CEVO: Comprehensive EVent Ontology Enhancing Cognitive Annotation
University of Dayton(代顿大学);University of Leipzig(莱比锡大学);Kno.e.sis Center(Kno.e.sis中心)
虽然命名实体的一般分析已经在非结构化和结构化数据上得到了大量的研究关注,但是命名实体之间的关系的分析受到了有限的关注。事实上,对文献的回顾揭示了组织关系所需的抽象概念化研究的不足。我们相信,这样的抽象概念化可以使各种社区和应用程序受益,例如自然语言处理、信息抽取、机器学习和本体工程。在本文中,我们提出了综合事件本体论(CEVO),建立在莱文的概念层次的英语动词,动词与共享的意义,和句法行为进行分类。我们提出了这个本体的基本概念和要求。此外,我们提出了三个用例采用CEVO本体的注释任务:(i)注释关系在纯文本中,(ii)注释本体属性,(iii)链接文本关系的本体属性。这些用例展示了使用CEVO进行注释的好处:(i)从抽象概念化中注释英语动词,(ii)扮演上层本体的角色,用于组织本体属性,以及(iii)使用任何底层词汇促进文本关系的注释。此资源可在https://shekarpour.github.io/cevo.io/上使用https://w3id.org/cevo命名空间获得。
2018-10-03 cs.CL
Knowledge-driven Natural Language Understanding of English Text and its Applications
The University of Texas at Dallas(德克萨斯大学达拉斯分校);Universidad Rey Juan Carlos(胡安卡洛斯国王大学)
理解文本的意义是自然语言理解研究的一个基本挑战。一个理想的NLU系统应该以一种不专属于单个任务或数据集的方式来处理语言。考虑到这一点,我们介绍了一种新的知识驱动的语义表示方法的英语文本。通过利用VerbNet词典,我们能够将文本的语法树映射到使用基本知识原语表示的常识意义。从我们的方法表示的通用知识可以用来构建任何基于推理的NLU系统,也可以提供理由。我们应用这种方法来构建两个NLU应用程序,我们在这里介绍:SQuARE(基于语义的问答和推理引擎)和StaCACK(有状态会话代理使用常识知识)。这两个系统都通过“真正理解”它们处理的自然语言文本来工作,并且都为它们的响应提供自然语言解释,同时保持高准确性。
2021-01-27 cs.AI cs.CL cs.LO
A Survey of Plagiarism Detection Systems: Case of Use with English, French and Arabic Languages
Ecole nationale Supérieure d'Informatique, ESI(国立高等信息学院)
在学术界,剽窃当然不是一个新出现的问题,但随着互联网的普及和容易获得全球内容来源,它变得更加严重,使得人类的干预不足。尽管如此,剽窃远不是一个未解决的问题,因为计算机辅助剽窃检测目前是属于信息检索(IR)和自然语言处理(NLP)领域的一个活跃的研究领域。出现了许多软件解决方案,以帮助完成这一任务,本文提出了一个概述的剽窃检测系统在阿拉伯语,法语和英语的学术和教育环境中使用。八个系统之间进行了比较,并就其功能,可用性,技术方面,以及他们的性能检测三个层次的混淆从不同的来源:逐字,释义,跨语言剽窃。本研究还对剽窃的技术形式进行了深入研究。此外,还提供了不同作者提出的剽窃类型学和分类的调查。
2022-01-10 cs.CL
Design and Implementation of English To Yorùbá Verb Phrase Machine Translation System
Obafemi Awolowo University(奥巴费米·阿沃洛沃大学)
本文设计并实现了一个英语到约鲁巴语的动词短语机器翻译系统,结合词典匹配、上下文无关文法和有限状态自动机,在人工评估中超过70%的响应优于谷歌翻译。
2023-08-05 cs.CL
English verb regularization in books and tweets
The University of Vermont(佛蒙特大学);MassMutual Data Science(麻省互惠人寿数据科学部)
英语在其整个生命周期中发生了巨大的变化,以至于现代人如果不翻译古英语,就无法理解。这一过程的一个具体指标是动词的过去式从不规则形式到规则形式的变化。在这项研究中,我们使用两个截然不同的数据集来量化动词正则化的程度:(1)Google扫描的六年出版书籍(2003- 2008),以及(2)十年发布到Twitter的社交媒体消息(2008- 2017)。我们发现,动词规则化的程度是更大的Twitter上,作为一个整体,比英语小说书籍。与美国英语书籍相比,在美国有地理标记的推文的规则化程度也更高,但与英国英语书籍相比,在英国有地理标记的推文的规则化程度则相反。我们还发现了有趣的区域变化,在美国各县的正规化。然而,一旦考虑到人口的差异,我们就不会发现与教育或收入等社会人口变量的强相关性。
2019-01-04 cs.CL physics.soc-ph
