@prefix owl: <http://www.w3.org/2002/07/owl#> .
@prefix skos: <http://www.w3.org/2004/02/skos/core#> .
@prefix dc: <http://purl.org/dc/terms/> .
@prefix xsd: <http://www.w3.org/2001/XMLSchema#> .
@prefix inist: <http://www.inist.fr/Ontology#> .

<http://data.loterre.fr/ark:/67375/8LP> a owl:Ontology, skos:ConceptScheme .
<http://data.loterre.fr/ark:/67375/8LP-XFK9SGVH-K>
  skos:prefLabel "modèle de classification"@fr, "classification model"@en ;
  a skos:Concept ;
  skos:narrower <http://data.loterre.fr/ark:/67375/8LP-GWQNZQ2T-H> .

<http://data.loterre.fr/ark:/67375/8LP-GWQNZQ2T-H>
  skos:inScheme <http://data.loterre.fr/ark:/67375/8LP> ;
  skos:hiddenLabel "sac de mots"@fr, "bag of words"@en, "Bag-of-word"@en, "Sac-de-mots"@fr ;
  skos:example "Cependant, ces modèles, au travers du réseau de neurones, s'appuient sur des représentations en sac-de-mots et ne tiennent pas compte, explicitement, de l'ordre des mots. (Janod, Morchid, Dufour & Linares, 2015)"@fr, "La limite de ces approches Word2vec et Glove est que le la position des mots dans une séquence n'est pas prise en compte : l'ensemble de la séquence de mots est considérée comme un \" sac-de-mots \", l'ordre des mots étant ignoré. (Janod, Morchid, Dufour & Linares, 2015)"@fr, "Les systèmes de fouille d'opinion et plus particulièrement de classement en polarité, basés sur les approches traditionnelles, c'est-à-dire les approches à base d'apprentissage automatique supervisé utilisant les simples modèles à sac-de-mots (Pak, 2012 ont tendance à s'appuyer sur les traits spécifiques des entités et, par voie de conséquences, ils sont biaisés en faveur des opinions majoritaires présents dans les données d'apprentissage. (Fraisse, Paroubek & Francopoulo, 2013)"@fr, "On constate que la combinaison de l'approche \" sac-de-mots \" avec les sorties de l'analyseur syntaxique permet une amélioration notable des performances pour la détection des catégories. (Brun, Popa & Roux, 2015)"@fr, "Les champs textuels sont ensuite \" stemmés \", filtrés par l'utilisation d'une stoplist pour produire pour chaque document collecté un modèle de type sac-de-mots exploitant l'heuristique tf-idf (Spärck Jones, 1972) (bien entendu d'autres heuristiques de pondérations des mots réputées plus robustes sont possibles, par exemple l'heuristique BM25 (Robertson et Spärck Jones, 1976. (Marteau & Ménier, 2013)"@fr ;
  skos:definition "A representation of the words in a phrase or passage, irrespective of order. (Adapted from Google for Developers, Machine Learning Glossary)"@en ;
  skos:prefLabel "bag-of-word"@en, "sac-de-mots"@fr ;
  skos:exactMatch <https://www.wikidata.org/wiki/Q3460803> ;
  dc:modified "2024-05-21T08:53:49"^^xsd:dateTime ;
  inist:definitionalContext "Deux approches sont en fait proposées : l'une, dite en sac-de-mots continus (continuous bag-of-words ou CBOW cherche à maximiser la probabilité d'un mot en fonction de son contexte, alors que l'autre (skip-gram) cherche, au contraire, à prédire le contexte sachant le mot. (Besançon, 2015)"@fr ;
  skos:broader <http://data.loterre.fr/ark:/67375/8LP-XFK9SGVH-K> ;
  a skos:Concept .