Decision Lists for Lexical Ambiguity Resolution: Application to Accent Restoration in Spanish and French
本文提出了一种用于词汇歧义消解的统计决策方法。该算法利用当地的句法模式和更遥远的搭配证据，产生一个高效，有效的，和高度清晰的解决给定的歧义配方。通过识别和利用目标上下文中的唯一最佳消歧证据，该算法避免了有问题的复杂的统计依赖性建模。虽然直接适用于广泛的一类歧义，该算法的描述和评估在一个现实的案例研究，恢复丢失的口音在西班牙语和法语文本的问题。
1994-06-23 cmp-lg cs.CL
Improving Similar Language Translation With Transfer Learning
Natural Language Processing Lab（自然语言处理实验室）；The University of British Columbia（英属哥伦比亚大学）
我们研究了基于预训练神经机器翻译模型的迁移学习，以在（低资源）相似语言之间进行翻译。这项工作是我们对WMT 2021相似语言翻译共享任务的贡献的一部分，我们在该任务中提交了不同语言对的模型，包括法语-班巴拉语，西班牙语-加泰罗尼亚语和西班牙语-葡萄牙语。我们的加泰罗尼亚语-西班牙语（$82.79$ BLEU）和葡萄牙语-西班牙语（$87.11$ BLEU）模型在官方共享任务评估中排名前1，我们是唯一提交法语-班巴拉配对模型的团队。
2021-10-06 cs.AI cs.CL
Scribosermo: Fast Speech-to-Text models for German and other Languages
University of Augsburg（奥格斯堡大学）
最近的语音到文本模型通常需要大量的硬件资源，并且大多是用英语训练的。本文介绍了德语，以及西班牙语和法语的语音到文本模型，具有特殊功能：（a）它们很小，可以在RaspberryPi等微控制器上实时运行。(b)使用预训练的英语模型，它们可以在消费级硬件上使用相对较小的数据集进行训练。(c)这些模型与其他解决方案相比具有竞争力，并且在德语中表现出色。在这方面，模型结合了其他方法的优点，这些方法只包括所呈现特征的子集。此外，该论文还提供了一个新的数据集处理库，该库专注于轻松扩展额外的数据集，并展示了一种使用来自另一种具有类似字母表的语言的预训练模型来迁移学习新语言的优化方法。
2021-10-15 cs.CL cs.SD eess.AS
Zero-Shot Cross-Lingual Transfer in Legal Domain Using Transformer Models
ITMO University（圣彼得堡国立信息技术机械与光学大学）
Zero-shot跨语言迁移是现代NLP模型和架构中支持低资源语言的重要特征。本文研究了多标签文本分类中英语到法语和德语的zero-shot跨语言迁移问题，使用英语训练集训练分类器，使用法语和德语测试集进行测试。我们扩展了EURLEX 57 K数据集，英语数据集的主题分类的法律文件，法语和德语的官方翻译。我们研究了使用一些训练技术，即逐步解冻和语言模型微调，对zero-shot跨语言迁移质量的影响。我们发现，多语言预训练模型（M-DistilBERT，M-BERT）的语言模型微调分别导致法语和德语测试集的32.0- 34.94%，76.15-87.54%的相对改善。此外，在训练过程中，预训练模型的层的逐渐解冻导致法语的38-45%和德语的58-70%的相对提高。与使用英语、法语和德语训练集在联合训练方案中训练模型相比，基于zero-shot BERT的分类模型达到了联合训练的BERT分类模型的86%。
2021-12-11 cs.AI cs.CL
PASTRIE: A Corpus of Prepositions Annotated with Supersense Tags in Reddit International English
Georgetown University（乔治城大学）
我们在Reddit国际英语（“PANEE”）语料库中展示了用Supersense标签注释的介词，这是一个新的数据集，包含来自四个L1假定发言者的英语数据的手动注释介词supersense：英语，法语，德语和西班牙语。注释是全面的，涵盖了示例中的所有介词类型和标记。随着语料库，我们提供了分布模式的分析，包括L1和L2介词选择的L1的影响进行了讨论。
2021-10-23 cs.CL
Content-Localization based Neural Machine Translation for Informal Dialectal Arabic: Spanish/French to Levantine/Gulf Arabic
School of Electrical Engineering and Computer Science（电气工程与计算机科学学院）；University of Ottawa（渥太华大学）
针对高资源语言资源未有效用于低资源语言的问题，提出利用AI将高资源语言内容本地化到阿拉伯方言的框架，构建首个西/法语与非正式阿方言的平行数据集，验证了资源利用能力及方言对社会行为分析的影响。
2023-12-12 cs.CL
Are All Spanish Doctors Male? Evaluating Gender Bias in German Machine Translation
Technische Universität Berlin（柏林工业大学）
