corpus | BriefGPT - AI 论文速递

关键词corpus

搜索结果 - 183

利用最优传输的互动主题模型
EdTM is a label name supervised topic modeling approach that incorporates analysts' understanding of the corpus using LM
PDF6 days ago
声音未听到：为约鲁巴地区方言提供的自然语言处理资源和模型
用高质量的平行文本和语音语料库 (YORÙLECT) 跨三个领域和四个地区的尼日利亚约鲁巴语方言开展研究实验，结果表明，标准尼日利亚约鲁巴语和其他方言在机器翻译、自动语音识别和语音到文本翻译等任务中存在明显的差异，在方言自适应微调的情况下，
PDF7 days ago
尼日利亚皮金语的隐性篇章关系分类
本文通过比较将尼日利亚皮金语（Nigerian Pidgin）数据翻译成英语并使用资源丰富的 Implicit Discourse Relation Classification（IDRC）工具和后向投影标签，以及创建一个皮金语的合成语料库
PDF8 days ago
COLINGSciDMT: 用于科学引文检测的大规模语料库
SciDMT 是目前最大的科学实体提及检测语料库，它包含 48,000 篇科学文章、180 万个弱标注的提及标注以及 100 篇手动注释用于评估的科学文章。通过与 SciBERT 和 GPT-3.5 等先进深度学习架构的实验，我们演示了该语
PDF14 days ago
VAIYAKARANA：孟加拉语自动语法纠正的基准
为缺乏巨大的语料库提供了一个实用的方法来生成孟加拉语的语法错误句子，该方法分类了孟加拉语中的不同错误类型，并从正确的句子中系统地生成错误的句子，该方法提供了一个包含 92,830 个语法错误句子和 18,426 个正确句子的数据集，该数据集
PDF14 days ago
MM内在确定主题数量的方法：是否可能？
通过对几个公开可用的语料库上应用多种主题模型的各种方法的性能进行调查，揭示了内部方法并不可靠和准确，主题的数量是方法和模型相关的，而不是语料库的绝对属性。我们得出结论，应该开发其他解决这个问题的方法，并提出一些进一步研究的有希望的方向。
PDF20 days ago
LibriTTS-P：一种用于文本转语音和风格字幕的具有说话风格和发音者身份提示的语料库
我们介绍了 LibriTTS-P，这是一个基于 LibriTTS-R 的新语料库，包括对说话风格的话语级描述（即提示语）和对说话人特征的说话人级提示。我们采用混合方法构建提示注释：（1）手动注释捕捉到的说话人特征的人类感知，和（2）关于说话
PDF22 days ago
使用集成数据清理方法开发高效语料库
本研究旨在利用集成技术清洗医学数据集并开发语料库，数据清洗方法表明集成技术相对于单一过程具有最高准确率（94%），包括向量化、探索性数据分析和输入向量化数据。该研究的第二个目标是从数据集中提取答案，这对机器学习、数据清洗和医疗领域具有重要意
PDFa month ago
ViWikiFC: 基于越南维基百科的文本知识事实核查源
通过构建 ViWikiFC，我们首次为越南维基百科建立了一个手动注释的开放领域语料库，其中收录了超过 20K 个索证句，经由从维基百科文章提取的证据句生成。我们分析了我们的语料库的各个语言方面，包括新的依赖率、新的 n-gram 率和新的词
PDF2 months ago
中文细粒度 LLM：预训练中心化大型语言模型
通过引入 CT-LLM，这项研究介绍了一个 2B 规模的大型语言模型（LLM），以优先考虑中文语言的发展。这项研究挑战了在英文语料库上培训 LLMs 并将其适应其他语言的常规模式，为 LLM 培训方法学的拓宽开创了新的可能性。
PDF3 months ago
ACL一个用于分析论证结构和质量相互作用的学生作文语料库
为了计算化支持论证写作，需要挖掘论证结构和品质评分之间的相互作用，然而，目前尚未发布包含地面实论文品质标注的论证挖掘语料库。通过提供一份德语语料库，其中包括两个年龄组的学生写的 1,320 篇论文，并手动注释了论证结构和品质，填补了这一研究
PDF3 months ago
COLING斯拉夫语跨语言命名实体语料库
该研究论文介绍了一个手动注释的语料库，包含六种斯拉夫语言的命名实体。该研究使用基于 Transformer 的神经网络架构和预训练的多语言模型进行命名实体识别和分类，以及命名实体的词形还原和链接。
PDF3 months ago
COLING学术复杂性转化为公众叙述：面向科学新闻报道生成的数据集
科学新闻报道的自动生成提高了学术洞察的可访问性，本文通过对一组学术出版物与相应科学新闻报道的平行集合进行广泛分析，突出了两者在易读性和简洁性上的差异，并使用先进的文本生成模型对数据集进行了基准测试，为进一步探索科学新闻报道的自动生成奠定了基
PDF3 months ago
綺柏：一個針對中醫藥的大型語言模型
本研究旨在为大型模型赋予中医理论特色的专业知识，以构建和组织一个中医领域的专业语料库，并成功基于 LLaMA 开发出首个经历从预训练到监督微调完整训练流程的中医领域大型模型 Qibo。此外，我们还开发了用于评估中医领域大型模型性能的专用工具
PDF3 months ago
COLING事实陈述可以具有欺骗性吗？以信念为基础的欺骗的 DeFaBel 语料库
在研究中，我们通过创造 DeFaBel 语料库来探讨欺骗与真实性以及个人信念之间的关系，该语料库是首个公开可用于研究德语欺骗的资源，其中包含 1031 个文本，其中 643 个是欺骗性的，388 个是非欺骗性的。
PDF4 months ago
大规模监测 AI 修改内容：基于 ChatGPT 对人工智能会议同行评审的影响案例研究
我们提出了一种方法，用于估计大语言模型（LLM）在大型语料库中可能被大量修改或生成的文本比例。通过利用专家编写和 AI 生成的参考文本，我们的最大似然模型能够准确而高效地检查语料库级别上真实世界中 LLM 的使用。我们将这种方法应用于 Ch
PDF4 months ago
ACLViLexNorm：越南社交媒体文本的词汇规范化语料库
首次引入越南词汇规范化任务的越南词汇规范化 (ViLexNorm) 语料库包括超过 10,000 对句子，经过人工注释，来自越南最流行社交媒体平台的公开评论，并验证了其在 NLP 任务中的积极影响。
PDF5 months ago
ACL使用神经编辑距离模型将正字文言文词汇配对为标准等价词
我们提供了一个新颖的语料库，其中包含 19 世纪美国文学作品中的正字异构词，并且用其对应的‘标准’词对进行了注释。我们训练了一组神经编辑距离模型来将这些变体与它们的标准形式进行配对，并将这些模型的性能与训练于 L2 英语学习者拼写错误文本的
PDF5 months ago
BANSpEmo：孟加拉语情感语音识别数据集
在音频和语音分析领域，从声音信号中识别情绪是关键的。我们介绍了 BanSpEmo，这是一个仅包含音频录音的情感语音语料库，专门用于孟加拉语。该语料库包含 792 个音频录音，持续时间超过 1 小时 23 分钟。22 名本地说话者参与了两组代
PDF6 months ago
SpokesBiz -- 开放的波兰会话语料库
SpokesBiz 是一个包含 650 小时录音的免费波兰会话语料库，经过规范的转录和手动注释，可用于语言学研究、评估和改进自动语音识别系统。
PDF6 months ago