Indonesi an  Journa l  of El ect ri cal Engineer ing  an d  Comp ut er  Scie nce   Vo l.   12 ,  No.   3 ,  Decem ber   201 8 , p p.   1 239 ~ 1 246   IS S N: 25 02 - 4752, DO I: 10 .11 591/ijeecs .v1 2 .i 3 .pp 1 239 - 1 246          1239       Journ al h om e page :  http: // ia es core.c om/j ourn als/i ndex. ph p/ij eecs   Developi ng Corp ora usin g Word2 vec and  Wiki pedia f or Word  Sense Di sambigu atio n       Farz a Nurif an, R i yana r t o  S ar no ,  Cah yani ng t yas  Sek ar Wah yuni   Depa rtment  o f  I nform at ic s,   Insti tut   Te knolog i   Se puluh  Nopem ber ,     Jal an  Ra ya  I T S , K e puti h,   Suk olil o,   Ko ta   Sur abaya, Ja wa  Ti m ur  6 01 11,  Ind onesia       Art ic le  In f o     ABSTR A CT    Art ic le  history:   Re cei ved  May   25 , 201 8   Re vised  A ug   2 5 , 2 018   Accepte d  Se p   7 , 2 018       W ord  Sense  Dis ambiguat ion  (W SD )  is  one  of  the   m ost  diffi cult  proble m s  in  the   art if ic i al  intell ig ence  fi el d   or  well  known  as  AI - har d  or   AI - complet e .     A  lot   of  problem s  ca n  be  solve d  using  word  sense  disambiguation  appr oa ch  such  as  senti m ent   ana l y sis,  m a chi n e  tr ansla t io n,   sea rch   eng in e  rel ev ance,  cohe ren ce,  an ap hora   resolution,   and  inference.   T his  rese ar ch  is  d one  to  solv e  W SD   proble m   with  two  sm al l  c orpora .   The   use  of  W ord2ve c  an d  W iki pedia   are   proposed  t o  deve lop  the  cor pora .   Afte r  deve lop ing  t he  cor pora ,     the   sim il ar ity   o f  the   sen te nc e  with  the  cor por a  is  m ea sured  using  cosin e   sim il ari t y   to  d et ermine  th e  m ea ning  of  the   ambiguous  word.  La stl y ,     to  improve  ac cu racy ,   L esk   al gor it hm s  and  W u  Palmer  sim il ar ity   are   used   t o   dea l  with  prob lem s  when  the re  is  no  word  from   a  sente nce   in   the   cor pus.     The   r esult s  of  th e  rese arc h   show   an  85 . 51%  ac c ura c y   r ate  and   t he  sem ant i c   sim il ari t y   improve  the   accurac y   rat e  b y   8. 02%  in   det ermining   the  m ea ning  of   ambiguous words.   Ke yw or ds:   Lesk   W i kip e dia   Wor d  se ns e  dis a m big uatio n   Wor d2vec   Wu p al m er   Copyright   ©   201 8  Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .     Al l   rights re serv ed.   Corres pond in g  Aut h or :   Ri ya nar to Sa r no,    Dep a rtm ent o f  Inform at ic s,   In sti tut Te knol og i  Sepulu h N op em ber ,   Jal an  Ra ya  I T S , K e puti h,   Suk olil o,   Ko ta   Sur abaya, Ja wa  Ti m ur  6 01 11, In donesia.   Em a il : riy anar to@if .it s.ac.id       1.   INTROD U CTION     Natu ral  la ngua ges  c on ta i n  a  few  w ords  with  a  diff e re nt  m eaning   in   a  dif fer e nt  c on te xt  [ 1] .    Hu m an  can  ea sil y  disti ng uis h  it   becau se  we  hav e  t he  a bili t y  to  see  the  c onte xt  of  the   se ntence  a nd  det erm ine   the  m eaning   of  the  a m big uo us   w ords.   T o  m ake  com pu te rs  unde rstan d  the  m eaning   of  an  a m big uous  wo r d,     it   req uires  a  ve ry  diff ic ult  te c hn i qu e .  The refo re ,  Wo r d  Sense   Disam big uation  ( WSD)  is  existe d  to  dete rm ine   the m eaning   of am big uous   w ords   [ 2] . For e xam ple, the  am big uous w ord  is  the wo rd ' bank' :   1.   “H e  sa t  dow n beside  the  Se ine rive r  bank ”   [ 3] .   2.   “H e  d e posit ed  the  mo ney  at  the Chase  ba nk”   [ 3] .   The  w ord  ba nk  in  bo t h  sent ences  has  a  di ff e ren t  m eaning .  I n  the  first  sentence ,  it   means  a  place  ne ar  the  river,  wh il e i n t he  sec ond  se nt ence,  it  m eans  a fin a ncial  inst it ution .   Wor d  se ns e  disam big uation  i s  ve ry  im po rtant  pro blem   becau se  it   has  m any   us e s  s uch  as  m achine   translat ion   [ 4]   or   se ntim ent   analy sis  [5] .   