Jun, 2022

在课堂中建立濒危语言资源：Kakataibo 的通用依赖

PDF
TL;DR本文介绍了一种用于已濒危语言 ——Kakataibo 建立 Universal Dependencies treebank 的方法。作者采用合作式的方法，先讨论了此举的可行性，然后介绍了 treebank 的说明和特征，并对语料库进行了研究和实验，实现了词性标记和句法依存分析等功能。作者还探讨了 Shipibo-Konibo 语言表征对该树库的影响。
universal dependencieskakataibotreebankpart-of-speech taggingsyntactic dependency parsing
发现论文，激发创造
  • 为 Magahi 和 Braj 开发通用依存树库

    本文介绍了基于通用依存关系框架为 Magahi 和 Braj 两种低资源印度语言开发的 treebanks，包含 945 个 Magahi 句子和约 500 个 Braj 句子，标注他们的词形、词性、形态学特征和通用依存关系，描述了这两种语言中不同的依存关系，并提供了两个 treebanks 的统计数据。数据集将在下一个 (v2.10) 版本的通用依存库中公开。

    Apr, 2022

  • 银河依赖树库：通过合成新语言获得更多数据

    我们发布了 Galactic Dependencies 1.0，这是一个大型的合成语言集，旨在为旨在适应不熟悉的语言的 NLP 方法提供训练和开发数据。这些合成树库是通过随机排列名词和 / 或动词的从属语以匹配其他真实语言的词序从真实树库产生的。我们在论文中讨论了合成语言的有用性，逼真度，可解析性，困惑度和多样性，并进行了使用 Galactic Dependencies 的简单演示。我们发现，包括合成源语言会在一定程度上增加源池的多样性，这显著提高了大多数目标语言的结果。

    Oct, 2017

  • 奥里亚语通用依存树库

    本文提供第一个公开的 Odia 语言树库，并使用机器学习技术对其进行了形态分析。该树库将丰富 Odia 语言资源，有助于建立跨语言学习和分类研究的语言技术工具。本文还构建了一个初步的 Odia 语言分析器，并对 Odia 的 UD 树库进行了简要的语言分析。

    May, 2022

  • 建立巴西土著语言学习游戏：一个案例研究

    该研究论文讨论了为巴西土著语言构建语言学习游戏的首次尝试及其面临的挑战。我们提出了一个带有游戏化特点的工具设计，并描述了从依赖树库和词汇数据库中自动生成语言练习和问题的过程。我们讨论了我们原型的局限性，强调了伦理和实际实施方面的考虑。最后，我们得出结论，新的数据收集过程应与土著社区建立合作，并面向教育目的。

    Mar, 2024

  • 为濒危语言创建词汇资源

    本文旨在探讨为濒危语言生成词汇资源的方法，通过使用公共词网和机器翻译器构建双语词典和多语言词库，奠定了一个基础，尤其适用于缺乏资源的语言。

    Aug, 2022

  • 通用依存关系 v2：一个不断增长的多语言树库集合

    该研究介绍了 Universal Dependencies 的第二个版本，其中包括词汇分析、词形还原、标准化标记和句法关系，适用于 90 种语言，以及主要变化（UD v1 到 UD v2）的讨论。

    Apr, 2020

  • 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

  • 构建和扩展印尼本地语言的低资源和代表性平行数据集

    介绍了 Bhinneka Korpus 这一多语种并行语料库，以增强印度尼西亚当地语言资源的获取和利用，并通过 IBM 模型 1 实验表明该语料库在进一步发展低资源语言的高级 NLP 技术和多语种翻译模型方面显示出良好的性能。

    Apr, 2024

  • Killkan: 具有形态句法信息的基准 Kichwa 自动语音识别数据集

    Killkan 是第一个专注于 Kichwa 语（厄瓜多尔的一种土著语言）的自动语音识别（ASR）数据集，包含约 4 小时的音频及转录、西班牙语翻译和形态句法注释等信息，旨在为这种极度资源匮乏和濒危的语言提供自然语言处理应用的资源建设。本研究还通过基于语料库的分析，特别关注 Kichwa 语的合成构词和与西班牙语的频繁语码混用，实验证明即使数据集规模较小，也能实现可靠质量的 Kichwa 语 ASR 系统的开发。该数据集、ASR 模型和开发所使用的代码将公开提供，积极展示了对资源建设及其在资源匮乏语言及其社区中的应用。

    Apr, 2024

  • 丰富 NArabizi 树库：多方面支持资源匮乏的语言的方法

    本研究针对 NArabizi 语言数据的人工标注数据不足的问题，通过引入两个新的注释层和再次标注的方式，增强了 NArabizi Treebank，从而为该语言的高级语言模型和自然语言处理工具的开发提供了基础。

    Jun, 2023