本研究提出WinoMTDE德语性别偏见测试集，评估五个MT系统及LLM，发现多数模型存在偏见，LLM表现更优。
2025-02-28 cs.CL
UOL@IDEM at BEA 2026 Shared Task 1: Neural Fusion and Feature-Rich Modeling for L1-Aware Vocabulary Difficulty Prediction
Centre for Translation, Localisation and Interpreting Studies, School of Languages, Cultures and Societies, University of Leeds（利兹大学语言、文化与社会学院翻译、本地化与口译研究中心）；Alexandria University（亚历山大大学）
提出一种结合多语言上下文表示与工程化特征的回归模型，用于预测L1感知的词汇难度，在西班牙语、德语和中文上取得优于基线的RMSE结果。
2026-06-24 cs.CL
Few-shot clinical entity recognition in English, French and Spanish: masked language models outperform generative model prompting
Université Paris-Saclay（巴黎-萨克雷大学）；Sorbonne Université（索邦大学）
本研究针对临床领域小样本命名实体识别任务，对比生成式大模型提示学习与掩码模型微调方法，发现轻量掩码biLSTM-CRF模型在英、法、西三语临床NER上F1更优且环境影响更低，提示当前LLM提示学习暂不适合临床NER生产。
2024-10-08 cs.CL
GeniL: A Multilingual Dataset on Generalizing Language
Google Research（谷歌研究院）
本文提出检测语言泛化的新任务，构建涵盖9种语言、逾5万句的多语言数据集GeniL，并训练分类器以区分提及、强化泛化与非泛化语境。
2024-08-09 cs.CL
Gender Bias in MT for a Genderless Language: New Benchmarks for Basque
本文通过引入两个新数据集，研究巴斯克语翻译中的性别偏见问题，发现模型存在系统性偏好阳性形式的现象。
2026-03-09 cs.CL
DISCO: A Large Scale Human Annotated Corpus for Disfluency Correction in Indo-European Languages
Indian Institute of Technology Bombay（印度理工学院孟买分校）
本文提出了涵盖英语、印地语、德语和法语四种印欧语系的高质量人工标注不流利纠正（DC）语料库，实验证明最先进DC模型在多语言上表现优异，且能显著提升下游机器翻译的BLEU分数。
2023-10-25 cs.CL cs.HC
A Parallel Corpus of Translationese
University of Haifa（海法大学）；Universität des Saarlandes（萨尔大学）
我们描述了一套双语英语-法语和英语-德语平行语料库中的翻译方向是准确和可靠的注释。语料库内容丰富，包括议会议事录、文学作品、TED演讲翻译和政治评论。它们将有助于英语的研究及其在（人类和机器）翻译中的应用;特别是，它们可以用于英语识别的任务，这是近年来人们越来越感兴趣的一个研究方向。为了验证语料库的质量和可靠性，我们复制了以前的监督和无监督识别的结果，并进一步扩展实验到其他数据集和语言。
2016-03-06 cs.CL
Active Learning for Multilingual Fingerspelling Corpora
University of Amsterdam（阿姆斯特丹大学）；Informatics Institute（信息学研究所）
该研究将主动学习用于缓解手语数据稀缺，并在四种手指语语料库上分析预训练效果，发现预训练有益，但其原因可能是视觉而非语言相似性。
2024-06-13 cs.CL cs.CV
A Neural Pairwise Ranking Model for Readability Assessment
University of Toronto（多伦多大学）
自动可读性评估（ARA），即为文本分配阅读水平的任务，传统上被视为自然语言处理研究中的分类问题。在本文中，我们提出了第一个神经，成对的排名方法ARA和现有的分类，回归和（非神经）排名方法进行比较。我们建立我们的模型的性能进行实验，三个英语，法语和西班牙语数据集。我们证明了我们的方法在单语单/跨语料库测试场景中表现良好，并且在英语数据上训练时，法语和西班牙语的zero-shot跨语言排名准确率超过80%。此外，我们还发布了一个新的英语和法语双语可读性数据集。据我们所知，本文提出了第一个神经成对排序模型的ARA，并显示了跨语言，zero-shot评估ARA与神经模型的第一个结果。
2022-03-14 cs.AI cs.CL cs.LG
Homophonic Quotients of Linguistic Free Groups: German, Korean, and Turkish
1993年，法语和英语的同音商群（法语（英语）字母表生成的自由群的商，由代表标准发音规则的关系确定）被明确地表征[5]。在本文中，我们将相同的方法应用于三种不同的语言系统：德语，韩语和土耳其语。我们认为，我们的研究结果指出了这三种语言（或至少是它们当前的脚本系统）之间的一些有趣的差异。