In   m achine  translat io n,   tra ns la ti ng   a  se nt ence  co ntaining   t he   a m big uous  w ords  can not  be   done  directl y  witho ut  lo okin g  the  co nt ext.  Othe r wise,  it   can  be  wrong.    he  accu racy  of m achine  transl at ion   in  tra ns la ti ng   w ords  ca n  be   im pr ov e d  [ 6] .  O ne  of  the ex am ples  is  by  us in g  Wor d  se ns e  dis a m big uatio n.   Ma ny  resea rc he rs  ha ve  pro posed  va rio us   a ppr oac hes  t o  s ol ve  w ord  se ns e   disam big uatio n  pro blem s ,   bu t  none  of   it   c an  ha ndle   inexi ste nt  w ords   in  a  corp us .   In   [7] ,   propose d  the   us es  of   a dap te d  wei gh te d  gra ph   t o  so lve   the  pro bl e m .   In   [ 8] ,   pro po s ed   the  us es   of  m achine  le arn i ng  to  s olve   t he  pro blem .  An ot her  way  t o  so lve  word   se ns e  dis a m big uatio n  is   by  us in g  co rpus.   Co r pu s  is  a   set   of   struc tur ed  te xt  that  ha s  m any  us es.  On e  of  Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   12 , N o.   3 ,  Dece m ber  2 01 8   :   1 239   –   1246   1240   them   can  be  us e d  to  cl assify   e m otion s  f ro m   m us ic   [9] ,  e m otion s  f r om   a  te xt  [10] ,  an d  w ord   sens e   disam big uatio n.   In   [ 3] ,   pr opos e d  a  w ord  s ense  disam biguati on   s olu ti on  us in g  S kip - G ram   cor pora.  I n  [ 3] ,    Goo gle  Wo r d  Sens e  Disam bi gu at io n  C orp ora  as  the  c orp or a  a nd  achie ve d  a  re su lt   wit h  accu racy  42. 12%.   Howe ver,  the   existe d  m et ho d  us i ng  co rpus   did   not  ha ndle   pro blem   if  there  is  no  w ord  from   sentence  th at   are   in the c orp us .   In   this  resea r ch,   the  us e  of  W iki ped ia   and   Word2 ve c  is  pr opos e d  to  dev el op  the  corp or a .    Me anwhil e,  Le sk   al gorit hm   a n d  Wu  Palm er  si m il arity  are  us e d  to  handle   pro blem   if  th ere  is  no  wor d  from   sentence  t hat  a re  in  c orp us .   F irst,  tw o  co r pora  are  de velo pe d  us in g  data  f ro m   W i kip e dia .  The   data  obta ined   from   W ikipe di a  then  pr e pro cessed  to  m ini m iz e  the  wor ds   va riat ions  [ 11 ] .  Af te r  pre processi ng   t he   data,  corp or a are cr e at ed  us in g Wo r d2vec.  Sec ond,  the co r pora are used  to  dete r m ine the  m ean ing  of an  am big uo us  word.  To  co nduct  this,  th e  si m il arity  of   a   sentence  to  the  first  an d  th e  second  co rpus  is  cal culat ed  us in g  cosine  sim il ari ty .  If   the re  a re  any  w ords  fro m   the  sentence   that  do  no t  bel ong  t o  co r pora,   Lesk  al gorith m   [12]   and  Wu   Palm er  [ 13]   are  use d  to   cal culat e  the  sim il arity.  The n,  the  m eaning   of  a n  am big uous   w ords  is  determ ined  ba s ed on t he val ue  of sim i la rity  t hat h a s  b een  ca lc ulate d.       2.   RESEA R CH MET HO D     The  m ai n  ob j e ct ive  of   this  r e search  is  to  de velo p  the  c orp or a  a nd   t o  us e   it   as  a  too l  to  so lve  word  sense  disam bi gu at io n  pro blem .  The  pr op ose d  m et ho d  is  di vid ed  i nto   th r ee  par ts;   the  first  par t  is  dev e lop i ng   the  W i kip e dia  corp or a;  the  se cond pa rt is d et erm ining  the  re su lt ; t he  thi rd pa rt is p e rfo rm a nce m easur e.      2 . 1.       Dev el op i ng   Wiki pedia   Co r po r a   Figure  1  s how s  the  process  of  de velo ping  the  co rpora.  Th e  two  dataset s  from   W ikipe di a,  su c h  as  a  word   “ ba nk   ( fina ncial )”  an d  “ba nk   (g e ogra phy)”,   are   us ed  as  a n  inp ut  to  be   pr e processe d.  Then,    the  pre process ed  data  are u se d  to   create   tw o  corp or a   us i ng w ord 2vec.  C orpu s   1  an d  c orp us  2   a re  the   out pu t o f   each  dataset .           