corpora | BriefGPT - AI 论文速递

关键词corpora

搜索结果 - 85

Sāmayik：英梵翻译基准和数据集
我们发布了一个数据集，包含超过 42,000 个英汉平行句子，旨在填补现有涵盖当代修辞体的数字梵语语料库的空白。此外，我们还发布了来自现代语料库和包含梵语的以前发布的古典时代机器翻译数据集的训练样本，以适应现有的多语言预训练模型。
PDFa year ago
基于上下文词向量的方法发现语义差异，无需训练或单词对齐
本文提出基于语境化词向量范数的语义差异发现方法，他们不需要先前方法中对单词和语料库进行比较的假设，对于语料库大小的偏斜鲁棒，能够检测不频繁出现的单词的语义差异，有效地找出在两个语料库之一缺失含义的单词实例。
PDFa year ago
利用分类器筛选语料库：以在线清洁能源情感为例的案例研究
本文探讨了如何使用经过预训练和微调的 transformer-based 模型筛选社交媒体数据集中的相关文档，以达到高准确度的目的。该方法的低成本和高性能意味着它对于具有不确定语料库边界的社交媒体数据集可能具有广泛的好处。
PDFa year ago
中文开放指令通用程序员：初步发布
通过多种方法适应 4 个子任务的内在特征，我们提出了一个项目来创建中文指令数据集，收集了约 20 万个中文指令调整样本，并总结了现有的英文和中文指令语料库以及新构建的中文指令语料库的潜在应用。
PDFa year ago
生成语言模型在哪些语言中最为正式？分析各语言的正式度分布
通过分析两个流行的多语言生成语言模型（XGLM 和 BLOOM）在五种语言中的正式性分布，研究了提示正式性对预测结果的影响，发现这些模型的预测结果具有多样性并且存在文化偏见。
PDFa year ago
多源学习用于数据生成文本和文本生成数据
本研究论文介绍了一种利用多个非同源语料库进行数据到文本和文本到数据转换的方法，通过引入具有分离风格和内容变量的 VAE 模型来解决单一来源语料库限制的问题，实现了相同甚至更好性能的数据转换。
PDFa year ago
英语 UD 的报告卡：UD Treebank 是否更加一致？
探讨在 UD 英语树库的数据整合方面的进展和重要性，发现虽然数据整合取得了一定的进展，但联合训练仍可能受到不一致性的影响，从而影响了其利用更大的训练数据池的能力。
PDFa year ago
ACL比较内在性别偏见评估方法，无需使用人工标注示例
本文提出了一种对先前提出的内在性别偏见评估方法进行比较的方法，该方法不需要使用人工注释样例，而是通过使用自动挖掘的语料库中的男女性句子来创建多个偏置控制的 PLMs，并使用每个 PLM 评估内在性别偏见评估措施。实验表明，所提出的方法计算的
PDFa year ago
tieval: 一个用于时间信息抽取系统评估的框架
本文提出一个名为 tieval 的 Python 库，用于导入不同的文体并评估时间信息提取系统，以解决有大量语料库但评估系统进度缓慢、难以比较和存在评估方法不全的问题。
PDFa year ago
EMNLP基于词嵌入的性别偏见度量的不良频率依赖性
本文研究了使用基于词嵌入的偏差度量方法在衡量女性和男性性别偏差时词频对结果的影响，并发现 Skip-gram with negative sampling 和 GloVe 往往会在高频词中检测到男性偏见，而 GloVe 往往会在低频词中检测
PDF2 years ago
IMaSC -- ICFOSS 马拉雅拉姆语音语料库
本论文介绍了 IMaSC，一个包含约 50 个小时录音的马拉雅拉姆文本和语音语料库，演示使用该数据集对每位演讲者训练的 TTS 模型较以前的研究和公开可用模型表现更好，平均意见分数为 4.50。
PDF2 years ago
安卓能否笑对电子羊？ - 源自《纽约客》漫画比赛的幽默「理解」基准
本文试图让 AI 模型 “展现出理解” 的《纽约客字幕比赛》中的多模态幽默，同时研究采用视觉与语言、或只采用语言作为输入的模型，并公开了包括图片的注释、实体、场景特殊之处和笑话解释的数据集和语料库。
PDF2 years ago
SIGIRQuote Erat Demonstrandum: 一个用于浏览 Quotebank 语料库的 Web 界面
该论文介绍了一个自适应的 Web 界面，用于搜索新闻中的名言佳句，它们提供了一种最直接，最不被过滤的信息传播路径，是记者和研究人员的宝贵资源。
PDF2 years ago
针对仇恨的多元化占据：一个基于特征的网络仇恨语料库
本研究介绍了 M-Phasis 语料库，该语料库包含了德语和法语移民相关新闻文章中近九千个用户评论，注释了 23 个特征以描述不同类型的言语（从批评性评论到隐晦和明确的仇恨表达），并训练了几个基准分类器以探索其数据特征。
PDF2 years ago
IndicXNLI: 评估印度语言的多语言推理
本文介绍了 IndicXNLI，一个 NLI 数据集，用于 11 种印度语言的跨语言转移技术的分析，研究了不同的预训练模型、语言、多语言和混合语言输入等因素对预训练模型的行为的影响。
PDF2 years ago
语言模型作为知识库的综述
本文回顾了最近关于使用预先训练的自然语言处理语言模型作为知识库的文献，提出了应该具备的一些方面，探讨了这种方法相较于传统知识库的优势在于无需人工监督进行的无监督学习。
PDF2 years ago
基于方面的情感分析数据集综述
该研究提供了一个数据库的语料库被用于训练和评估自主 ABSA 系统，对于研究人员选择语料库时应考虑的一些特点进行了概述，分析了目前的收集方法的利弊，并建议未来 ABSA 数据集收集，在 65 个公开可用的 ABSA 数据集上进行了调查。
PDF2 years ago
土耳其自然语言处理资源：关键调查
本文综述了土耳其语的语料库和词汇资源，并特别关注公开可用的资源。除了提供可用语言资源的信息，我们还提出了一系列建议，并发现了土耳其语言学和自然语言处理研究和应用构建所需的数据差距。
PDF2 years ago
LDKP: 从长篇科技文档中鉴别关键词短语的数据集
该研究发布了两份研究文献语料库，包括约 130 万篇和 10 万篇科学论文的完整抽取文本和附加元数据，有助于实现从科学文章中提取关键短语的任务。
PDF2 years ago
ACL自然语言理解语料库中否定语分析
本文研究分析了 6 个自然语言理解的任务中，八个流行的语料库中的否定词的使用情况，指出这些语料库中的否定词较少且不重要，而最新的 transformers 在处理含有重要的否定词的实例时表现不佳，因此需要新的包含否定词的语料库来解决自然语言
PDF2 years ago