Jan, 2022

使用另一种语言进行低资源语言的词性标记（使用标记的波斯语 (Farsi) 语料库为库尔德语 (Sorani) 开发了一个 POS 标记化词典）

PDF
TL;DR本论文提出了将已有的波斯语语料库转用于库尔德语的词性标注。可用于库尔德语的标注语料库现阶段非常缺乏，本方法可以利用相关资源可以帮助开发自动库尔德语标注以及 Kurdish dialect 的词性标注词典。
tagged corporapart of speech taggingkurdish languagelexiconautomated tagging
发现论文，激发创造
  • Colloquial Persian POS (CPPOS) Corpus：一份用于口语波斯语词性标注的新颖语料库

    这篇论文介绍了一个面向口语波斯文的新语料库 CPPOS，通过使用该语料库进行训练，利用深度学习模型在波斯文的 POS 标注任务中取得比现有数据集和工具更好的性能，相较之前的数据集的改进达到了 14%。

    Oct, 2023

  • 为乌兹别克语创建形态和句法标记语料库

    本研究填补了低资源乌兹别克语领域机器学习模型样本不足的问题，开发了新的词性标注和句法标注标准，并提出了一个基于网络的工具来帮助标注。同时，我们共享了创建乌兹别克语语料库的第一阶段的经验结果。

    Oct, 2022

  • UzbekTagger: 一种基于规则的乌兹别克语词性标记器

    本研究提出了一个低资源语言乌兹别克语的词性标注数据集和标注工具，使用一种基于规则的标注器，该标注器使用 12 种标签来标注单词的词性，通过使用前缀 / 后缀剥离方法对单词进行词干处理，该工具在乌兹别克文本中标注和识别单词的词性，并且是第一次公开提供乌兹别克语数据集和标注工具，也可以作为其他紧密相关土耳其语言的基础。

    Jan, 2023

  • 开发少资源语言的细粒度语料库：以库尔德语为例

    本文介绍了 Kurdisk Textbooks Corpus (KTC)，这是一个包括 31 个 Sorani 方言 K-12 教科书的文本资料库，它经过规范化并按照 12 个教育科目进行分类，包含了 693,800 个单词（110,297 个类型）。我们的资源可在 CC BY-NC-SA 4.0 许可下免费使用。

    Sep, 2019

  • 一个濒危语言的词性标注：Griko-Italian 平行语料资源

    本文研究了 POS 标注在濒危语言 Griko 上的应用，发现半监督方法和跨语言迁移方法的结合适用于这种极具挑战性的情境，并应用主动学习技术在测试集上取得了超过 21 个百分点的提升。

    Jun, 2018

  • 使用统计方法开发马拉地语词性标注器

    本文介绍了一种基于统计模型的马拉地语词性标注器的开发方法，使用 Unigram、Bigram、Trigram 和 HMM 方法，以 77.38％、90.30％、91.46％和 93.82％的准确率作为评估指标，并提出了一个用于标记马拉地文本的标记集。

    Oct, 2013

  • 在非拉丁文本中使用 Punkt 进行句子分段：对库尔德语（索拉尼方言）文本的实验

    该研究旨在使用一种无监督机器学习方法（Punkt）对使用波斯 - 阿拉伯文本写的 Sorani 方言的库尔德语语料库进行分割。该实验取得了 91.10％的 F1 分数，但错误率达到了 16.32％，主要原因是在库尔德语中的缩写情况和序数数字。

    Apr, 2020

  • Amharic 词性标注的机器学习方法

    提高阿姆哈拉语的词性标注性能，本文介绍了使用形态学知识、扩展已有标注数据、特征提取、参数调整和标注算法等方法，对比以往工作，明显的提高了词性标注性能。

    Jan, 2020

  • 一个基于语境的无监督通用低资源语言词性标注器

    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

  • 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