L3Cube-MahaNLP: 马拉地语自然语言处理数据集、模型和库
该研究介绍了 L3Cube-MahaCorpus,这是一个从不同互联网来源抓取的马拉提语单语数据集,它包含 24.8M 句子和 289M 个记号。该研究基于这个数据集训练了多个模型,如 MahaBERT、MahaAlBERT、MahaRoBerta 和 MahaFT 等,并且展示了它们在下游任务中的有效性。这项工作是为了为马拉提语的开放资源建立一步。
Feb, 2022
mahaNLP 是一个针对马拉地语开发的开源自然语言处理(NLP)库,旨在增强 NLP 领域中对资源匮乏的印度语言马拉地的支持,它是一个易于使用、可扩展和模块化的工具包,基于最先进的 MahaBERT-based transformer 模型进行马拉地文本分析。
Nov, 2023
我们介绍了 L3Cube-MahaNews,这是一个关注新闻标题和文章的最大的监督式马拉地语文本分类语料库,包含超过 1.05L 条记录,分为 12 个不同类别的多样性范围。我们提供了使用最先进的预训练 BERT 模型在这些数据集上的详细统计数据和基线结果。在各个数据集上,单一语言的 MahaBERT 模型的性能都优于其他模型。这些资源也可用作马拉地语主题分类数据集或模型,并可在此 https URL 中公开获取。
Apr, 2024
本文首次提出 L3Cube-MahaNER,这是一份 Marathi 语言的命名实体识别的黄金标准数据集,使用了不同基于 CNN、LSTM、变压器的模型进行了基准测试,发现 MahaBERT 表现最佳。
Apr, 2022
该研究论文介绍了 L3Cube-MahaSocialNER 数据集,这是第一个也是最大的社交媒体数据集,专门用于马拉地语命名实体识别 (NER)。该数据集包含 18,000 个经过手工标记的句子,涵盖了八个实体类别,解决了社交媒体数据的挑战,包括非标准语言和非正式成语。研究评估了深度学习模型,包括 CNN、LSTM、BiLSTM 和 Transformer 模型,使用 IOB 和非 IOB 标记在单个数据集上取得了效果。结果表明,这些模型能够准确识别马拉地语非正式文本中的命名实体。L3Cube-MahaSocialNER 数据集提供以用户为中心的信息提取,并支持实时应用,为社交媒体平台上的舆情分析、新闻和营销提供了宝贵的资源。我们还展示了常规 NER 模型在社交 NER 测试集上的零样本结果较差,强调了需要更多的社交 NER 数据集。该数据集和模型已公开提供,网址为 https URL。
Dec, 2023
该研究介绍了 L3Cube-MahaHate,这是首个主要的马拉地语恶意言论数据集,收集自 Twitter 上的超过 25000 条不同推文,并基于卷积神经网络、LSTM 和 Transformers 构建基线分类模型,结果表明单语言模型胜于多语言模型,其中 MahaBERT 模型在 L3Cube-MahaHate 语料库上表现最佳。
Mar, 2022
本文介绍了用于 Marathi 语言情感分析的第一个主要公开数据集 L3CubeMahaSent,该数据集包括大约 16,000 条来自名人推特账户的推文,使用 CNN、LSTM、ULMFiT 和 BERT 等深度学习模型对其进行了基础分类结果的统计。
Mar, 2021
介绍了 L3Cube-MahaSent-MD 数据集,它是第一个综合的多域情感分析数据集,可用于印度情感领域,包括 4 种不同来源的标注语料(60,000 个样本),涵盖了 3 种不同情感(积极、消极和中性),使用 MahaBERT 模型获得最佳准确性表现。
Jun, 2023
本文介绍了一个新的程序混合(Code-mixed)语料库及预训练模型,为印度语言 Marathi 的程序混合研究奠定了基础,并提供了三个数据集用于下游任务。
Jun, 2023
本文介绍了使用合成的 NLI 和 STS 数据集,针对印地语和马拉地语这两种低资源语言,使用 NLI 预训练和 STSb 微调策略训练生成的高性能 Sentence-BERT 模型,并在下游文本分类和相似性任务中进行了评估。同时,提出了基于不同模型的句子嵌入的比较分析,并释放了 L3Cube-MahaSBERT 和 HindSBERT。
Nov, 2022