2018-08-10 cs.CL math.GR
Implementation and evaluation of a German HMM for POS disambiguation
介绍了Xerox HMM标注器的德语语言模型。该模型的性能进行了比较与其他两个德国标记器的部分参数重新估计和完全适应的参数从预标记语料库。分析了该模型解决的歧义类型，并与英语和法语的歧义类型进行了比较。最后，对模型的误差类型进行了描述。我认为，虽然这些模型的整体性能为德国是英语和法语的结果相媲美，更准确的分析表明，重要的差异，在类型的消歧所涉及的德语。
1995-02-27 cmp-lg cs.CL
Pre-training on high-resource speech recognition improves low-resource speech-to-text translation
University of Edinburgh（爱丁堡大学）；Stellenbosch University（斯泰伦博斯大学）；Toyota Technological Institute at Chicago（芝加哥丰田技术研究所）
当源语言资源不足时，我们提出了一种简单的方法来改进直接语音到文本翻译（ST）：我们在高资源自动语音识别（ASR）任务上预训练模型，我们证明了我们的方法是有效的预训练300小时的英语ASR数据，以提高西班牙语-当只有20小时的西班牙语-英语ST训练数据可用时，英语ST从10.8到20.2 BLEU。通过消融研究，我们发现预训练的编码器（声学模型）占了大部分的改进，尽管这些任务中的共享语言是目标语言文本，而不是源语言音频。应用这一见解，我们表明，即使ASR语言与源语言和目标ST语言不同，ASR的预训练也有助于ST：法语ASR的预训练也可以提高西班牙语-英语ST。对英语ASR和法语ASR的组合进行预训练将只有4小时数据可用的Mboshi-French ST从3.5 BLEU提高到7.1 BLEU。
2019-02-27 cs.CL
Findings of the 2016 WMT Shared Task on Cross-lingual Pronoun Prediction
LMU Munich（慕尼黑大学）；Uppsala University（乌普萨拉大学）；Qatar Computing Res. Inst.（卡塔尔计算研究所）；HBKU（哈马德·本·哈利法大学）；University of Helsinki（赫尔辛基大学）；LinkedIn（领英）；Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）；Idiap Research Institute（伊迪亚普研究所）
我们描述了2016年WMT跨语言代词预测共享任务的设计、评估设置和结果。这是一个分类任务，要求参与者预测目标语言文本中的占位符值应该用什么代词类标签来替换，并以词形化和PoS标记的形式提供。我们提供了四个子任务，用于英法和英德语言对，在两个方向上。11个团队参与了共享任务; 9个用于英语-法语子任务，5个用于法语-英语，9个用于英语-德语，6个用于德语-英语。大多数提交的数据都优于两个基于强大语言模型的基线系统，对于大多数语言对，使用深度递归神经网络的系统优于使用其他架构的系统。
2019-11-27 cs.AI cs.CL cs.IR
Cross-lingual Candidate Search for Biomedical Concept Normalization
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）
生物医学概念规范化将文本中提到的概念链接到生物医学知识库中的语义等效概念。这个任务是具有挑战性的，因为概念在自然语言中可以具有不同的表达，例如释义，其不一定全部存在于知识库中。非英语生物医学文本的概念规范化更具挑战性，因为非英语资源往往要小得多，包含的同义词更少。为了克服非英语术语的局限性，我们提出了一个跨语言的候选人搜索的概念规范化，使用基于字符的神经翻译模型训练的多语言生物医学术语。我们的模型使用西班牙语，法语，荷兰语和德语版本的UMLS进行训练。我们的模型的评估是在法国Quaero语料库上进行的，显示它优于CLEF eHealth 2015和2016的大多数团队。此外，我们还将Mantra的西班牙语、法语、荷兰语和德语版本与商业翻译进行了性能比较。我们的模型表现类似，但免费，可以在本地运行。这对于临床NLP应用尤其重要，因为医疗文档具有严格的隐私限制。
2018-05-04 cs.CL
QuanLing: Cross-Branch Validation of Language Distance Quantification on Western Romance
Guangdong Haiqixing Marine Technology Co., Ltd.（广东海启星海洋科技有限公司）
本文通过将QuanLing框架扩展到西罗曼语支（法、葡、西、意），验证了其跨分支适用性，发现葡西最接近、法意最远，且与北日耳曼语结果一致，证明其泛化能力。
2026-10-08 cs.AI cs.CL
Evaluating Indirect Strategies for Chinese-Spanish Statistical Machine Translation
Institute for Infocomm Research（信息通信研究所）