Probing for Understanding of English Verb Classes and Alternations in Large Pre-trained Language Models
University of Washington(华盛顿大学)
我们研究了Levin(1993)所描述的动词交替类在多大程度上被编码在大型预训练语言模型(PLM)(如BERT,RoBERTa,ELECTRA和DeBERTa)的嵌入中,使用选择性构建的诊断分类器进行单词和短语级预测任务。我们遵循并扩展了Kann等人的实验。(2019),旨在探索静态嵌入是否编码动词的框架选择特性。在单词和句子的水平上,我们发现,上下文嵌入从PLM不仅优于非上下文嵌入,但在大多数交替类的任务上实现了惊人的高精度。此外,我们发现的证据表明,中层到上层的PLM实现更好的性能平均比低层在所有探测任务。
2022-09-11 cs.CL
Exploring the Sensory Spaces of English Perceptual Verbs in Natural Language Data
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
在这项研究中,我们探讨了语言如何捕捉单词的含义,特别是与从文本统计分布中学习到的感官体验相关的含义。我们专注于英语中最常见的感知动词,从五种基本感觉方式中的感知与体验区别进行分析:视觉(看与看),听觉(听与听),触觉(触摸与感觉),嗅觉(嗅觉)和味觉(味觉)。在这项研究中,我们报告了一个数据驱动的方法的基础上分布语义词嵌入和聚类模型,以确定和发现的描述符感知动词的感觉空间。在分析中,我们确定的差异和相似性的基础上产生的描述符的定性和定量的差异,他们表示的感知体验。例如,我们的研究结果表明,虽然经验动词的感知空间喜欢看,听显示出一种更超然,更合乎逻辑的认知和学习方式,但它们的代理对应物(看,听)提供了一种更有意图,更亲密,更直观的方式来发现我们周围的世界并与之互动。我们相信,这种方法有很大的潜力,以扩大我们的理解和适用性,这种感官空间的不同领域的社会和文化分析。对各种应用的感觉空间的语义组织的研究可能会受益于一个假设/经验的帐户,以解决复杂的多个感官连接在一起,在仍然未探索的方式。
2021-10-19 cs.CL
Internal and external dynamics in language: Evidence from verb regularity in a historical corpus of English
Institute for Complex Systems (ISC-CNR)(国家研究委员会复杂系统研究所(ISC-CNR));Sapienza University of Rome(罗马大学(Sapienza));Institute for Scientific Interchange (ISI)(科学交流研究所(ISI))
人类语言是受规则支配的,但这些规则几乎总是以不规则的形式存在例外。既然语言中的规则是有效的和多产的,那么不规则的持续存在就是一种反常现象。面对内在的(内生的)和外在的(外生的)压力,不规则性是如何持续的?在这里,我们解决这个问题,采取了详细的研究在美国历史英语语料库中的简单过去式动词。数据显示,语言是开放的,有许多新的动词进入。与此同时,现有的动词可能会由于内部动态而趋于规则化或不规则化,但总体而言,语言所承受的不规则量随着时间的推移大致保持不变。尽管词汇量不断增长,而且据推测,表达能力也随之增加,但不规则性并没有相应的增长。我们分析了一组不规则的,他们可能会坚持一组少数规则,随着时间的推移,允许增加的不规则性的稳定性。这些研究结果有助于语言系统如何成为规则统治的辩论,以及如何以及为什么他们维持例外的规则,提供洞察的出现和维护之间的相互作用的规则和例外的语言。
2014-08-12 cs.CL physics.soc-ph
How do we get there? Evaluating transformer neural networks as cognitive models for English past tense inflection
The Graduate Center, CUNY(纽约市立大学研究生中心);Toyota Technological Institute at Chicago(芝加哥丰田技术研究所)
本研究训练多种Transformer模型,评估其在英语过去式屈折任务上的表现,发现模型能部分学习规则性抽象类别,但与人类行为相关性弱,不适合作为认知模型。
2023-05-13 cs.CL
Unsupervised Discovery of Unaccusative and Unergative Verbs
University of Gothenburg(哥德堡大学);University of Edinburgh(爱丁堡大学);Uppsala University(乌普萨拉大学);IT University of Copenhagen(哥本哈根信息技术大学)
我们提出了一种无监督的方法来检测英语非作格和非解释动词。这些范畴使我们能够在不知道动词语义角色的情况下识别出参与使役-始动交替的动词。该方法基于候选动词的不及物句变体的生成和语言模型的探索。我们获得了与类似方法相当的结果,并且不依赖于注释资源。
2021-11-01 cs.CL
NABU $\mathrm{-}$ Multilingual Graph-based Neural RDF Verbalizer
