ACLJun, 2023

丰富 NArabizi 树库：多方面支持资源匮乏的语言的方法

PDF
TL;DR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。
发现论文，激发创造
  • TArC: 突尼斯阿拉伯语语料库的首个完整版本发布

    本研究在于使用阿拉伯语拉丁写法（Arabizi）对突尼斯阿拉伯语进行编码，在此基础上创建了一个包含语料库和 NLP 工具的资源，用于提供各级语言信息的词语分类、音译、标记、词形归总等，并讨论了使用计算和语言方法进行研究路径和实验的策略等问题，最终提供了可能广泛用于计算和语言研究的资源。

    Jul, 2022

  • 针对阿拉伯语的多样性进行负责任的自然语言注释

    本文提出在构建 NLP 模型时，需要关注文化和（社会）语言细微差别，特别是在数据集注释和文化语言方面的经验应该被纳入该过程中。提供了一个适用于多方言语言的负责数据集创建的示例。

    Mar, 2022

  • 利用变压器模型和语言学知识预训练技术提升阿拉伯语自然语言推断能力

    本文主要研究阿拉伯语文本数据的分类，特别关注自然语言推理和矛盾检测。通过创建专用数据集并利用语言学上知识进行预训练，发现了具有竞争力的阿拉伯语特定模型（AraBERT），并成功应用于大规模任务评估及多任务预训练的首个阿拉伯语背景应用。

    Jul, 2023

  • 基于 Transformer 的 ANER：阿拉伯语和阿拉伯文转写命名实体识别

    自然语言处理中的命名实体识别（NER）是一项主要任务之一，本文介绍了一个基于 BERT 模型的用于阿拉伯语和 Arabizi 语言的网页命名实体识别器。该模型可以识别 50 个不同的实体类别，并在多个数据集上取得了高准确率，系统部署在用户友好的网页界面上供用户使用，并具备了使用 CAMeL Tools 模型的能力。

    Aug, 2023

  • TUNIZI: 一个突尼斯阿拉伯语情感分析数据集

    本研究介绍了 TUNIZI，一种情感分析突尼斯语阿拉伯字母表数据集，旨在开发和提高分析研究，通过社交媒体收集并由突尼斯本土讲话者手动标注准备。

    Apr, 2020

  • SentiALG：阿尔及利亚情感分析自动语料标注

    本文提出了一种自动构建阿尔及利亚方言情感语料库的新方法，该语料库基于自动构建的阿尔及利亚情感词典，涉及使用阿拉伯文和阿拉伯字母拼音写成的社交媒体数据，并且取得了较好的实验结果。

    Aug, 2018

  • Masader: 面向阿拉伯文本和语音数据资源的元数据采集

    该论文描述了最近几年自然语言处理管道的进展，重点介绍了由 200 个数据集构成的阿拉伯语 NLP 数据集最大的公共目录 Masader，以及为其他语言开发的元数据注释策略。

    Oct, 2021

  • AraBERT：基于 Transformer 的阿拉伯语语言理解模型

    使用语言特定的 BERT 模型预训练，构建了 AraBERT 模型，以在阿拉伯语 NLP 任务方面实现最先进的表现。

    Feb, 2020

  • MasakhaNER 2.0：面向非洲的命名实体识别迁移学习

    本文研究非洲语言在自然语言处理上的挑战，针对命名实体识别任务，创造了包含 20 种非洲语言的最大人工标注数据集，研究了现有跨语言传递方法的表现，并发现选择最佳传递语言相较使用英语，可以提高零 - shot F1 分数 14 点。

    Oct, 2022

  • 低资源语言的跨语言形态标注

    提出了一种适用于低资源语言的模型来训练形态标记器，该模型使用 Wesabie 模型进行打标， 通过在语料库中引入 POS 词性标注的元信息，将标记信息从富资源语言映射到贫资源语言，实现了跨语言知识的迁移，可以提高句法分析的效果。

    Jun, 2016