尽管汉语和西班牙语是世界上使用最多的两种语言，但对这两种语言的机器翻译研究并不多。统计机器翻译是当今最流行的机器翻译方法之一。为了这个目的，我们报告的细节，可用的平行语料库是基本的旅行者表达语料库（BTEC），圣经和联合国（UN）。此外，我们进行了实验工作，这三个语料库中最大的探索替代SMT策略，通过使用枢轴语言。三种替代方案被认为是枢：级联，伪语料库和三角测量。作为枢纽语言，我们使用英语，阿拉伯语或法语。结果表明，对于一个基于短语的SMT系统，英语是最好的枢纽语言之间的中文和西班牙语。我们提出了一个系统的输出组合使用枢轴策略，这是能够优于直接翻译策略。这项工作的主要目标是激励和参与研究界在这对重要的语言工作，因为它们的人口影响。
2014-02-04 cs.CL
Quantifying Synthesis and Fusion and their Impact on Machine Translation
University of Edinburgh（爱丁堡大学）；New York University（纽约大学）；Aalborg University（奥尔堡大学）
形态类型学的理论工作提供了在连续尺度上测量形态多样性的可能性。然而，自然语言处理（NLP）的文献通常用严格的形态类型（例如融合或粘着）来标记整个语言。在这项工作中，我们建议减少刚性的索赔，通过量化形态类型学在词和段的水平。我们考虑Payne（2017）使用两个指标对形态进行分类的方法：合成（例如，分析到多合成）和融合（凝集到融合）。对于计算合成，我们测试无监督和监督形态分割方法的英语，德语和土耳其语，而融合，我们提出了一个半自动的方法，使用西班牙语作为案例研究。然后，我们分析了机器翻译质量与词（英语-土耳其语中的名词和动词，英语-西班牙语中的动词）和段水平（先前的语言对加上英语-德语两个方向）的合成和融合程度之间的关系。我们用人工评估来补充词级分析，总体而言，我们观察到这两个指标对机器翻译质量的影响是一致的。
2022-05-06 cs.AI cs.CL
The Model's Language Matters: A Comparative Privacy Analysis of LLMs
Inria（法国国家信息与自动化研究所）；INSA Lyon（里昂国立应用科学学院）；CITI（信息与技术研究所）
本研究首次定量证明语言结构影响大语言模型的隐私泄露，意大利语泄露最强，法语和西班牙语更稳健，需语言感知的隐私保护机制。
2025-10-09 cs.CL cs.CR
Cross-Lingual Transfer Learning for Complex Word Identification
University Politehnica of Bucharest（布加勒斯特理工大学）
复杂词识别（CWI）是一项以检测来自不同专业领域的文本中难以理解的单词或单词组为中心的任务。CWI的目的是强调非母语人士通常难以理解的问题结构。我们的方法使用了zero-shot、one-shot和少样本学习技术，以及用于自然语言处理（NLP）任务的最先进的解决方案（即，Transformers）。我们的目标是提供证据，证明所提出的模型可以依靠CWI共享任务2018数据集在多语言环境中学习复杂单词的特征，该数据集可用于四种不同的语言（即，英语、德语、西班牙语，还有法语）。对于零样本学习场景，我们的方法在英语（0.774）、德语（0.782）和西班牙语（0.734）的宏观F1分数方面超过了最先进的跨语言结果。同时，我们的模型也优于最先进的德语单语结果（0.795宏观F1分数）。
2020-10-02 cs.CL
Multilingual Relative Clause Attachment Ambiguity Resolution in Large Language Models
Miami University（迈阿密大学）；Portland State University（波特兰州立大学）
本研究探讨LLMs在多语言中消解关系从句附着歧义的能力，发现其在印欧语系表现优于亚洲语言，强调需改进非欧洲语言处理。
2025-03-04 cs.CL
Automatic Annotation of Direct Speech in Written French Narratives
Deezer Research（Deezer研究院）；EPFL（洛桑联邦理工学院）
针对法语叙事文本，构建了最大的按词标注直接引语的数据集，并评估多种基线方法，发现任务仍具挑战，为后续研究奠定基础。
2023-06-28 cs.CL
Repetition over Diversity: High-Signal Data Filtering for Sample-Efficient German Language Modeling
Humboldt-Universität zu Berlin（洪堡大学柏林分校）
本文研究了在德国语言模型训练中，通过高信号数据过滤在多样性和质量之间进行权衡，发现重复高质量数据比单次训练更大更少过滤的数据表现更优。
2026-10-27 cs.AI cs.CL
Spoken Language Identification using ConvNets
Analytics Quotient（Analytics Quotient公司）；Samsung R&D Institute India-Bangalore（三星印度班加罗尔研发中心）；Birla Institute of Technology & Science, Pilani（贝拉理工学院皮拉尼校区）
