Revisiting Accent Classification with DistilHuBERT: Speaker-Disjoint Evaluation and Cross-Corpus Generalization
Columbia University(哥伦比亚大学);and Recognition Technologies, Inc.(与识别技术有限公司)
本研究针对DistilHuBERT口音分类,通过对比文件级与说话人不相交评估、平衡外部数据训练等,发现现有评估的不足,提出需结合两种评估方式以更真实衡量模型泛化能力。
2026-10-12 cs.CL cs.LG cs.SD
A Distant Supervision Corpus for Extracting Biomedical Relationships Between Chemicals, Diseases and Genes
University of Massachusetts, Amherst(马萨诸塞大学阿默斯特分校);Chan Zuckerberg Initiative(陈·扎克伯格倡议)
我们介绍了ChemDisGene,一个新的数据集,用于训练和评估多类多标签文档级生物医学关系抽取模型。我们的数据集包含80k生物医学研究摘要,其中标记了化学物质,疾病和基因,其中部分人类专家标记了这些实体之间的18种生物医学关系(用于评估),其余部分(用于训练)通过CTD数据库进行远程标记,准确率约为78%。与类似的现有数据集相比,我们的数据集更大、更干净;它还包括将提及链接到其实体的注释。我们还提供了三个基线深度神经网络关系抽取模型,这些模型在我们的新数据集上进行了训练和评估。
2022-04-13 cs.AI cs.CL
3D-Speaker: A Large-Scale Multi-Device, Multi-Distance, and Multi-Dialect Corpus for Speech Representation Disentanglement
DAMO Academy(达摩院);Alibaba Group(阿里巴巴集团)
3D-Speaker构建了超1万名说话人在多设备、多距离、多方言条件下的受控语音语料库,用于研究语音表示解耦,并支持通用语音模型评估及域外学习与自监督学习方法实验。
2023-09-25 cs.CL cs.SD eess.AS
Follow the Entities: A Corpus Map for Agentic Search
KAIST(韩国科学技术院);Microsoft(微软)
针对大型文档集合中证据分散的问题,提出CorpusMap导航层,以实体为中心组织语料库,构建实体-文档图,使智能体高效收集证据,提升检索质量并减少token消耗。
2026-09-30 cs.AI cs.CL cs.IR
Pre-trained Language Models as Re-Annotators
University of Edinburgh(爱丁堡大学)
注释噪声在数据集中普遍存在,但手动修改有缺陷的语料库是耗时且容易出错的。因此,给定预先训练的语言模型中的先验知识和所有注释之间的预期一致性,我们尝试通过两个任务自动减少语料库中的注释噪声:(1)注释不一致性检测,指示注释的可信度,以及(2)注释错误校正,纠正异常注释。我们研究了如何从预训练的语言模型中获取语义敏感的注释表示,期望即使没有微调,也能将具有相同注释的示例嵌入到相互相邻的位置。我们提出了一种新的可信度分数,以揭示基于相邻一致性的注释不一致的可能性。然后,我们微调预训练的语言模型为基础的分类器与交叉验证的注释校正。注释校正器进一步阐述了两种方法:(1)核密度估计的软标记和(2)一种新的远距离对等体对比损失。我们研究了关系抽取中的重标注,并创建了一个新的手动修改的数据集,Re-DocRED,用于评估文档级重标注。建议的可信度分数显示出与人类修订的一致性,在检测TACRED和DocRED上的不一致性时,二进制F1分别为93.4和72.5。此外,基于距离对等对比学习和不确定标签的邻域感知分类器在校正TACRED和DocRED上的注释时分别实现了高达66.2和57.8的Macro F1。这些改进不仅仅是理论上的:相反,自动去噪的训练集证明了最先进的关系抽取模型的性能提高高达3.6%。
2022-05-11 cs.AI cs.CL cs.HC
MAESTRO: a Multimodal Auditory-attention Egocentric Speech-TRacking Open corpus
The Ohio State University(俄亥俄州立大学)
本文提出MAESTRO,首个同时记录EEG、眼动、瞳孔、自我中心视频和头部IMU的多模态听觉注意解码数据集,通过四说话者基准证明融合行为与生理信号优于纯EEG方法。
2026-09-29 cs.HC cs.LG cs.SD
Corpus of Cross-lingual Dialogues with Minutes and Detection of Misunderstandings
Charles University, Faculty of Mathematics and Physics(查尔斯大学数学与物理学院);Institute of Formal and Applied Linguistics (ÚFAL)(形式与应用语言学研究所)
