面向依存關係語法分析的詞向量裁剪

文獻：Bansal M, Gimpel K, Livescu K. Tailoring Continuous Word Representations for Dependency Parsing[C]//ACL (2). 2014: 809-815.

修正策略

（1）文章採用相對較小的w：實驗發現，在word2vec中，窗口尺寸w越大，則捕獲詞語義的概率越高；窗口尺寸w越小，則捕獲詞POS的概率越高.
（2）negative sampling中的採樣對象，傳統word2vec在目標詞v 的鄰域中進行採樣，而本文的採樣對象是目標詞v 在依存分析樹中的特定集合(目標詞v 的爺爺、父親與孩子)

實驗方案

評價標準1： We compute cosine similarity between the two vectors in each word pair, then order the word pairs by similarity and compute Spearman’s rank correlation coefficient (ρ) with the gold similarities
評價標準2： We use a metric based on unsupervised evaluation of POS taggers， and perform clustering and map each cluster to one POS tag so as to maximize tagging accuracy