University of Paderborn(帕德博恩大学);Manipal Institute of Technology(马尼帕尔理工学院);Federal University of Minas Gerais (UFMG)(米纳斯吉拉斯联邦大学(UFMG));Tilburg University(蒂尔堡大学)
由于关联数据的持续增长,RDF到文本的任务最近得到了大量的关注。与传统的管道模型相比,最近的研究集中在神经模型上,这些模型现在能够以端到端的方式将一组RDF三元组转换为文本,并取得了令人满意的结果。然而,英语是唯一广泛针对的语言。我们通过介绍NABU来解决这一研究空白,NABU是一种多语言的基于图形的神经模型,它将RDF数据语言化为德语,俄语和英语。NABU基于编码器-解码器架构,使用受图注意力网络启发的编码器和Transformer作为解码器。我们的方法依赖于这样一个事实,即知识图谱是语言不可知的,因此可以用来生成多语言文本。我们在标准基准WebNLG数据集上评估了单语和多语言设置中的NABU。我们的研究结果表明,NABU在英语上的表现优于最先进的方法,BLEU为66.21,在多语言场景中,所有语言的结果一致,BLEU为56.04。
2020-09-21 cs.CL
Studying the Inductive Biases of RNNs with Synthetic Variations of Natural Languages
Bar Ilan University(巴伊兰大学);Allen Institute for Artificial Intelligence(艾伦人工智能研究所);Johns Hopkins University(约翰斯·霍普金斯大学)
词序和形态格标记等类型学属性如何影响神经序列模型获取语言语法的能力?RNN句法性能的跨语言比较(例如,任何两种语言在多个类型学属性上的不同以及训练语料库的差异使主谓一致预测变得复杂。我们提出了一个范例,解决这些问题:我们创建合成版本的英语,这不同于英语中的一个或多个类型参数,并生成语料库的基础上,这些语言的英语语料库解析。我们报告了一系列实验,其中RNN被训练来预测这些合成语言中动词的一致性特征。在其他研究结果中,(1)表现出较高的主谓宾顺序(如英语)比主语-宾语-动词顺序(如日语),表明RNN具有近因偏差;(2)预测与主体和客体的一致性(多人协议)提高了预测每一个单独的,这表明潜在的句法知识转移跨越两个任务;(3)无论词序如何,显性形态格都使一致性预测变得容易。
2019-03-26 cs.CL
Collocational bootstrapping: A hypothesis about the learning of subject-verb agreement in humans and neural networks
Yale University(耶鲁大学);Cognitive Science Program(认知科学项目);Dept. of Linguistics(语言学系);Wu Tsai Institute(吴泰科创研院)
本文探讨了语言输入中的统计信号如何帮助语法习得,提出词组关联性假设,通过词组共现规律提供句法依赖线索,并验证该机制在英语主谓一致习得中的有效性。
2026-05-19 cs.AI cs.CL
Manipulating language models' training data to study syntactic constraint learning: the case of English passivization
Department of Linguistics, New York University(语言学系,纽约大学);Department of Linguistics and Center for Data Science, New York University(语言学系和数据科学中心,纽约大学)
本研究通过操控语言模型训练数据,探讨英语被动化例外的习得机制,发现频率和语义因素共同影响动词被动化能力。
2026-03-03 cs.CL
Noun2Verb: Probabilistic frame semantics for word class conversion
University of Toronto(多伦多大学);Vector Institute for Artificial Intelligence(向量人工智能研究所)
人类可以灵活地扩展不同语法类别的单词用法,这种现象称为词类转换。名词到动词的转换,或名词动词(例如,到谷歌廉价航班),是最流行的词类转换形式之一。然而,现有的自然语言处理系统在解释和生成新的名动词用法方面是贫乏的。以往的研究表明,如果听话者能够根据与说话者共享的知识计算出预期的含义,那么新的名动词用法是可理解的。在这里,我们探讨了这个建议的计算形式主义表达在框架语义。我们提出了一个正式的框架,Noun2Verb,模拟生产和理解的新名词动词的用法建模共享知识的扬声器和听众的语义框架。我们评估了一组增量概率模型,学习解释和生成新的名动词的用法,通过释义。我们发现,一个模型,说话人和听众合作学习的语义框架元素的联合分布更好地解释了经验名动词的使用比国家的最先进的语言模型,评估数据从1)当代英语在成人和儿童的讲话,2)当代普通话,3)英语的历史发展。我们的工作是基于概率框架语义的词类转换,并在自然语言处理系统和人类词汇创造力之间架起了桥梁。