Figure  1. Co rpor a  d e velo pm e nt       2 . 1. 1     D atase t   The  W i kipe di a  arti cl e  has  m any  f eat ur es   inclu ding  a  t able  of  c on te nts,  a rtic le   refe ren ces   an d  cat egory  la bels.   In   this  paper,  the  use   of  cat ego ry  la be l  featur e  f ro m   W i kip e dia  ar ti cl e  is   pr op ose d  to   determ ine  wh ic h  arti cl e  will   be  sel ect ed  as  a  dataset   to  dev el op  the  co rpus.   F or   e xam pl e,  we  de velo p  corp ora   for  word  “ bank”,  t he  first  c orp us   is  ba nk  as  a  fina ncia l  insti tuti on   a nd  the  seco nd   co rpus  is   ba nk  as   geog raphy.  T he   arti cl e  sel ection   is  base d  on  the  cat eg or y   la bels  fr om   W i kip e dia.  F or  ba nk   as  a  fi nan ci al   insti tuti on ,  t he   W iki ped ia   a r t ic le s  that  con ta ins  word  “ bank”  with  c at egory  la bels   relat ed  to  finan ci al   insti tuti on   a re   sel ect ed.   Th e  cat eg or ie s  we  fou nd  th at   relat ed  t o  fina ncial   ins ti tuti on   are   Ba nk s ,     Ba nk i ng,  Leg al   Entit ie s,  Ital ia n  Inve ntio ns ,  a nd  Eco nom ic   History  of   Ital y.  For   ba nk  as  ge ogra phy,    the  cat egory  la bels  are  Hyd ro l og y,  Geo m orp ho l og y,  Li m no log y,  Fre s hw at e r  Ecol ogy,  Fluv ia l  La ndf or m s,  Ri par ia n  Zo ne,  Ri ver s ,  Water   Stream s,  an d  Water  a nd  t he  En vironm ent.  Af te r   c hoos in g  the  a rtic le s,  th en  th e   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Develo ping C orpora  u si ng W or d2vec  an d  W ik ipedia  f or   W or d S ense  D is ambi guatio n  ( F ar z a  Nu rif an )   1241   con te nt  of  the  arti cl e  in  the   p aragrap h  is  ob t ai ned .   Pa ragra ph s   ta ke n  f rom   W ikipe dia  a re  the n  bro ke n  do w n  into se ntence s  base d on pe rio d punctuati on. T he pr ocess  ca n be see n  i n  Fi gure  2.           Figure  2. A rtic le  selec ti on       2 . 1. 2     Prepr oc essing   The  sente nces   fr om   the  dataset   hav e  s o  m any  var ia ti on s.  T his  co nd i ti on   m akes  the  process  f or   creati ng the c orp or a  w il l be  le ss accu rate. T he  prep ro ce ss it sel f  ha s six  ste ps  t o do.   a)   Lo wer case   This  is  the  sim ple  way  to  m ake  the  wor ds   va riat ion s  t o  be  le ss.  For  exam ple,  if  there  are  tw o  w ords   “M on ey ” a n d  “ m on ey ” it  w il l be  recog nized a s sam e w ord.   b)   Rem ov e  punct uation   In   buil di ng   th e  corpora  an d  te sti ng   it   wit h  our  te sti ng   data,  we  only   need   the  wor ds.  Theref or e ,  the  punctuati ons  ar e rem ov ed .   c)   To ken iz e   We  to ke nize  the  in put  sente nce  to  m ake  it   easi er  to  be  processe d  at   the  nex t  ste p,   w hich  is  P OS   ta ggi ng   and Lem m a ti zin g.   d)   PO S  tag ging   To  m ake  the  da ta   m or e  acc urat e  we  us e  POS  ta ggin g.   Part   of  S peec h  ( P OS )   Ta gg i ng  is  com m on ly   use d  to d et e rm ine w hethe r  a  w ord  i s a  noun wo rd,  a v e rb, a n  a dj e ct ive or a n  a dverb.   e)   Le m m atize   This  is  the  pa r t  i m po rtant  process  t o  m ake  the  data  t o  ha ve  le ss  var ia ti on s .  We  will   m ake  w ords  li ke   “banks”  to  be   sam e   as  the  wo r d  “ba nk”.  We  lemm at iz ed  the  words  bas ed  on  the  POS   ta gg in g  of  the  words, s o  t he  l e m m a ti zed wo rd s  w il l be  m or e accu rate .   f)   Rem ov e the  st op word   Stop  w ords  a r e  w ords  that  do  no t  c on ta i n  sign ific a nt  m e anin g  wh e n  it   is  us e d  to  c rea te   a  corp us .  F or   exam ple,  are  " the"  an d  "t o  be "  w ords,   both   do  not  prov i de   a  sig nificant   m eaning   to  th e  co ntext  of   t he   sentences . Ta bl e 1  s hows  the  e xam ple o f pre processi ng r es ult.       Table  1.   