零资源跨语言词性标注
Zero Resource Cross-Lingual Part Of Speech Tagging
AI总结：
本文研究零资源跨语言词性标注，提出利用现成对齐模块将英语标签投影到法语、德语和西班牙语，并训练隐马尔可夫模型进行预测，证明投影对齐数据对零资源词性标注有效。
摘要：
在零资源环境下进行词性标注，对于缺乏标注训练数据的低资源语言而言是一种有效方法。现有系统主要采用两种技术进行词性标注：使用预训练的多语言大语言模型（LLM），或将源语言标签投影到零资源目标语言中，并在其上训练序列标注模型。我们探索后一种方法，利用现成的对齐模块，并训练隐马尔可夫模型（HMM）来预测词性标签。我们以英语为源语言，法语、德语和西班牙语为目标语言，评估了用于词性标注的迁移学习设置。我们的结论是，零资源语言中的投影对齐数据有助于预测词性标签。
英文摘要：
Part of speech tagging in zero-resource settings can be an effective approach for low-resource languages when no labeled training data is available. Existing systems use two main techniques for POS tagging i.e. pretrained multilingual large language models(LLM) or project the source language labels into the zero resource target language and train a sequence labeling model on it. We explore the latter approach using the off-the-shelf alignment module and train a hidden Markov model(HMM) to predict the POS tags. We evaluate transfer learning setup with English as a source language and French, German, and Spanish as target languages for part-of-speech tagging. Our conclusion is that projected alignment data in zero-resource language can be beneficial to predict POS tags.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