2022-05-12 cs.CL
Multilingual BERT has an accent: Evaluating English influences on fluency in multilingual models
Stanford University(斯坦福大学)
本文发现多语言BERT存在语法结构偏差,即英语等高资源语言的语法会渗入低资源语言,并通过西班牙语代词省略和希腊语主谓顺序实验证明其偏向英语式结构,呼吁更关注语言学意识的流利度评估。
2023-04-13 cs.CL
The Pilot Corpus of the English Semantic Sketches
ABBYY;HSE(俄罗斯高等经济学院);MIPT(莫斯科物理技术学院);RSUH(俄罗斯联邦科学院)
本文构建英语动词语义素描试点语料库,通过英俄对比展示其应用,并探讨构建过程与错误分析。
2025-05-23 cs.CL
Probing LLMs for Syntactic Structure Beyond Universal Dependencies: A Minimalist Phase Account in English
Dartmouth College(达特茅斯学院)
通过设计UD距离不变的条件,使用结构探针评估LLM在wh-移位刺激上的表现,发现阶段计数梯度和阶段内凝聚性效应,表明分布预训练能诱导出超越UD的形式句法抽象表征。
2026-07-20 cs.CL stat.AP
Investigating representations of verb bias in neural language models
University of Tokyo(东京大学);Princeton University(普林斯顿大学)
语言通常提供一种以上的语法结构来表达某些类型的消息。众所周知,说话者对结构的选择取决于多种因素,包括主要动词的选择--一种被称为\emph{verb bias}的现象。在这里,我们介绍DAIS,一个大型的基准数据集包含50 K人类判断5 K不同的句子对英语与格交替。该数据集包括200个独特的动词,并系统地改变了参数的定义和长度。我们使用这个数据集,以及现有的自然发生的数据语料库,来评估最近的神经语言模型捕捉人类偏好的能力。结果表明,较大的模型比较小的模型表现更好,即使在可比的参数和训练设置下,Transformer架构(例如GPT-2)也往往优于递归架构(例如LSTM)。对内部特征表征的进一步分析表明,Transformers可以更好地将特定的词汇信息与语法结构结合起来。
2020-10-15 cs.CL
A new semantically annotated corpus with syntactic-semantic and cross-lingual senses
Université Paris-Est(巴黎-埃松大学)
本文构建了一个包含20个法语多义动词实例的新语义标注语料库,每个实例标注了三种义项:平行语料中的英语翻译、法语计算词典(Lexicon-Grammar表)条目以及两者的组合细粒度义项。
2026-05-27 cs.CL
Fine-Tuning Large Language Models with QLoRA for Offensive Language Detection in Roman Urdu-English Code-Mixed Text
Instituto Politécnico Nacional (IPN), Centro de Investigación en Computación (CIC)(墨西哥国立理工学院(IPN),计算研究中心(CIC))
本文提出基于QLoRA的微调框架,利用英语翻译的罗马乌尔都语-英语代码混合数据,通过微调多种大语言模型,实现高效冒犯性语言检测,其中Meta LLaMA 3 8B达到最高F1分数91.45。
2025-10-10 cs.CL
Japanese Predicate Conjugation for Neural Machine Translation
Tokyo Metropolitan University(东京都立大学)
神经机器翻译(NMT)的缺点是由于输出层中softmax函数的计算成本,只能生成高频词。在日英NMT中,日语谓语动词变位导致词汇量的增加。例如,一个动词可以有多达19个表面变体。在本研究中,我们着重于压缩日语词汇量的谓词变位。词汇表上有各种形式的动词。我们提出了使用谓词共轭信息而不丢弃语言信息的方法。提出的方法可以产生低频词和处理未登录词。考虑了两种方法来引入共轭信息:第一种将其视为令牌(共轭令牌),第二种将其视为嵌入向量(共轭特征)。实验结果表明,NMT模型可以将词汇量压缩约86.1%(Tanaka语料库),并且可以输出训练数据集中没有的词汇。此外,BLEU分数在日语到英语翻译中提高了0.91分,在ASPEC的英语到日语翻译中提高了0.32分。
2018-05-25 cs.CL
Inferring Adjective Hypernyms with Language Models to Increase the Connectivity of Open English Wordnet