Pr e processin g  Re s ul t   Inp u t   Ou tp u t   My cu rr en t ban k  d ep o sit acco u n t interest rat e has  jus t be en   cu t again .   cu rr en t ban k  dep o s it accou n t interest  rate  cu t   Mos t peo p le hav e a  cu rr en t  accou n t and   m o st b an k s p ay   v irtually  n o  interes t on  this   m o n e y .   p eo p le curr en t acc o u n t ban k  pays virtu ally  interest   m o n e y       2 . 1. 3     Cre at e   Word2 vec  Corpor a   The  c orpora  is   dev el op e d  us i ng   w ord2vec  word   em beddi ng   te c hn i qu e  [ 14 ] - [ 16 ]   on  G oogle  us i ng   data  ob ta ine d  f ro m   the  con te nt  of   W i kip e di a  arti cl es.  Wo r d2vec  is  us e d  because   it   has  two  la ye rs  of   neural   netw orks  us e d  to  pro du ce   w ord  em beddin g  in   a  vecto r  s pace.   I n  vecto r  s paces,   w ord s  that  s har e   c om m on  con te xts  will  co nve rg e  in  a dj acent places   [ 14] .   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   12 , N o.   3 ,  Dece m ber  2 01 8   :   1 239   –   1246   1242   Ther e   are  t wo  ways  to  c reate   a  co rpus,  su c h  as  t he  Co ntinuo us   Ba g  of  Wor ds   (CB O W)   m od el   a nd  the  S kip - G ram   m od el   [14] .  T he  CB O W  m od el   pre dicts  th e  w ords  base d  on  the  giv e n  c on te xt  w he reas   Sk i p - gr am   pr e dicts  words  that  s urrou nd   t he  giv e n  word  [ 14 ] .  The  pr e proces sed  dataset s  ar e  us e d  as  a n  i nput  t o  Wor d2vec.  Sin ce  this  researc h  does  no t  ha ve   la rg e  dataset s  for  trai ni ng,   Sk ip - gr am   m o del  is  us e d  bec ause  it   has  a  bette r  s olu ti on  in  handling  i nfreque nt  w ords  tha n  CB O W   m od e l.  Sk ip - gram   m od el   is  us ed   with  a   hundre d - dim ension al   vecto r  a nd w it h wi ndow f i ve w ords  a nd m ini m u m  w ord  a ppear te n t i m es.     2 . 2 .      Det ermi ne t h e Re sult   Figu re  3  sho w s  the  proce ss  of   determ ining  the  res ult.  We  us e  te sti ng  data  from   Ox f ord  E ng li s h  Dict ion a ry  an d  Y our dicti on a r y.com   to  be  prep ro ce ssed .  T hen,  t he  se nte nce  sim il arity  with  t he  c orp ora  is  cal culat ed  to  det erm ine the  re su lt .           Figure  3.   Deter m ine the Res ult       2 . 2 . 1     Te s tin g Data   a)   Oxfor d  E ngli sh   Dict ion a ry   The  O xfo rd   E ng li s h  Dict iona ry  (O E D)   is  the  la rg est   E ngli sh   dicti on a ry  widely   us ed  by  people  t o  search   f or  w ord  de finiti ons  or   searc h  for  sentence   exam ples  f r om   a  word.  T he refo re,  OE D  is  use d  as     te sti ng   data.   b)   Yourdict ior na r y.com   Yourdict io nar y .co m   is  a  fr e e  on li ne  E ngli sh   dicti onary  that  has  m any  sam ple  sentences,  fam ou s   quotes,  a nd   a udio  pr onunci at ion s .  I n  this  dic ti on ary,  e xam ples  of   sente nce s  are  m ade  by  i nter net  us er s,  s o  the  data will  have   m any sentence  v a riat ion s.  T he refor e , it i s us ed  to  test  the  pro posed  m et ho d.     2 . 2 . 2     Prepr oc essing  D ata   The pre proces s ing   ste p for tes ti ng   data is t he   sam e as p reproc essing st ep  fo r devel op i ng c orp or a.     2 . 2 . 3     Simi larity  to  Co r po r a   a)   Cosine  sim il ari ty   Cosine  sim il ar it y  is  the  cal culat ion   betwee n  tw o  vecto rs   with  the   res ult  of  an  a ngle   betwe e n    them   [17] .  C osi ne  sim i la rity  pro duces  r es ults  with   inter vals  betwee n  - 1  an d  1.   The   form ula  for  cosine   si m il arity is ;       Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Develo ping C orpora  u si ng W or d2vec  an d  W ik ipedia  f or   W or d S ense  D is ambi guatio n  ( F ar z a  Nu rif an )   1243       = cos ( )   = ∙ ‖ ‖   ‖ ‖   = ∑ = 1 √ ∑ 2 = 1 √ ∑ 2 = 1   (1)     wh e re    an d    are  co m po ne nts  of wo rd2 vec  ve ct or s    an d  , res pecti vely .   