语言识别（LI）是许多语音处理系统中重要的第一步。随着越来越多的基于语音的助手，语音LI已经成为一个广泛的研究领域。为了解决识别语言的问题，我们可以采用一种隐式方法，即只有语言的语音存在，也可以采用一种显式方法，即文本及其相应的转录本。本文重点介绍了一种隐式的方法，由于没有转录数据。本文基准现有的模型，并提出了一个新的注意力为基础的语言识别模型，使用对数梅尔声谱图图像作为输入。我们还提出了有效性的原始波形作为功能的神经网络模型LI任务。为了训练和评估模型，我们对六种语言（英语、法语、德语、西班牙语、俄语和意大利语）进行了分类，准确率为95.4%，对四种语言（英语、法语、德语、西班牙语）进行了分类，准确率为96.3%。这种方法可以进一步扩展，以包含更多的语言。
2019-10-09 cs.CL cs.LG
Deriving Disinformation Insights from Geolocalized Twitter Callouts
Crime & Security Research Institute（犯罪与安全研究院）；School of Computer Science and Informatics（计算机科学与信息学院）；Cardiff University（卡迪夫大学）
本文展示了一种两阶段方法，通过将地理空间分类和基于嵌入的语言建模相结合，从与虚假信息相关的社交媒体数据中获得见解。特别是，分析集中在Twitter和三种欧洲语言的虚假信息：英语，法语和西班牙语。首先，利用BERT将Twitter数据分为欧洲和非欧洲两类。其次，Word 2 vec被应用到分类文本中，产生了三种目标语言的数据的欧洲中心，非欧洲中心和全球表示。这种比较分析不仅证明了分类方法的有效性，而且还突出了与虚假信息有关的媒体在地理、时间和语言上的差异。因此，这项工作的贡献有三个方面：（i）一种新的独立于语言的基于转换器的地理定位方法;（ii）一种利用词汇特异性和词嵌入来询问用户生成内容的分析方法;以及（iii）一个包含3600万条与英语、法语和西班牙语虚假信息相关的推文的数据集。
2021-08-06 cs.CL cs.LG
One Size Does Not Fit All: Finding the Optimal Subword Sizes for FastText Models across Languages
Masaryk University（马萨里克大学）
对来自大型多语言语料库的单词的无监督表示学习对于诸如词义消歧、语义文本相似性和信息检索之类的下游任务是有用的。对数双线性fastText模型的表示精度主要是由于它们使用子字信息。在以前的工作中，fastText的子字大小的优化还没有得到充分的探索，非英语fastText模型使用针对英语和德语单词类比任务优化的子字大小进行训练。在我们的工作中，我们找到了最佳的子字大小的英语，德语，捷克语，意大利语，西班牙语，法语，印地语，土耳其语和俄语单词类比任务。然后，我们提出了一个简单的n-gram覆盖模型，我们表明，它预测优于默认的西班牙语，法语，印地语，土耳其语和俄语单词类比任务的子字大小。我们表明，优化fastText的子字大小的事项，并在捷克语单词类比任务的14%的改善结果。我们还表明，昂贵的参数优化可以被一个简单的n-gram覆盖模型所取代，与默认子字大小相比，该模型可以将fastText模型在单词类比任务上的准确性提高高达3%，并且其准确性在最佳子字大小的1%以内。
2021-09-20 cs.CL
The Lucie-7B LLM and the Lucie Training Dataset: Open resources for multilingual language generation
LINAGORA（林阿戈拉公司）；LORIA（洛里亚研究所）；CEA List（法国原子能和替代能源委员会清单实验室）
本文发布以法语为中心、注重数据权利的多语言 Lucie Training Dataset，以及法英数据各约33%训练的 Lucie-7B 和两个指令微调模型，验证开放合规路线仍具竞争力。
2025-03-15 cs.AI cs.CL
The First Multilingual Model For The Detection of Suicide Texts
Barcelona Supercomputing Center（巴塞罗那超级计算中心）；Northeastern University（东北大学）
提出基于 mBERT、XML-R 和 mT5 的多语言模型，通过 SeamlessM4T 翻译的六种语言数据集检测自杀文本，发现 mT5 表现最佳且 F1 超过 85%，强调了多语言自杀风险识别工具的重要性。
2024-12-20 cs.AI cs.CL
Addressing Exposure Bias With Document Minimum Risk Training: Cambridge at the WMT20 Biomedical Translation Task
Department of Engineering, University of Cambridge（剑桥大学工程系）
2020年WMT生物医学翻译任务评估了Medline摘要翻译。这是一个小领域的翻译任务，意味着有限的相关训练数据具有非常独特的风格和词汇。在这些数据上训练的模型容易受到暴露偏差效应的影响，特别是当训练句子对彼此之间的翻译不完美时。如果模型学会忽略源句子，这可能会导致推理过程中的不良行为。UNICAM条目在微调期间使用最小风险培训的强大变体解决了这个问题。我们对比这种方法与数据过滤，以消除“问题”的训练样本。在MRT微调下，我们在英-德和英-西两个方向的生物医学翻译中都取得了良好的效果。特别是，我们实现了最好的英语到西班牙语的翻译结果和第二好的西班牙语到英语的结果，尽管只使用单一的模型，没有集成。