Università Cattolica del Sacro Cuore(天主教圣心大学);Insight Research Ireland Centre for Data Analytics(爱尔兰洞察研究爱尔兰数据分析中心);University of Galway(Galway大学)
针对Open English Wordnet缺失大量形容词上位词链接的问题,本文探讨形容词上位关系的特性,构建新资源并微调大语言模型,验证了TaxoLLaMa方法可适配形容词上位词预测任务,提升词网连通性。
2025-06-12 cs.CL
Phrase Pair Mappings for Hindi-English Statistical Machine Translation
Indian Institute of Technology (IIT) Bombay(印度理工学院孟买分校)
在本文中,我们提出了我们的工作,创造词汇资源的机器翻译之间的英语和印地语。我们描述了短语对映射的发展,我们的实验和不同的训练模型之间的比较性能评估的基础上的统计机器翻译系统。我们致力于通过探索不同的方法来增加平行语料库中的词汇量以及各种屈折形式。我们使用各种词汇资源(例如词汇词、同义词、虚词和动词短语)扩展了训练语料库。我们已经描述了案例研究,自动和主观评价,详细的错误分析的英语到印地语和印地语到英语的机器翻译系统。进一步分析表明,随着各种词汇资源的使用,机器翻译的质量也在不断提高。因此,词汇资源确实有助于提高资源贫乏语言的翻译质量。
2017-11-10 cs.CL
Do LLMs Make More Mistakes If They Do Not Believe the Input Data?
Charles University(查理大学);Institute of Formal and Applied Linguistics(形式与应用语言学研究所)
本文研究大语言模型对输入上下文(事实、反事实、虚构)的忠实度,发现上下文-记忆冲突较弱,且评判者选择影响冲突强度评估。
2026-09-10 cs.CL
ASC analyzer: A Python package for measuring argument structure construction usage in English texts
Department of Linguistics, University of Oregon(语言学系,俄勒冈大学);Department of Psychology, Rochester Institute of Technology(心理学系,罗切斯特理工学院)
本文介绍了公开的Python包ASC analyzer,通过自动标注论元结构构式并计算50个指数,结合双变量与多变量分析揭示了其与第二语言写作分数的关系。
2025-10-12 cs.CL
Linguistic complexity: English vs. Polish, text vs. corpus
Institute of Nuclear Physics, Polish Academy of Sciences(波兰科学院核物理研究所);Faculty of Mathematics and Natural Sciences, University of Rzeszów(热舒夫大学数学与自然科学学院)
我们分析了在选定的英语和波兰语文本中的单词的等级频率分布。我们发现,lemmatized(基本)的单词形式的规模不变制度打破后约二十年,而它可能是一致的,为整个范围的曲折的单词形式的排名。我们还发现,由不同作者写的文本组成的语料库的基本规模不变制度被打破更强烈的情况下,可比语料库由同一作者写的文本。类似地,对于由从其他语言翻译成波兰语的文本组成的语料库,尺度不变的制度被打破得比本地波兰语文本的可比语料库更强烈。此外,我们发现,如果用适当的词性标记单词,只有动词才会显示出几乎尺度不变的秩频分布。
2010-07-06 cs.CL physics.soc-ph
Floating or Suggesting Ideas? A Large-Scale Contrastive Analysis of Metaphorical and Literal Verb-Object Constructions
研究通过分析297个英语动词-宾语对,探讨隐喻和字面表达在语境中的差异,发现隐喻表达在情感负荷和图像性上更强,但缺乏统一分布模式。
2026-04-09 cs.CL
Crafting Tomorrow's Headlines: Neural News Generation and Detection in English, Turkish, Hungarian, and Persian
Technical University of Munich(慕尼黑工业大学)
本研究构建了涵盖四种语言的多语言神经新闻检测基准数据集,并比较多种分类器,以探究机器生成新闻检测的可解释性与鲁棒性。
2024-11-04 cs.CL
Falling Through the Gaps: Neural Architectures as Models of Morphological Rule Learning
Information Sciences Institute(信息科学研究所);University of Southern California(南加利福尼亚大学)
