利用可用的对齐技术，本研究试图对齐僧伽罗语和英语单词嵌入空间，并引入了僧伽罗语嵌入对齐的基准。此外，为了促进有监督的对齐，我们还引入了僧伽罗语 - 英语对齐数据集，作为我们针对词嵌入对齐的锚数据集。尽管与法语、德语或中文等高资源语言相比，我们的结果并不可比，但我们相信我们的工作为英语和僧伽罗语嵌入之间的更专门的对齐奠定了基础。

Nov, 2023

本研究对十年来的辛哈拉语帖子进行了测试，发现采用三层双向 LSTM 模型的 F1 分数为 84.58％，优于当前最先进的模型 Capsule B，而其他深度学习模型都显示出高于 75％的 F1 分数，因此可以安全地断言 Facebook 反应适合预测文本的情感方向。

Jan, 2022

利用词性标注和位置编码来提高基础的英语到僧伽罗语神经机器翻译模型的翻译能力。

Feb, 2022

通过 AdaCos 损失函数对上层句子空间进行训练，并使用基于余弦相似度的新型损失函数进行微调，我们成功地将文本表示为多维空间中的向量，实现了在拥有复杂多级结构的数据集中进行文本分类的目标。

May, 2023

本研究系统地比较了使用 LASER、LaBSE 和 Sentence BERT 预训练的多语言模型从句子中生成文档级表示的方法，证明了对于多语言任务来说，通常使用句子嵌入的巧妙组合要优于将整个文档编码为单个单元，并且说明了虽然简单的句子平均值对于分类任务来说已经有一定的效果，但对于语义任务来说需要更复杂的组合。

Apr, 2023

本文介绍了一种采用亚词级别表示 (Subword-LSTM) 架构进行 Hindi-English 混合代码情感分析的方法，该方法能更好地学习重要的语素的情感信息，同时在包含拼写错误的高噪声文本中表现良好，比传统的方法在数据集上的准确率提高了 4-5％，并且比可用的系统在 Hi-En 混合文本的情绪分析方面性能提高了 18％。

Nov, 2016

使用双向 LSTM 网络与相似度度量的对比损失函数，通过在共同空间中学习资源贫乏和资源丰富句子的表示方法，实现了情感分析和表情符预测等文本分类任务中对资源贫乏语言（如印地语和泰卢固语）和资源丰富语言（如英语和西班牙语）进行有效分类的目标。

Jun, 2018

本研究提出了使用句子级别注释训练的简单模型，同时采用正则化方法，以模拟情感词汇、否定词和强度词汇的语言学角色，从而生成语言学相关的表示形式，并且能够捕捉情感、否定和强度词汇的情感转移效应，同时在不损失模型简洁性的前提下获得竞争性的结果。

Nov, 2016

该研究是第一篇全面分析面向 Sinhala 文本分类的预训练语言模型性能的文章。我们在一组不同的 Sinhala 文本分类任务上进行测试，发现包含 Sinhala 的预训练多语言模型（XLM-R，LaBSE 和 LASER）中，XLM-R 是迄今为止最好的模型。我们还预训了两种基于 RoBERTa 的单语 Sinhala 模型，这些模型比现有的预训练语言模型在 Sinhala 方面更为优越。我们表明，当对这些预训练语言模型进行微调时，它们为 Sinhala 文本分类设定了非常强大的基线，并且在标记数据不足以进行微调的情况下具有鲁棒性。我们进一步提供了一组关于使用 Sinhala 文本分类的预训练模型的建议。我们还推出了未来 Sinhala 文本分类研究中有用的新的注释数据集，并公开了我们的预训练模型。

Aug, 2022

通过建模评论中的句子之间的相互依赖关系，我们提出了一种基于分层双向 LSTM 的情感分析方法，在五个多语种、多领域的数据集上取得了竞争状态下最先进结果，并优于其它两种基线模型，而且不需要使用手工特征或外部资源。

Sep, 2016