2020-10-11 cs.CL
Text Generation Models for Luxembourgish with Limited Data: A Balanced Multilingual Strategy
University of Luxembourg（卢森堡大学）；Lancaster University（兰卡斯特大学）
本文针对卢森堡语数据稀缺问题，提出基于T5架构并结合等量德语和法语数据的平衡多语言文本生成模型，并引入首个卢森堡语文本生成基准LuxGen进行评估。
2024-12-20 cs.CL
ALL-IN-1: Short Text Classification with One Model for All Languages
Center for Language and Cognition（语言与认知中心）；University of Groningen（格罗宁根大学）
我们提出了ALL-IN-1，一个简单的多语言文本分类模型，不需要任何并行数据。它基于传统的支持向量机分类器，利用多语言词嵌入和字符n-gram。我们的模型简单，易于扩展，但非常有效，在IJCNLP 2017四种语言的客户反馈分析共享任务中（在12个团队中）排名第一：英语，法语，日语和西班牙语。
2017-10-26 cs.CL
GeNRe: A French Gender-Neutral Rewriting System Using Collective Nouns
University of Strasbourg（斯特拉斯堡大学）
本文提出首个使用集合名词的法语性别中立改写系统GeNRe，包含基于规则的系统和微调语言模型，并探索指令模型以提升性能。
2025-05-29 cs.CL
A Multilingual Study of Compressive Cross-Language Text Summarization
Université d’Avignon et des Pays de Vaucluse（阿维尼翁与沃克吕兹地区大学）；École Polytechnique de Montréal（蒙特利尔综合理工学院）；Université du Québec à Montréal（魁北克大学蒙特利尔分校）
跨语言文本摘要（CLTS）生成的摘要语言与源文档的语言不同。最近的方法使用来自两种语言的信息来生成具有最多信息的句子的摘要。然而，这些方法的性能可能因语言而异，这可能会降低摘要的质量。在本文中，我们提出了一个压缩框架来生成跨语言摘要。为了分析性能，特别是稳定性，我们在四种语言（英语，法语，葡萄牙语和西班牙语）的数据集上测试了我们的系统和提取基线，以生成英语和法语摘要。自动评估表明，我们的方法优于提取最先进的CLTS方法，对所有语言都有更好，更稳定的ROUGE分数。
2018-10-24 cs.CL
Utilização de Grafos e Matriz de Similaridade na Sumarização Automática de Documentos Baseada em Extração de Frases
Universidade Federal do Ceará（塞阿拉联邦大学）
互联网增加了可用的信息量。然而，阅读和理解这些信息是昂贵的任务。在这种情况下，自然语言处理（NLP）应用程序支持非常重要的解决方案，突出显示自动文本摘要（ATS），它从一个或多个源文本中生成摘要。然而，自动总结一个或多个文本是一项复杂的任务，因为分析和生成这种总结固有的困难。这篇硕士论文描述了生成摘要的主要技术和方法（NLP和统计学）。我们还提出了一些基于图和相似度矩阵的算法来衡量判断的相关性，并通过提取句子来生成摘要。我们使用多种语言（英语，法语和西班牙语），CSTNews（巴西葡萄牙语），RPM（法语）和DECODA（法语）语料库来评估开发的系统。所取得的结果相当有趣。
2016-02-05 cs.CL cs.IR
What makes a word hard to learn? Modeling L1 influence on English vocabulary difficulty
University of Göttingen（哥廷根大学）
本文通过梯度提升模型研究了母语对英语词汇难度的影响，发现词汇熟悉度是共同主导因素，而西班牙语和德语学习者还依赖拼写转移，而中文学习者则仅依赖熟悉度和表层特征。
2026-05-12 cs.CL cs.LG
Understanding Editing Behaviors in Multilingual Wikipedia
KAIST（韩国科学技术院）；University of Oxford（牛津大学）
使用多种语文在离线情况下很常见，但我们对在线使用多种语文的方式以及使用多种语文者在不同语言的使用者之间传播内容方面所发挥的作用的了解却很有限。我们采用计算方法来研究使用最大的用户生成的内容平台之一，维基百科多语。我们通过收集和分析维基百科英语、德语和西班牙语版本的多语种编辑撰写的内容的大型数据集来研究多语言。该数据集包含2013年7月8日至8月9日期间由超过15，000名多语言用户编辑的超过200万个段落。我们分析了这些多语种编辑的参与，兴趣和语言熟练程度方面的主要和非主要（次要）语言，并发现维基百科的英文版显示不同的动态从西班牙语和德语版本。主要编辑西班牙语和德语版本的用户比将这些版本作为第二语言编辑的用户进行更复杂的编辑。相比之下，将英语版本作为第二语言进行编辑的用户进行的编辑与主要编辑英语版本的用户进行的编辑一样复杂。通过这种方式，英语发挥了特殊的作用，汇集了来自多种语言版本的多种语言编写的内容。尽管如此，语言仍然是内容传播的一个巨大障碍：我们发现了一个复杂性障碍的证据，即编辑不太可能用第二语言编辑复杂的内容。此外，我们发现，多语者参与度较低，第二语言的语言熟练程度较低。我们还研究了多语种编辑的主题兴趣，发现每种语言的主要和非主要编辑之间没有显着差异。
