ACLJul, 2018

词汇资源和自然语言处理之间的相互作用

PDF
TL;DR这篇研究论文探讨在人工智能 / 自然语言处理系统中将语言学知识、世界知识和常识知识融合起来，这是一个重要的研究领域，并提出了从构建和丰富词汇资源的过程中使用自然语言处理方法，以及从词汇资源中提取有益信息来改善 NLP 应用的方法。该教程可为语言资源的工作者以及研究 NLP 应用的人员提供帮助。
ai/nlp systemslinguistic knowledgeworld knowledgecommon sense knowledgelexical resources
发现论文，激发创造
  • 一种支配所有事情的模型：用于词汇分析的多任务和多语言建模

    本论文探讨了在自然语言处理方面学习多任务和多语言的交叉点，研究的主要目标是提高文本处理可靠性，尤其是在资源稀缺的语言中，通过利用语言重叠等方法，使得低资源语言能受益于高资源语言的进步。

    Nov, 2017

  • 自然语言处理之中语言多样性与包容的现状和前景

    本文通过考察各种语言在 NLP 会议上的代表情况以及它们之间的资源差异等多方面，旨在呼吁 ACL 社区关注当前语言技术和应用中存在的不平等现象，提高关注和支持那些缺乏资源的语言，推动语言技术和多语言交流的发展。

    Apr, 2020

  • 基于记忆的词汇获取与处理

    提出了一种基于自动内存学习语言（词汇）任务的自然语言处理的性能导向方法，讨论了其对计算词汇学的影响，并描述了该方法在音韵学、形态学和句法中对许多词汇获取和消歧任务的应用。

    May, 1994

  • 将 AI 规划与自然语言处理相结合：明示和隐示知识的结合

    本文介绍了人工智能规划和自然语言处理之间的相互作用，讨论了四个领域：基于规划的文本理解、基于规划的文本生成、基于文本的人机交互和基于文本的可解释规划，并探讨了一些潜在的未来问题。

    Feb, 2022

  • 多任务和多语言模型用于词法分析

    该论文旨在研究和探索使用任务和语言之间的相关性来构建需要较少手动注释数据的自然语言处理模型，通过研究 60 种语言的多种 NLP 任务，该论文表明了联合多任务和多语言建模的潜力，并暗示从这些模型中可以获得语言学洞见。

    Sep, 2018

  • 低资源语言：现有工作回顾与未来挑战

    本文回顾了 NLP 领域中解决低资源语言问题的先前重要进展，并分析了未来研究方向中的潜在改进。

    Jun, 2020

  • 低资源场景下自然语言处理的最近方法综述

    本文调查了低资源自然语言处理的相关方法，其中包括数据增强、遥感监视和迁移学习等技术以帮助在需要训练数据较少的情况下提高神经模型的性能，并通过说明这些方法的差异帮助选择适合特定低资源设置的技术。

    Oct, 2020

  • 自然语言处理依赖于语言学

    大型语言模型（LLMs）在某些语言中已经能够生成高度流畅的文本，而无需专门设计用于捕捉语法或语义连贯性的模块。对于自然语言处理中语言专长的未来意味着什么？我们强调几个方面，其中 NLP（仍然）依赖于语言学，或者语言学思维可以阐明新的方向。我们围绕着 $RELIES$ 这个首字母缩略词阐述我们的观点，该缩略词涵盖了语言学对 NLP 做出贡献的六个主要方面：资源、评估、低资源环境、可解释性、解释和语言研究。这个列表并不详尽，也不是每个主题下的每个努力都以语言学为主要参考；但从宏观上看，这些方面突显了研究机器系统与人类语言系统之间的持久重要性。

    May, 2024

  • 编程自然语言处理调查

    本文综述了自然语言处理在编程方面的研究，并从推理模型到最新竞争级模型全面调查了现有的相关工作，具有技术类别的完整性，方便查找和比较未来的工作。

    Dec, 2022

  • 自然语言处理的高效方法：一项调查

    本文介绍了在资源有限的情况下，如何在自然语言处理中提高处理效率的方法和研究方向。

    Aug, 2022