ACLMar, 2016

历史英语词性标注

PDF
TL;DR此研究探讨了如何利用领域适应技术提高处理历史文本的性能，集中在词性标注这一经典测试任务中，并表明了 Feature Embedding 方法的有效性。
natural language processinghistorical textsdomain adaptationpart-of-speech taggingearly modern english
发现论文，激发创造
  • 面向特定领域的词性标注快速适应

    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

  • 使用隐马尔可夫模型进行序列标注的领域自适应

    该研究论文介绍了一种基于隐藏马尔科夫模型来学习词汇表示，并使用大量未标记数据将这些方法更好地适用于不同领域数据的方法。

    Dec, 2013

  • 噪声用户生成文本的词性标注领域自适应

    使用神经网络实现 POS 标注器，通过领域自适应和正则化技术，在德语推文数据集中实现高于 90% 的标注准确度。

    May, 2019

  • 理解对资源有限的神经机器翻译中的词级语言标注的影响

    研究了词级语言标注对资源不足的神经机器翻译的影响，通过实验发现，当在源语言进行标注时，语法 - 语义描述标签在某些语言对中表现优于词性标签；但在目标语言进行标注时，词性标签在自动评估指标上始终优于语法 - 语义描述标签，尽管后者可改善输出的语法性。该研究提供了对此结果的详细分析。

    Jan, 2024

  • 使用神经网络词性标注器检测句法变化

    本文通过训练一种跨越时空的长短时记忆词性标注器，分析其在美式英语中语法和词汇变化上的表现，并证明其能够相对精准地预测新句子的创作时间。

    Jun, 2019

  • 低资源语言的跨语言形态标注

    提出了一种适用于低资源语言的模型来训练形态标记器，该模型使用 Wesabie 模型进行打标， 通过在语料库中引入 POS 词性标注的元信息，将标记信息从富资源语言映射到贫资源语言，实现了跨语言知识的迁移，可以提高句法分析的效果。

    Jun, 2016

  • 部分词性归纳中的复杂度控制

    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

  • 双向 LSTM 和多任务学习优化历史拼写规范化

    使用深度神经网络技术对历史文献进行自然语言处理，尤其是对字符进行深度双向 LSTM 网络归一化处理。在对早期新高地德文文本的评估中，我们的模型表现优异，且使用多任务学习结合额外的标准化数据可以进一步提高模型的性能。

    Oct, 2016

  • SMPOST: 用于代码混合的印度社交媒体文本的词性标注器

    研究社交媒体上社会语言的使用及其对自然语言处理的影响，参考三种不同语言对的社交媒体数据，通过条件随机场分类器开发出一个基于富有语言特征的词性标注系统。

    Feb, 2017

  • 多语言词性标注：两种无监督方法

    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