2015-08-28 cs.CL cs.CY cs.SI
Google's Multilingual Neural Machine Translation System: Enabling Zero-Shot Translation
Google（谷歌）
我们提出了一个简单的解决方案，使用单个神经机器翻译（NMT）模型在多种语言之间进行翻译。我们的解决方案不需要改变我们的基础系统的模型架构，而是在输入句子的开头引入一个人工标记来指定所需的目标语言。模型的其余部分，包括编码器，解码器和注意力，保持不变，并在所有语言中共享。使用一个共享的词块词汇表，我们的方法使多语言NMT使用一个单一的模型，而没有任何增加的参数，这是显着简单的多语言NMT比以前的建议。我们的方法通常会提高所有相关语言对的翻译质量，即使在保持模型参数总数不变的情况下。在WMT'14基准测试中，单个多语言模型在英语$\rightarrow$法语方面实现了相当的性能，在英语$\rightarrow$德语方面超过了最先进的结果。类似地，单个多语言模型分别在WMT'14和WMT'15基准测试中超过了法语$\rightarrow$英语和德语$\rightarrow$英语的最新结果。在生产语料库上，多达12个语言对的多语言模型可以更好地翻译许多单独的语言对。除了提高模型训练所使用的语言对的翻译质量外，我们的模型还可以学习在训练期间从未明确看到的语言对之间进行隐式桥接，这表明迁移学习和zero-shot翻译对于神经翻译是可能的。最后，我们展示了一些分析，这些分析暗示了我们模型中的通用中间语言表示，并在混合语言时展示了一些有趣的例子。
2017-08-21 cs.AI cs.CL
Does language matter for spoken word classification? A multilingual generative meta-learning approach
Bytefuse
本文探讨多语言环境下元学习在口语分类中的应用，通过生成元持续学习算法训练不同语言模型，发现多语言模型表现最佳，但模型性能差异较小，训练数据独特小时数比语言数量更影响性能。
2026-05-14 cs.AI cs.CL
Medical mT5: An Open-Source Multilingual Text-to-Text LLM for The Medical Domain
HiTZ Center - Ixa, University of the Basque Country UPV/EHU（巴斯克大学 HiTZ 中心 - Ixa）；Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）；Cruces University Hospital（克鲁塞斯大学医院）
针对现有医疗领域大语言模型多聚焦英语、多语言文本到文本模型预训练数据匮乏的问题，研究团队构建了四语言最大医疗多语言语料库，训练出首个开源医疗多语言文本到文本模型Medical mT5并提出新基准，在多语言任务上表现优异。
2024-04-11 cs.AI cs.CL cs.LG
An Open-Source Gloss-Based Baseline for Spoken to Signed Language Translation
Bar-Ilan University（巴伊兰大学）；University of Zurich（苏黎世大学）
本文提出一个开源的口语到手语翻译基线系统，通过文本到注释、注释到姿态再到视频的流水线，支持德语、法语和意大利语到瑞士手语的转换，并组合词形还原、规则重排和神经机器翻译三种方法。
2023-05-28 cs.CL cs.CV
Investigating the Role of Reasoning-Language Alignment in Monolingual Retrieval-Augmented Generation
Johannes Gutenberg University Mainz（约翰内斯·古腾堡大学美因茨）；University of Colorado Boulder（科罗拉多大学博尔德分校）
本研究构建单语德语RAG问答测试平台，发现推理语言与查询及检索文档语言对齐可提升性能，但强制德语推理仅达到原生英语水平，表明需原生多语言推理。
2026-10-05 cs.CL
Sequence Labeling: A Practical Approach
Technical University of Munich（慕尼黑工业大学）
我们采取一种实用的方法来解决序列标签问题，假设领域的专业知识和稀缺的信息和计算资源。为此，我们利用了一个通用的端到端的基于Bi-LSTM的神经序列标记模型，适用于各种NLP任务和语言。该模型结合了从数据中提取的形态、语义和结构线索，以得出明智的预测。该模型的性能在八个基准数据集上进行了评估（涵盖三个任务：POS标记，NER和组块，以及四种语言：英语，德语，荷兰语和西班牙语）。我们观察了其中四个的最先进的结果：CoNLL-2012（英语NER），CoNLL-2002（荷兰NER），GermEval 2014（德语NER），Tiger Corpus（德语POS标记），以及其余的竞争性表现。