本文提出一个多语言对话语料库及自动检测误解的方法,通过手动标注和模型测试,验证了Gemini模型在识别误解方面的性能。
2025-12-23 cs.AI cs.CL
SASST: Leveraging Syntax-Aware Chunking and LLMs for Simultaneous Speech Translation
The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));Okinawa Institute of Science and Technology(冲绳科学技術研究院);Nara Institute of Science and Technology(奈良科学技術研究院)
提出SASST同声语音翻译框架,利用语法感知分块策略解析依存关系,结合冻结Whisper和LLM动态优化翻译时机与内容,在CoVoST2上显著提升多语言翻译质量。
2025-08-11 cs.CL
Attention-Based Neural Networks for Sentiment Attitude Extraction using Distant Supervision
Bauman Moscow State Technical University(鲍曼莫斯科国立技术大学);Lomonosov Moscow State University(罗蒙诺索夫莫斯科国立大学)
在情感态度提取任务中,目标是识别<attitudes>文本中提到的实体之间的< >-情感关系。在本文中,我们提供了一个基于注意力的上下文编码器在情感态度提取任务的研究。为了完成这项任务,我们采用了两种类型的专注上下文编码器:(1)基于特征的;(2)基于自我的。在我们的研究中,我们利用语料库的俄语分析文本RuSentRel和自动构建的新闻收集RuAttitudes丰富的训练集。我们认为,态度提取的问题,两个类(积极,消极)和三个类(积极,消极,中性)分类任务的整个文件。我们的实验与RuSentRel语料库表明,三类分类模型,采用RuAttitudes语料库进行训练,导致10%的增加和额外的3%,F1,当模型架构包括注意力机制。我们还提供了依赖于术语类型的注意权重分布的分析。
2020-06-30 cs.CL
Rubric-Aligned Disentangled Evaluation of Human Simultaneous Interpreting
School of Data Science, The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳)数据科学学院);School of Artificial Intelligence, The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳)人工智能学院);Shenzhen Loop Area Institute(深圳河套学院)
针对人类同声传译缺乏与评分量表对齐的自动评估问题,本文构建了1,101个片段的标注语料库,并提出在LoRA适配的COMET-KIWI编码器上使用双回归头,以解耦各维度,在LQ和EXP上分别达到0.388和0.301的皮尔逊相关性。
2026-09-11 cs.CL
Same but Different: Distant Supervision for Predicting and Understanding Entity Linking Difficulty
L3S Research Center, Leibniz University of Hannover(莱布尼茨汉诺威大学L3S研究中心);GESIS - Leibniz Institute for the Social Sciences(GESIS——莱布尼茨社会科学研究所)
实体链接(Entity Linking,EL)是自动识别文本中提到的实体并将其解析为维基百科等参考知识库中的相应实体的任务。有大量的EL工具可用于不同类型的文档和领域,但EL仍然是一项具有挑战性的任务,其中缺乏精确度,特别是模糊的提及往往会破坏自动消歧结果在实际应用中的有用性。先验近似的困难,以链接一个特定的实体提到可以促进标记的关键情况下,作为半自动EL系统的一部分,而检测潜在的因素,影响EL性能,如语料库特定的功能,可以提供关于如何改进系统的基础上的特殊特性的基础语料库的见解。在本文中,我们首先介绍了一种基于共识的方法来生成难度标签的实体提到任意语料库。然后,利用难度标签作为训练数据的监督分类任务,能够预测实体提到使用各种功能的EL难度。在新闻文章语料库上的实验表明,EL难度可以估计具有较高的准确性,也揭示了潜在的功能,影响EL性能。最后,评估结果表明,所提出的方法,以通知半自动EL管道的有效性。
2018-12-13 cs.CL cs.IR cs.LG
DPO-Tuned Large Language Models for Segmentation in Simultaneous Speech Translation
本研究提出基于DPO微调的大语言模型切分框架,用于同声传译,通过偏好对齐提升切分准确性,在ACL 60/60语料库上优于SHAS,并改善翻译质量与延迟。
2025-10-14 cs.CL
Towards Revised Tempo Indications for Beethoven's Piano and Cello Sonatas: Czerny, Moscheles, Kolisch, and Recorded Practice 1930-2012