神经结构的最新进展使形态学规则学习的问题重新出现。我们评估的Transformer作为一个模型的形态学规则学习,并比较它与递归神经网络(RNN)的英语,德语和俄语。我们提出了一个迄今为止被忽视的问题,形态差距,一个词的预期变化是失踪。例如,63个俄语动词缺少第一人称单数现在时形式,以至于人们不能舒服地说“*oščušču”(“我感觉”)。甚至英语也有空白,比如“stride”的过去分词:形态屈折变化的功能可能是局部的。这两种神经结构都产生了本应缺失的变化。分析表明,Transformers概括了训练数据中拐点的统计分布,类似于RNN。模型在英语和德语上的成功是由这些语言中的规则可以与大多数形式相识别这一事实驱动的,这是不普遍的。
2021-05-08 cs.CL
Using Interlinear Glosses as Pivot in Low-Resource Multilingual Machine Translation
Carnegie Mellon University(卡内基梅隆大学);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
我们展示了一种新的方法,神经机器翻译(NMT)的低资源的语言使用无处不在的语言资源,跨线性Glossed文本(IGT)。IGT将非英语句子表示为英语词元和词素标签的序列。因此,它可以作为NMT的枢纽或中间语。我们的贡献是四方面的。首先,我们在ODIN中汇集了1,497种语言的IGT(54,545个注释),在Arapaho中汇集了70,918个注释,并训练了从IGT到英语的注释到目标NMT系统,BLEU得分为25.94。我们引入了一个多语言NMT模型,该模型使用注释源语言标签标记所有注释文本,并训练一个跨1,497种语言共享注意力的通用系统。其次,我们使用IGT的注释到目标的翻译作为一个关键步骤,在英语-土耳其语MT系统的培训只有865行ODIN。第三,当BLEU不再足够时,我们提出了五个评估极低资源翻译的指标,并使用BLEU评估土耳其低资源系统,并使用匹配名词,动词,一致性,时态和虚假重复的准确性,显示出很大的改进。
2020-03-03 cs.CL
A Semi-Automatic Framework to Discover Epistemic Modalities in Scientific Articles
JW Goethe-University Frankfurt am Main(法兰克福约翰·沃尔夫冈·歌德大学);University of Luxembourg(卢森堡大学)
科学报纸上的文件往往以作者和/或其他人的态度和意见为标志,他们也提供客观和主观的陈述和论点。在这方面,态度往往是由语言模态完成的。在英语、法语和德语等语言中,情态是由can、must、may等特殊动词和虚拟语气来表达的,情态的出现往往导致这些动词取代情态的角色。这是不正确的,因为事实证明,情态是整个句子的工具,副词、语气词、标点符号和句子的语调都起作用。通常,所有这些工具的组合是必要的,以表达一种模态。在这项工作中,我们关注的是在科学文本中发现情态动词,作为发现作者态度的前一步。尽管输入将是任意文本,但输出由表示模态的区域组成。
2008-04-07 cs.CL cs.LO
Is neural semantic parsing good at ellipsis resolution, or isn't it?
Center for Language and Cognition(语言认知中心);University of Groningen(格罗宁根大学)
针对神经语义解析器在强上下文敏感的动词短语省略现象上的表现问题,本文构建含120个省略案例的挑战集,测试发现解析器表现不佳,数据增强可改善,且错误源于复杂语境而非语义复制难度。
2025-08-20 cs.CL
DATASHI: A Parallel English-Tashlhiyt Corpus for Orthography Normalization and Low-Resource Language Processing
Université de Lorraine, CNRS, Inria, LORIA(洛林大学、法国国家科学研究中心、法国国家信息与自动化技术研究院、LORIA实验室);ISIMA, Université Clermont Auvergne(克莱蒙特奥弗涅大学ISIMA)
DATASHI提供了一个包含5000对句子的平行语料库,包含1500个经过专家标准化和非标准用户生成的句子,用于研究正字法多样性及规范化,支持NLP任务并为多模态对齐提供基础。
2026-03-23 cs.CL
Investigating Zero-Shot Generalizability on Mandarin-English Code-Switched ASR and Speech-to-text Translation of Recent Foundation Models with Self-Supervision and Weak Supervision
National Taiwan University(国立台湾大学);ASUS Intelligent Cloud Services(华硕智能云服务)
本研究在三个语码转换语料库上评估了SeamlessM4T和Whisper等前沿基础模型,发现自监督模型接近监督模型性能,但句内语码转换表现仍有待提升,且Whisper变体在语码转换场景中保持有效。
2023-12-30 cs.CL eess.AS