对于post-hoc映射，我们使用Mikolov等人的方法。该模型假设了一个W∈R d1×d2矩阵，该矩阵将矢量从源映射到目标MWEs ，其中d1和d2是嵌入空间尺寸。对的种子词典是xi和yi为源和目标MWEs所需要的。 W可以通过最小化源xi和目标yi向量之间的L2正则化映射误差，来使用岭回归来学习：

使用word2vec skipgram创建MWEs ，用scikit-learn估计W ，使用默认参数。

跨语言情感分类

在BWES的重要应用CLSC( Cross-Lingual Sentiment Classification)中，我们针对源（一种资源丰富的语言）中可用的训练数据，训练一个有监督的情感模型，并将其应用于目标（一种资源贫乏的语言，通常没有可用的训练数据）。因为BWEs将源单词和目标单词嵌入到同一个空间中，所以源中的注释（表示为BWEs）可以实现迁移学习。对于CLSC的tweets ，对非twitter数据进行训练的BWEs的一个缺点是，它们不产生特定twitter词汇的嵌入，例如英语coool和（墨西哥）西班牙语chido等俚语单词，当情感分类器使用它们时，会导致信息丢失。