b)   Sentence  sim i l arit y   Ever y  word   i n  a  sentence  e xc ept  the  am big uous   wor d  it sel f  are  cal culat e d  us i ng   c os i ne   si m il ari t y  with  t he  am big uo us   w ord  c onta ined   in   the   corp us   [18] .  T he  am big uo us   word  in   the   se ntence   an d  t he   w ord  from   sentence  that  is  no t  in  corp us   will   be  gi ven  0   value .  T he  w ords  f r om   sentences  t hat  hav e b ee n  cal culat ed   us in g   c os ine  si m il arity are th e n  a ver a ge d.          =   1 ∗ ∑ = 1   (2)     wh e re,     = num ber   of   words f r om  sen te nce      = co sine sim ilarity  o f  t he words  fro m  sen te nce  with the  a m big uo us  wor d   c)   Determ ine the  resu lt   The  m eaning  of  the   am big uous  w ord  i n  a  se ntence  is   dete r m ined  by  t he  va lue  of  se nte nc e  sim il arity   that  has  bee n  c al culat ed.   If   t he   value  of  se ntence  sim il ari ty  to  co r pu s   one  is  higher  t ha n  corp us   tw o,   t he n  the   m eaning   of  th e  am big uous   word  prese nt  in  a  se ntence  i s  as  de fine d   by   corpu s   one  and   vice  ver sa .  For   exam ple,  Table  2  sho ws  the   cal culat ion   w it h  pr e process ed  in pu t  se ntence  “cu rr e nt  ba nk   de po sit   ac coun t   interest  r at e c ut ” w it h  the  c orpu s  1 ‘ ba nk’  as  a f i nan ci al  in sti tuti on  a nd the   corp us   2 ‘b a nk ’  as  ge ogra ph y.       Table  2.   C os in e  Sim il arit y R e su lt   W o rd f ro m  sen ten ce   Co sin e si m il arit y   with  word  ‘ b an k ’   in  corp u s 1   in  corp u s 2   Cu rr en t   0 .83 8   0  ( n o t in co rpu s)   Ban k   0  ( a m b ig u o u s wo rd)   0  ( a m b ig u o u s wo rd)   Dep o sit   0 .94 9   0 .98 3   Accou n t   0 .95 2   0  ( n o t in co rpu s)   Interest   0 .92 5   0  (no t in co rpu s)   Rate   0 .89 5   0 .98 6   Cu t   0  ( n o t in co rpu s)   0 .99 2   Sen ten ce si m ila rit y   0 .65 1   0 .42 3       2 . 2 . 4     Sem an ti c Simi larit y   a)   Lesk  al gorithm   Lesk  al gorith m   is  a  cl assic al   al go rit hm   fo r   w ord  se ns e  di sam big uation.  In   t his  pap e r,   t he  sim plifie d   Lesk   al gorith m   is   us ed  bec ause  it   has  a  bette r  perf or m ance  [ 12 ] .  Thi s  al go rithm   is  sh ow n  in  Fig ure  4.   It   cal culat es  the  ov e rlap ping  w ords  bet wee n  the  input  sent ence  an d  the  sentence  from   word   def i niti on   a nd   exam ple in d ic ti on ary.  In this   case,  Wordnet  is use d  as  the  di ct ion ary.           Figure  4. Sim plifie d  Les k Alg or i thm   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   12 , N o.   3 ,  Dece m ber  2 01 8   :   1 239   –   1246   1244   Sentence s  that   do  not  ha ve  a   s ing le   w ord  c on ta ined  i n  th e  c orp or a   are   the n  us e d  a s  th e  in pu t   into   this  al gorithm . Th e  outp ut of t his  al gorithm  is o ne  of the  words   in  Wordnet a nd  will  b e  us e d  i n  the  n e xt ste p.   b)   Wu Palm er S im il arity   Wu   Palm er  si m il arity  [13]   is  on e  of  m any   al gorithm   that  m easur es  the  sem antic   s i m i l arit y  of   t w o  words  base d o n  the   Wordnet  tree.   The fo rm ula f or cal culat in g  si m il arity u sin g Wu Pal m er is             =   2 ∗   ℎ (  ) (   ℎ ( ) +   ℎ ( ) )   (3)     wh e re,      = Least  C omm on  Subs um er  (pare nt of t he t wo   w ords  se ar ched)     = the  first  w ord     = the  seco nd  word     The  wor d  re su l te d  f ro m   Lesk  al gorithm   then  m easur ed  with  the   real  m eanin g  of   am biguous  w ord  i n  Wor dn et   us in g  W u  Palm er  si m il arity  and   th e  ou t pu t  sc or e  wil l  be  us e d  to   determ ine  the  resu lt .  