddings tend to produce higher semantic similarity between high-frequency words than between other frequency combinations. We show that the association between frequency and similarity also appears when words are randomly shuffled. This proves that the patterns found are not due to real semantic associations present in the texts, but are an artifact produced by the word embeddings. Finally, we provide an example of how word frequency can strongly impact the measurement of gender bias with embedding-based metrics. In particular, we carry out a controlled experiment that shows that biases can even change sign or reverse their order by manipulating word frequencies.
dc.format
application/pdf
dc.language.iso
eng
dc.publisher
Cornell University
dc.rights
info:eu-repo/semantics/openAccess
dc.rights.uri
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
dc.subject
NATURAL LANGUAGE PROCESSING
dc.subject
WORD EMBEDDINGS
dc.subject
WORD FREQUENCY
dc.subject
WORD SIMILARITY
dc.subject.classification
Otras Ciencias de la Computación e Información
dc.subject.classification
Ciencias de la Computación e Información
dc.subject.classification
CIENCIAS NATURALES Y EXACTAS
dc.title
The Dependence on Frequency of Word Embedding Similarity Measures
dc.type
info:eu-repo/semantics/article
dc.type
info:ar-repo/semantics/artículo
dc.type
info:eu-repo/semantics/publishedVersion
dc.date.updated
2023-11-09T14:16:37Z
dc.journal.pagination
1-10
dc.journal.pais
Estados Unidos
dc.journal.ciudad
Ithaca
dc.description.fil
Fil: Valentini, Francisco Tomás. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Ciudad Universitaria. Instituto de Investigación en Ciencias de la Computación. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales. Instituto de Investigación en Ciencias de la Computación; Argentina
dc.description.fil
Fil: Fernandez Slezak, Diego. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Ciudad Universitaria. Instituto de Investigación en Ciencias de la Computación. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales. Instituto de Investigación en Ciencias de la Computación; Argentina
dc.description.fil
Fil: Altszyler Lemcovich, Edgar Jaim. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Ciudad Universitaria. Instituto de Investigación en Ciencias de la Computación. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales. Instituto de Investigación en Ciencias de la Computación; Argentina
dc.journal.title
ArXiv.org
dc.relation.alternativeid
info:eu-repo/semantics/altIdentifier/doi/https://doi.org/10.48550/arXiv.2211.08203
dc.relation.alternativeid
info:eu-repo/semantics/altIdentifier/url/https://arxiv.org/abs/2211.08203
Archivos asociados