本研究提出了通用语义标注的任务，为广泛覆盖的多语言文本提供了更好的语义分析，使用具有语言中立性和信息丰富的标签对词汇进行标注，为跨语言语义分析提供了支持。语义标注在平行意义银行中的应用支持这些论点，并促进形式词汇语义学和跨语言投影，这个研究在一份小的语料库上注释了它的语义标注，并提出了通用性语义标注的新的基线结果。

Sep, 2017

通过多语言学习，并运用层次贝叶斯模型和马尔可夫蒙特卡洛采样技术，我们证明了在无监督词性标注中应用多语言学习的有效性，且在可用语言数量增加时，性能稳定提升。

Jan, 2014

人们如何获取句法类别知识是基础性问题，本研究回顾了各种工程方法，目的在于无需先验句法知识就能正确识别样本文本中的词性，并讨论了模型的评估、约束因素以及上下文对词性的确定等共同主题。这些主题为深入研究认知过程奠定了基础，并提供了当前无监督词性标注模型的有用参考。

Dec, 2023

本文描述了一种针对低资源语言的无监督词性标注方法，利用了 Brown 等人在 1992 年提出的经典聚类方法和一种解密方法实现了标注结果的有效构建，并将其应用于 Sinhalese 和 Kinyarwanda 两种极度缺乏标记训练数据的语言中，实现了较高的标注性能。此外，该方法还将集成到真正的零资源模型中，取得了可靠的效果。

Apr, 2019

介绍了 Uppsala 系统，它是一个由三个部分构成的流水线，可以用于 CoNLL 2018 共享任务的普遍依赖语法分析。通过使用多个树库对同一语言或密切相关语言训练模型，我们极大地减少了模型数量，最终在公开测试上获得了 LAS 和 MLAS 指标的第 7 位排名以及词分割、普遍 POS 标签和形态特征的最高分。

Sep, 2018

本文提出了 MasakhaPOS 数据集，并利用条件随机场、多语言预训练语言模型、跨语言传递模型以及交叉语言参数高效微调等方法来解决非常规非洲语言的词性标注问题。实验结果表明，选择最佳的传递语言可显著提高目标语言的 POS 标注性能，特别是结合跨语言参数高效微调方法时。关键是，从与目标语言匹配的语言传递知识似乎对未见过的语言的 POS 标记更有效。

May, 2023

本研究探讨了不同词性（POS）标注方法的评估框架，并在印度尼西亚语和老挝语的数据集上使用基于特征的和神经网络的方法进行 POS 标注，结果表明神经序列标记模型显着优于经典基于特征的方法和基于规则的方法，其中在印度尼西亚语数据集上的最佳表现达到了 95.82％，在老挝语数据集上为 93.03％。

Apr, 2022

本文介绍了一种快速适应新域的 POS 标注器的方法，该方法利用大量文本中收集的后缀信息和字形信息以增加词汇覆盖率，在生物领域的实验中表现出了与该领域中特别训练的 POS 标注器相当的结果。

Oct, 2014

该研究针对无标注文本完全无监督学习语法 (词性) 类别的问题，通过参数和非参数约束对标准的最大似然隐马尔可夫模型进行优化和修改和达到了在多种语言上显著提高的效果。

Jan, 2014

本文介绍了用 Universal Dependencies 分析 Tweets 的问题，提出了扩展 UD 指南来覆盖 Tweets 中的特殊结构以及使用新的 Tweet Treebank v2 来解决标注中的歧义，并构建了一个可以将原始 Tweets 解析为 UD 的流水线系统。此外，作者还提出了一种新的方法来精简基于转换的解析器的集合，并在真实情况下验证了该方法的有效性。

Apr, 2018