ACLAug, 2019

双语词典感应中的半监督非等距嵌入空间

PDF
TL;DR该论文提出了一种半监督的双语词汇识别方法（BLISS），该方法使用了一个新的中枢过滤技术，可以放松两个嵌入空间同构假设，利用有限的对齐双语词汇表和更大的未对齐词汇表，实现了令人瞩目的效果。
bilingual lexicon inductionembedding spacessemi-supervised approachhubness filtering techniquemuse dataset
发现论文，激发创造
  • LNMap: 基于潜空间非线性映射的双语词典感应中的同构假设偏移

    提出了一种新的半监督方法，通过两个独立训练的自编码器的潜在空间使用非线性映射，学习用于双语词汇识别的跨语言词嵌入表示，并在 15 种不同方向的语言对（包括资源丰富和低资源语言）的两个数据集上进行了广泛的实验，结果表明该方法优于现有模型。

    Apr, 2020

  • 双向交互的半监督双语词典归纳

    本文提出了一种新的半监督双语词表归纳框架，通过先验最优运输和双向词典更新等机制促进有标注和无标注数据之间的交互，在 MUSE 和 VecMap 数据集上表现出显著的提高，并通过消融研究证明了受监督信号和无监督对齐之间的双向交互对于整体性能的提高起到了作用。

    Oct, 2020

  • 半监督学习用于双语词典归纳

    无监督和半监督学习方法在词向量、双语词汇归纳以及排名问题方面取得了重要进展。

    Feb, 2024

  • 双语词典归纳的词汇性质如何？

    在现代机器学习中，双语词汇诱导（BLI）的方法中，模型学习了语言对的嵌入空间之间的映射。最近，BLI 的检索与排序方法在该任务上取得了最先进的结果。然而，在资源匮乏的环境下，该问题仍然具有挑战性，因为数据非常稀缺。跨语言的词汇变异等因素使得该任务变得复杂。我们认为将额外的词汇信息纳入最新的检索与排序方法应该能够改善词汇诱导。我们在 XLING 上展示了我们提出方法的功效，在所有语言对中，平均提升了 2% 以上的性能，超过了先前的最佳结果。

    Apr, 2024

  • 结合静态词向量和上下文表示的双语词汇表归纳

    本研究提出了一种将静态词向量和上下文表示相结合的机制来改进双语词典归纳（BLI）的表现，结果表明在监督及无监督的基准测试环境下，我们的机制均可提高 3.2 和 3.1 个百分点左右的性能表现。

    Jun, 2021

  • 无监督机器翻译实现双语词库归纳

    本文提出一种新的方法，使用无监督机器翻译的方法生成合成平行语料库，进而提取双语词汇表。该方法可与任何词向量和跨语言映射技术一起使用，并且除了用于训练词向量的单语语料库外，不需要任何其他资源。在评估方面，与最近邻和 CSLS 技术相比，该方法在标准 MUSE 数据集上提高了 6 个准确度点，确立了新的最先进技术。

    Jul, 2019

  • 一种简单的方法用于数据不平衡、紧密相关的语言对的无监督双语词典归纳

    介绍了一种适用于资源匮乏语言的无监督双语词汇表感知方法，该方法仅需要使用高资源语言单语 BERT 进行推理，并在印度次大陆的五种语言中首次发布自动生成的双语词汇表。

    May, 2023

  • 无监督 BLI 的松弛匹配程序

    本研究提出一种轻松的匹配程序以及双向对齐源和目标语言嵌入空间的方法，以提高无监督的双语词表感知任务的效果。在标准基准测试中，我们的方法明显优于以前的无监督方法。

    Oct, 2020

  • 关于使用大型语言模型进行双语词典归纳

    使用最新一代的大型语言模型，我们系统地研究了双语词典诱导（BLI）任务，包括无监督的零样本诱导、少样本上下文诱导和标准的 BLI 模型微调，并证明了与当前 BLI 方法相比，这种方法在许多语言对上取得了最新的 BLI 成绩。

    Oct, 2023

  • 词嵌入空间中欧式与基于图的双语词汇表归纳分析

    本文研究了欧几里得空间和加权图上节点的情况下双语词汇诱导问题，并展示了结合两种方法的优势。

    Sep, 2021