2018-08-12 cs.CL cs.LG
ViSpeR: Multilingual Audio-Visual Speech Recognition
Technology Innovation Institute（技术创新研究院）；ENS Paris-Saclay（巴黎萨克雷高等师范学校）
本研究对五种语言的音视频语音识别进行了详细研究，收集大规模数据集并训练多语言模型ViSpeR，在新建基准上取得有竞争力的性能，并开源数据集与模型以推动该领域研究。
2024-05-27 cs.AI cs.CL
Probing Multilingual Sentence Representations With X-Probe
University of Oslo（奥斯陆大学）
本文扩展了探测句子表征的任务，在多语言领域的语言洞察力。在这样做的时候，我们做了两个贡献：首先，我们提供数据集的多语言探测，来自维基百科，在五种语言，即英语，法语，德语，西班牙语和俄语。其次，我们评估每种语言的六个句子编码器，每个编码器都是通过将句子表示映射到英语句子表示来训练的，使用平行语料库中的句子。我们发现，跨语言映射的表示往往更好地保留某些语言信息比表示来自英语编码器训练自然语言推理（NLI）作为下游任务。
2019-06-12 cs.CL
OSU Multimodal Machine Translation System Report
Oregon State University（俄勒冈州立大学）
本文介绍了俄勒冈州立大学提交的共享WMT'17任务“多模态翻译任务I”。在这个任务中，所有的句子对都是不同语言的图像标题。这个任务和传统的机器翻译的关键区别在于，我们有相应的图像作为每个句子对的附加信息。在本文中，我们介绍了一个简单但有效的系统，该系统获取不同语言之间共享的图像，将其输入编码和解码端。我们报告我们的系统的性能，英语，法语和英语，德语与Flickr 30 K（域内）和MSCOCO（域外）数据集。我们的系统在MSCOCO数据集的英语-德语TER中达到了最好的性能。
2017-12-14 cs.CL
Disambiguating bilingual nominal entries against WordNet
本文探讨了从双语词典（法语/英语，西班牙语/英语和英语/西班牙语）使用预先存在的广泛覆盖的词汇知识库（LKB）WordNet的概念知识的收购。双语名词性条目在WordNet上消歧，因此将双语词典链接到WordNet产生多语言LKB（MLKB）。产生的MLKB具有与WordNet相同的结构，但一些节点附加到其他语言的消歧词汇表。两种不同的，互补的方法进行了探讨。在一种方法中，字典的每个条目都被轮流使用，利用条目本身中的信息。消除翻译歧义的推理能力由WordNet上的语义密度给出。在另一种方法中，双语词典与WordNet合并，主要利用同义关系。每一种方法都在不同的字典中使用。这两种方法都能达到很高的精度，这表明消除双语名词性条目的歧义，从而将双语词典与WordNet联系起来是一项可行的任务。
1995-10-04 cmp-lg cs.CL
Auto Analysis of Customer Feedback using CNN and GRU Network
Indian Institute of Technology Patna（印度理工学院巴特那分校）；International Institute of Information Technology Bhubaneswar（布巴内斯瓦尔国际信息技术研究所）
分析客户反馈是将数据引导到新的营销策略中的最佳方式，这对企业家和客户都有利。因此，一个自动化的系统，可以分析客户的行为是在很大的需求。用户可以用任何语言编写反馈，因此挖掘适当的信息往往变得棘手。特别是在传统的基于特征的监督模型中，很难建立一个通用的系统，因为人们必须理解相关的语言来找到相关的特征。为了克服这一点，我们提出了基于深度卷积神经网络（CNN）和递归神经网络（RNN）的方法，这些方法不需要手工制作特征。我们评估这些技术分析客户反馈的句子在四种语言，即英语，法语，日语和西班牙语。我们的实证分析表明，我们的模型表现良好，在所有四种语言的设置IJCNLP共享任务的客户反馈分析。我们的模型在法语中达到了第二位，准确率为71.75%，在所有其他语言中达到了第三位。
2017-10-12 cs.CL
Political claim identification and categorization in a multilingual setting: First experiments
Institut für Maschinelle Sprachverarbeitung（机器语言处理研究所）；University of Stuttgart（斯图加特大学）
本文针对政治主张分析资源稀缺问题，在德语数据集DebateNet2.0上实验跨语言投影策略，评估两种任务、三种语言和两种方法，发现机器翻译效果最佳。
2023-10-13 cs.CL
Cross-linguistic differences in gender congruency effects: Evidence from meta-analyses
University of Potsdam（波茨坦大学）
本文通过元分析检验性别一致性效应的跨语言差异，证实德语/斯拉夫语与罗曼语在同时呈现条件下表现不同，但现有证据尚不足以支持或否定晚期选择假说。
2023-04-26 cs.CL q-bio.QM