F or   e xa m ple,   the  ou t pu t  f rom   Lesk  al go ri thm   is  “sl op e”,  then  the  w or d  “sl ope”  m ea su re d  with  the   wo r d  “ bank”   as  a  fina ncial  instit ution an d w ord  “b a nk ”  as  ge ogra phy i n Wor dn et .   c)   Determ ine the  resu lt   The  m eaning   of   the  am big uous   wor d  in  a  sentence  is  de te rm ined  by  the  value  of   Wu   Palm er   si m il arity  that  has  been  cal cu la te d.   I f  the   va lue  of  Wu  Pal m er  si m il arity  to  co rpus   one  i s  highe r  tha n  c orp us   two,  the n  the   m eaning   of  th e  am big uous   word  prese nt  in  a  se nte nce  i s  as  def in e d  by   corp us   on e   and  vice   ver sa     2 . 3 .    Perf orm ance  M e asure   To  e valuate t he  prop os ed  m eth od,  these  foll ow i ng for m ulas are use d       = (  1 (  1 +  1 ) +  2 (  2 +  2 ) ) 2   (4)          = (  1 (  1 +  2 ) +  2 (  2 +  1 ) ) 2   (5)         1  =   (       ) (  +  )     2   (6)            =    1 +  2 (     )   (7)     wh e re,    1   =  T r ue pre dict ion   of the  f irst  sense    1   = False  pr e dic ti on   of the  first  sen se    2   =  T r ue pre dict ion   of the  seco nd se ns e    2   = False  pr e dic ti on   of the se co nd se ns e       3.   RESU LT S   A ND AN ALYSIS     In  this  pa per ,   Pyt hon  pro gr a m m ing   la ngua ge  is  im ple m e nted  t o  pro pos e  the  m et ho d.   To   get  t he  arti cl es  fr om   W i kip e dia,  we   us e  con te nt  functi on   fr om   W ikipedia  pyth on  li br ary.  T he  nltk  pyth on   li brary  i s   us e d  to   prep r ocess  t he  data   from   W i kip e dia  an d  ge ns i m   pytho n  li br ary  is  use d  to   create   the   w ord 2v ec   corp or a.  T he  a m ou nt  of   the  te sti ng   data  we  us e d  can  be  se en  in  Table  3.  Table  4  sho ws  the  exp e rim ent   resu lt   without  sem antic   si m il arit y.  Since  the re  is   no  w ord  fro m   the  sentenc e  inside  bo t h  corp or a,  t he  s entence   si m il arity  will   hav e   0  val ue.   Ther e f or e,   the  pr eci sio n,  recal l,  an d  F 1s c or e   value  ca nnot  be   cal culat ed.   We  c a n  on ly  calc ulate  t he  acc ur acy .     Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Develo ping C orpora  u si ng W or d2vec  an d  W ik ipedia  f or   W or d S ense  D is ambi guatio n  ( F ar z a  Nu rif an )   1245   Tab le   3.  T est in g  Data   A m b ig u o u s wo rds   Sen ses   W ik ip ed ia Dataset   (sen ten ces)   Testin g  Data   (sen ten ces)   Ban k   Fin an cial I n stitu tio n  &  Geog raph y   335   138   Plan t   Facto ry &  Bio lo g y   298   80   Hear t   Feelin g  &   Organ   369   40   Av erage   -   334   86       Table  4.  E xper i m ent  Re su lt s  of  Cosi ne  Sim i la rity  W it ho ut  Sem antic  Si m ilarity   A m b ig u o u s wo rd   Un k n o wn  sen ten ce s   Accurac y  ( %)   Ban k   29   7 3 .72   Plan t   10   8 1 .25   Hear t   2   7 7 .50   Av erage   1 3 ,6   7 7 .49       Table  5  is  the   s econd  res ults  that  prese nts   th e  ex per im ent  resu lt   with   sem antic   sim il arit y.   Since   the re   is  no  0  value   of  the   sem antic   si m il arity,  we  can  cal c ulate   the  pr eci si on,  r ecal l,  an d  F 1s c or e .  As  ca n  be   seen  i n  Table  5,  if  w e  us e  sem antic   si m il arity  wh en   there   is  no  w ord  from   the  sente nce  i ns ide  both  c orp or a ,    the accu racy  re su lt  is im pr ov e d by 8.0 2% .       Table  5.  E xper i m ent  Re su lt   of  Cosi ne Si m ilarity   with  Sem antic  Sim i la rit y   A m b ig u o u s wo rd   Precisio n  ( %)   Recall (% )   F1 Sco re  (% )   Accurac y  ( %)   Ban k   8 8 .21   8 9 .33   8 8 .76   8 9 .05   Plan t   8 5 .00   8 5 .00   8 5 .00   8 5 .00   Hear t   8 2 .50   8 2 .58   8 2 .54   8 2 .50   Av erage   8 5 .23   8 5 .63   8 5 .43   8 5 .51       4.   CONCL US I O N     This  researc h  pro po ses  the  use   of   W iki pe dia  and   Wo r d2ve c  to  dev el op  the  corp or a .  