ACLJul, 2018

关于词形变化系统的复杂性和类型学

PDF
TL;DR我们量化不同语言形态系统的语言复杂度，揭示了屈折范式的大小和不规则程度之间的经验权衡，即一种语言的屈折范式可以是大小大，或高度不规则，但永远不会两者兼备。我们的方法体现了屈折范式的熵 - 即共同预测范式所有表面形式的难度。我们通过变分逼近估计这一问题，并测量这些范例在 31 种类型多样的语言中的表现。
linguistic complexitymorphological systemsinflectional paradigmsentropyvariational approximation
发现论文，激发创造
  • 关于词形变化中不规则性的历时稳定性

    本文使用循环神经网络模拟语言学习者，定量研究了语言中不规则单词的存在条件，测试了单词频率与不规则性之间的历时关系。

    Apr, 2018

  • 相關不代表補償：詞彙中的複雜性和不規則性

    在语言中，形态上不规则的词往往具有音节结构简单的特点，而形态规则的词则往往具有音节结构复杂的特点。我们研究了这四个变量之间的关系，并发现形态上的不规则性和音节结构的复杂性之间存在着正向关系，尽管在不同的语言中方向有所不同。我们还发现了形态上的不规则性和词的长度之间存在着负向关系，并且某些关于这四个变量关系的现有发现并不像以前认为的那么可靠。

    Jun, 2024

  • 形态上的不规则与频率相关

    本研究展示了一个对语言形态上不规则性的定义，并在 28 种语言中使用神经传导模型估计此数量，证明了不规则性与高频度之间的相关性，并且在单元语法的层面聚合时，相关性更为稳固。

    Jun, 2019

  • 形态变化：一次现实检验

    研究分析了词形变化在子词 NLP 中的高性能和高可变性的原因，提出了更好反映实际使用情况的数据采样和评估策略，探讨了当前变形系统的泛化能力。

    May, 2023

  • 形态学屈折的最小监督

    该研究使用少量标记的数据引导标注词形变化，利用不同类型的规律，通过类比词标记和距离对词配对，证明了手工标记许多示例可能是不必要的。

    Apr, 2021

  • 无监督形态学范式补全

    本文提出了无监督词形范式补全的任务，并介绍了一个通过编辑树检索、范式规模探测和屈折生成等步骤生成词态的系统，该系统在 14 个语言上得到了很好的性能。

    May, 2020

  • 不要忘记长尾词！双语词库归纳中形态学归纳的全面分析

    本研究探讨双语词典学习是否有能力学习罕见的语法变形，并证明通过在训练时添加简单的形态学约束可以提高双语词典学习的性能。

    Sep, 2019

  • CoNLL-SIGMORPHON 2017 共享任务：52 种语言的通用形态还原

    该研究以 CoNLL-SIGMORPHON 2017 共享任务为基础，使用监督型形态生成技术在 52 种语言上进行训练和测试，结果表明神经序列到序列模型能够在小训练数据集上取得高性能，但由于不同偏置和数据增强策略导致预测的屈折形式集合不一，因此仍需要进一步的改进措施。

    Jun, 2017

  • 低资源形态变化的极限探究

    提出一种针对低资源语言的自动词形变化生成方案，在神经网络方法、注意力机制、跨语言转移学习等方面做了改进并实现了 15% 的性能提升。发现了语言类别相似和通用表示是跨语言转移学习成功的关键因素。

    Aug, 2019

  • 探索语言揭示词形概括

    跨语言计算建模的形态变化研究通常采用与语言无关的数据分割算法。本文采用特定语言的探测器来测试形态变化的一些普遍规律。通过在英语、西班牙语和斯瓦希里语这三种形态学上有明显区别的语言上测试这些探测器，我们发现了三种主要的形态变化系统在屈折类和特征集上都采用了不同的普遍规律策略，无论是在拼写还是在音标输入上。

    Oct, 2023