Université Hassan II de Casablanca

École Normale Supérieure de l'Enseignement Technique de Mohammedia

1
Traitement Automatique du Langage
Naturel (NLP)
Introduction

Zakariae EN-NAIMANI

Master: 2ième SDIA

2023/2024
 CBOW : pseudo-code
 Fonction Entraîner_CBOW(corpus, vector_size, window, learning_rate, nombre_iterations)

# Initialisation des vecteurs de mots

 Initialiser les vecteurs de mots aléatoirement
 Pour iter de 1 à nombre_iterations

– Pour chaque phrase dans le corpus

• Pour chaque mot de la phrase

# Récupérer les mots de contexte

 context_words = Mots de la fenêtre autour du mot cible

# Calcul de la moyenne des vecteurs de contexte

 average_context_vector = Moyenne des vecteurs des mots de contexte

# Prédiction du mot cible

 predicted_word_vector = Calculer la prédiction en utilisant le modèle CBOW

# Calcul de l'erreur de prédiction

 error = Différence entre le vecteur réel du mot cible et la prédiction

# Mise à jour des vecteurs de mots

 Mise à jour des vecteurs des mots de contexte et du mot cible en utilisant l'erreur Fin Pour Fin Fonction

Traitement Automatique du Langage Naturel Pr. Z. EN-NAIMANI 1-35

Traitement Automatique du Langage Naturel Pr. Z. EN-NAIMANI 1-40
Traitement Automatique du Langage Naturel Pr. Z. EN-NAIMANI 1-41
Traitement Automatique du Langage Naturel Pr. Z. EN-NAIMANI 1-42
Traitement Automatique du Langage Naturel Pr. Z. EN-NAIMANI 1-43
Traitement Automatique du Langage Naturel Pr. Z. EN-NAIMANI 1-44
Traitement Automatique du Langage Naturel Pr. Z. EN-NAIMANI 1-45
Traitement Automatique du Langage Naturel Pr. Z. EN-NAIMANI 1-46
Traitement Automatique du Langage Naturel Pr. Z. EN-NAIMANI 1-47
Traitement Automatique du Langage Naturel Pr. Z. EN-NAIMANI 1-48
Traitement Automatique du Langage Naturel Pr. Z. EN-NAIMANI 1-49
Traitement Automatique du Langage Naturel Pr. Z. EN-NAIMANI 1-50
Traitement Automatique du Langage Naturel Pr. Z. EN-NAIMANI 1-51
Traitement Automatique du Langage Naturel Pr. Z. EN-NAIMANI 1-52