Th e  add it ion al   al gorithm   su ch  as  Lesk   al gorithm   and   Wu   P alm er  si m il arity  are  us ed  to  ha nd le   ine xisten t  wo r ds   in  a  co rpus .   The  res ults  of  our  pr opos e d  m et ho d  to  s olve   word   se ns e  di sa m big uatio n  pro blem s  sh ow   an  acc ur acy   rate  of  85.51% a nd  th e se m antic  si mil arit y ca n  i m p rove th e accu ra cy  r at e b y   8. 02 %. F or f urt he r  researc h,  the  proces s  for  handlin g  w ords  from   a  sentence  t hat  are   not  in  t he  c orpora  with  c os i ne  sim il ari ty   is   sti ll   la cking   s o  that  it   can  be devel op ed  to  achie ve b et te r  accu racy.       ACKN OWLE DGE MENTS     The  a utho rs  would  li ke  t o  than k  to  I ns ti tut  Tek no l og i   Sepulu h  N op e m ber ,  Direkt or at   Rise t  da n  Pen gabdia n  Masy ar ak at,  Direkt orat  Jend e ra l  Pen gu atan  Rise t  dan  Pen ge mba ngan ,  the  Mi ni stry  of  Re search , Tec hnology, a nd  Higher  Educat i on of  Ind on e sia  for   fina ncin g t he  resea rc h.       REFERE NCE S    [1]   A.  R.   Pal ,   D.   Sa ha,   and  S.  K.   Na skar,   “ W ord  sense  disambiguat io n  in  Beng al i :  A  knowledge   b ase d  appr oa ch  usin g   Benga li  W ordNet , ”  in  2017  S ec ond  Int ernational  Confe ren c e  on  Elec tric al ,   Computer  and  Comm unic ati o n  Technol ogi es  ( ICECCT) ,   2017,   pp.   1 – 5.   [2]   N.  Bouhriz ,   F.  Bena bbou,   E .   Habib,   and  B .   Lahm ar,   “ W ord  Sense  Disam bigua ti on  Approac h  f or  Arabi c  Te x t,”  IJA CSA)   Int .   J.  Adv .   Comput.   Sc i.   Appl. ,   vol. 7, n o.   4 ,   pp .   381 – 38 5,   2016 .   [3]   S.  Gupta,  A.  Nam a var i,  and   T.  O.  Sm it h,   “ W ord  Sense  Disam bigua ti o n  Us ing  Skip - Gram   and  LS TM    Models, ”  2017 .   [4]   Q. - P.  Ngu y en ,   A. - D.  Vo,  J. - C.   Shin,  and  C. - Y.  Ock,   “ Eff ec t  of  W ord  Sense  Dis ambiguat ion  on  Neura l  Mac hin e  Tra nsla ti on:   A C ase   Stud y   in  Kor ea n, ”  I EE E   A cce ss ,   vol.   6,   pp.   38 512 – 38523,   201 8.   [5]   B.   S.  Rinty a rna ,   R.   Sarno,  and  C.   Fatichah ,   “ E nhanc ing  the   p e rform anc e  of  se nti m ent   an aly sis   ta sk  on  produc t  rev ie ws   b y   hand li ng  both   lo cal  a nd  global  cont ex t, ”   Int .   J. I nf. De ci s.  S ci. ,   vol. 11, 2018.   [6]   H.  Sujai ni,   K.  Kus p ri y ant o ,   A.   Akhm ad  Ar m a n,   and  A.  Purw ari an ti ,   “ A  Novel  Part - of - Spee c h  Set  Deve lopi n g   Method  for  Stati stic al  Mac hin e  T ran slation,”  TEL KOMNIKA  ( Tel ec omm unic at ion   Comput.   Elec tron.  Control. ,   vol .   12,   no .   3 ,   p .   581 ,   Sep.   2014.   [7]   B.   S.  R inty arn a  and   R.   Sarn o,   “ Adapte d   weighted  gra ph   f or  W ord  Sense  Disam bigua ti o n, ”  in  2016   4t h   Inte rnational   Co nfe renc e  on   Info rm ati on  and  Co mm unic ati on  Te chnol ogy   ( ICoICT) ,   2016,   pp.   1 – 5.     Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   12 , N o.   3 ,  Dece m ber  2 01 8   :   1 239   –   1246   1246   [8]   N.  Sharm a,   S.  Kum ar,   and  Dr.  S.   Nira nja n ,   “ Us ing  Mac hine   Le ar ning  Algorit hm s  for  W ord  Sen se  Disam bigua ti on :  A Bri ef  Surv e y , ”   ISSN  Int .   J. Co mput.   Techno l.  El e ct ron.   Eng. ,   v ol.   2 ,   no .   1 ,   pp .   2 249 – 6343.   [9]   F.  Hasta ri ta  Rachm an,   R.   Sarno,  and  C .   Fa ti ch a h,   “ Mus ic   Emot ion  Cl assific a ti o n  base d  on   L y r i cs - Audio  using   Corpus ba sed  E m oti on, ”  In t. J. El e ct r.   Comput.   Eng. ,   vol .   8 ,   no .   3,   pp .   1720 – 173 0,   2018 .   [10]   F.  H.  Rac hm an ,   R.   Sarno,   and   C.   Fati ch ah,   “ CBE:   Corpus - base d  of  emotio n  for  emotion  det e ct ion  in  te x t  document, ”   in   2016  3rd  Inte r nati onal  Con fe r enc e   on  Infor mation  Technology,   Comput er,   and  Elec tric al   Engi ne ering  ( ICITACEE ) ,   2016,   pp.   331 – 335 .   [11]   S.  Vijay ar ani ,   M.  R.   Jana ni,   a nd  A.  Profess or,   “ TE XT  MIN IN G:  OP EN  SO U RCE  TOKENIZATION  TOOLS   –   AN   AN ALYS I S , ”  Adv.  Comput .   Inte ll. An I n t. J. ,   vol.   3 ,   no .   1 ,   pp .   37 – 47,   2016 .   [12]   P.  Basil e,   A.  C aput o,   a nd  G.  S emera ro,   “ An  Enha nce d  L esk  W ord  Sense  Dis ambiguat ion  Al gorit hm   through  a   Distribut ional  Sem ant ic   Model , ”  Proc.   COL ING  2014,   25th  Int.   Conf.   Comput .   Linguist.   Tech .   Pap. ,   pp .   1591 – 1600,   2014 .   [13]   P.  Sharm a,   R.   Tr ipa thi,  and  R .   C.   Tri pat h i,   “ Findi ng  Sim il ar  Pate n ts  through  Sem ant ic   Quer y   Exp a nsion,”   Proc edi a   Comput.   Sc i. ,   vo l.   54 ,   pp .   390 – 39 5,   Jan .   2015 .   [14]   T.   Miko lov,   K .   Chen,   G.   Corra d o,   and   J.  De an,   “ Eff icient  Esti m ation  of  W ord  Rep rese ntations  in   Vec tor   Space,”  i n   Proce ed ings o f   t he  Int ernati ona l   Confe renc e  on   Learning  R epre se ntat ions ( ICLR 2 013) ,   2013.   [15]   T.   Mikolov,   I .   Suts keve r,   K.  Che n,   G.  Corra do,   a nd  J.  Dea n,   “ Dis tri bute d  r epr ese n ta ti ons  of  words   and  phra ses  and   the ir   compos it io nal ity , ”   Proc ee d ings  of  th e  26 t h  Inte rnationa l  Confe renc e  on  Neural  Informat ion  Proc essing  Syste ms   -   Vol um e  2 .   Curra n   As sociate s In c.,  pp .   3 111 – 3119,   2013 .   [16]   T.   Miko lov,  W .   Yih,   and  G.   Z weig,   “ L ingui sti c  Regu la ri ti es   i n  Conti nuous  S pac e   W ord  Rep rese ntations, ”   in   Proce ed ings  of   the  2013  Conf ere nce  of   the  North  Ame rican   Chapte r  o f  th e  Associa ti on  f or  Computati on al   Linguisti cs:  Hu man Language  Technol og ie s ,   201 3,   pp .   746 – 751 .   [17]   A.  Huang,   “ Simi la ri t y   Mea sures   for  Te xt  Docu m ent   Cluste ring,”  in  Proceedi ng s  of  the   New  Zealand  Computer  Sci en ce R ese arc h  Stude n t  Conf ere nc e   2008 ,   2008 ,   pp .   49 – 56 .   [18]   D.  W al i   and   N. M odhe,   “ W ord  Sense  Disam bigua ti on   Algorit h m s in  Hindi,”  20 15.       BIOGR AP HI ES OF  A UTH ORS          Farz a  Nurifa n  i s  now  fourth  y ea r  student   of  Inform at ic s  Depa rtment  at   Insti tut   Te kno logi  Sepuluh  Nopem ber .   His   cur r ent   i nte rests  are i n   T ext   Min ing  and   I te rne t  of   Thi ngs.   E - m ai l: fa r za nur ifa n@gm ai l . com           Ri y ana r to  Sarn o  recei v ed  M. Sc  and  Ph.D   i n  Com pute r  Sc ie nc e  from   th e   Univer sit y   of  Brunsw ic k  Canada  in  1988   and  1 992.   In  2003   he  was  prom ote d  to   a  Full   P rofe ss or.   His  t ea ch ing   and  rese arc h  i nte rests  in cl ud e s  Inte rne t   of  Thi ngs,  Proc ess  Aw are   Inform at ion  S y s te m s,   Inte lligen t  S y s tem s a nd  Business Proce ss   Mana g e m ent .     E - m ai l: ri y an arto@if.i ts . ac.i d             Cah y ani ngt y a s  Sekar   W ah y un i   rec e ive d  h er  bac he lor  degr ee  from   Inform at ion  S y stem  of  Univer sita s  Bra wijay a  in  2018 .   She  ac ti v ely   j oine d  in  m an y   orga nizati ons,  c om m it te es,   and  competi ti ons .   She  has  won  seve ral   competi t ion s  in  business  pla n,   eng li sh  spee ch,   and  engl ish  deba t e.   Now ,   sh e   is  joi n ing  m ag iste r  stud y   a t  D epa rtment  o f  Inf orm at ic s  in  Insti tut   T eknol ogi  Sepuluh  Nopem ber ,   Surab a y a .   Her  cur r ent   in te r e sts  are   in  Proc ess  Mining  and  Bu siness  Proce ss  Mana gement.   E - m ai l: c ah y aningt y as. seka r . w @gm ai l. com         Evaluation Warning : The document was created with Spire.PDF for Python.