morphologically-rich languages | BriefGPT

关键词morphologically-rich languages

搜索结果 - 7

控制关于对话参与者的额外文本属性 —— 一项英语到波兰语神经机器翻译的案例研究
研究了机器翻译英语到波兰语的挑战，通过对多特征控制的翻译应用广泛的方法案例来解决这个问题。最佳模型表现出 5.81 chrF++ / 6.03 BLEU 的改进，并提出了波兰电视对话的属性标注数据集和用于评估模型属性控制的形态分析脚本。
PDF2 years ago
Breaking Character: MRLs 是否真的只需要使用子词？
对于语言中包含丰富词形的复杂语言，使用预训练字符序列的 BERT-style 掩码语言模型进行训练和推理而不是基于子单元的方式可能会得到更好的表现。但是，对于语义任务，基于子单元的 PLM 表现更好，这证实了基于子单元的分词作为许多语言的合
PDF2 years ago
ACL命名实体和形态学的神经建模 (NEMO^2)
通过调查一个新的 NER 基准，我们研究了现代希伯来语中的 NER。结果表明，显式建模形态的边界可以提高 NER 性能，而一个新的混合体系结构极大地超越了标准流水线，在这个流水线中形态分解严格先于 NER，为希伯来语 NER 和希伯来语形
PDF4 years ago
从 SPMRL 到 NMRL：在十年解析形态丰富的语言（MRLs）中我们学到了什么（又忘记了什么）？
该研究回顾了过去十年在 SPMRL 框架下解析富形态语言的建模、词汇和架构方面所遇到的挑战，并提出将 SPMRL 的符号思想引入现代神经结构设计的思路，从而推动 NMRL（神经模型富形态语言）研究进入新的领域，同时展示了在希伯来语的多标记任
PDF4 years ago
ICLR面向开放词汇神经机器翻译的隐变形模型
本文提出了一种通过分层潜在变量模拟词态变化过程的方法，通过组合两个潜在表示（一个连续的表示和一组（近似）离散特征），逐个字符生成单词，从而使神经机器翻译在三种形态丰富的语言中的精度和资源利用率得到了提高。
PDF5 years ago
EMNLP字符级别模型对形态学的学习如何？以依存解析为例
对于具备丰富形态的语言，采用神经模型进行解析时，在字符级别建模具有优势，因为字符级别模型可以学习到形态学特征。通过在 12 种形态学类型不同的语言上进行实验，我们发现字符级别模型在某些情况下无法准确区分单词，特别是在面对形态学变体方面。然后
PDF6 years ago
神经机器翻译中目标侧词形变化建模
本文提出了一个简单的方法来解决 NMT 系统处理大词汇量时的问题，该方法是训练系统生成单词的词元和丰富的词性标记，然后进行确定性生成步骤，应用于英语 - 捷克语和英语 - 德语翻译方案中，获得了改进。
PDF7 years ago