本文通过分析1930-2012年间100多段录音,评估齐尔品、莫斯基尔斯和科利施的节奏指示,发现科利施的指示更贴近实际演奏,且各乐章的快板传统在八十年间保持稳定。
2026-04-18 cs.SD
ARPA: Armenian Paraphrase Detection Corpus and Models
Russian-Armenian University(俄罗斯-亚美尼亚大学);Ivannikov Laboratory for System Programming(伊万尼科夫系统编程实验室)
在这项工作中,我们采用了一种半自动的方法,基于回译生成一个亚美尼亚语的原始释义语料库。最初收集的句子从亚美尼亚语翻译成英语,然后再翻译两次,结果是成对的词汇上遥远但语义上相似的句子。然后,对生成的释义进行手动审查和注释。使用该方法创建了训练和测试数据集,总共包含2360个释义。此外,这些数据集被用来训练和评估基于BERT的亚美尼亚语释义检测模型,取得了与其他语言的最先进水平相当的结果。
2020-09-26 cs.CL
NAIST-SIC-Aligned: an Aligned English-Japanese Simultaneous Interpretation Corpus
Monash University(莫纳什大学);Nara Institute of Science and Technology(奈良科学技术研究所)
本文提出NAIST-SIC-Aligned,通过两阶段对齐方法构建首个开源大规模英日平行同声传译语料库,并验证使用该数据训练可显著提升同声机器翻译的质量和延迟表现。
2024-04-01 cs.CL
Attention-Based LSTM for Psychological Stress Detection from Spoken Language Using Distant Supervision
Hong Kong University of Science and Technology(香港科技大学)
我们提出了一个具有注意力机制的长短期记忆(LSTM)模型来对自我访谈中的心理压力进行分类。我们通过根据主题标签内容自动标记推文来应用远程监督,这补充并扩展了我们语料库的大小。该附加数据用于初始化模型参数,并使用访谈数据对其进行微调。这提高了模型的鲁棒性,特别是通过扩大词汇量。在准确率(74.1%)和f分数(74.3%)方面,具有注意力的双向LSTM模型是最好的模型。此外,我们表明,远程监督微调提高了模型的性能1.6%的准确性和2.1%的f-得分。注意力机制帮助模型选择信息词。
2018-05-31 cs.CL
Leipzig Corpus Miner - A Text Mining Infrastructure for Qualitative Data Analysis
University of Leipzig(莱比锡大学)
本文介绍了“莱比锡语料库矿工”,支持定性和定量内容分析的技术基础设施。基础设施的目的是在整合的“近距离阅读”程序的个别文件与程序的“远距离阅读”,如词汇的特点,大型文件集。因此,信息检索系统,词汇统计和机器学习程序相结合,在一个连贯的框架,使定性数据分析,利用国家的最先进的自然语言处理技术对非常大的文件集。该框架的适用范围从社会科学到媒体研究和市场研究。作为一个例子,我们介绍了该框架的使用在政治学研究后民主和新自由主义。
2017-07-11 cs.CL
Clinical Document Corpora -- Real Ones, Translated and Synthetic Substitutes, and Assorted Domain Proxies: A Survey of Diversity in Corpus Design, with Focus on German Text Data
Institute for Medical Informatics, Statistics and Epidemiology (IMISE), University of Leipzig(莱比锡大学医学信息学、统计学与流行病学研究所)
本文综述德语临床文档语料库及翻译、合成和领域代理替代方案,系统分类71个独特语料库,并指出公开替代品虽缓解数据瓶颈,却在文体、措辞和医学专业性上存在效度差异。
2025-02-18 cs.CL
Jointly Embedding Entities and Text with Distant Supervision
The Ohio State University(俄亥俄州立大学);National Institutes of Health(美国国立卫生研究院);Washington University in St. Louis(圣路易斯华盛顿大学)
知识库实体和概念的学习表示对于NLP应用变得越来越重要。然而,最近的实体嵌入方法依赖于为新域和语料库创建昂贵的结构化资源。我们提出了一种远程监督的方法,用于联合学习嵌入的实体和文本从unnanotated语料库,只使用实体和表面形式之间的映射列表。我们从开放领域和生物医学语料库中学习嵌入,并与依赖于人类注释文本或大型知识图谱结构的先前方法进行比较。我们的嵌入比以前的工作更好地捕捉实体相似性和相关性,无论是在现有的生物医学数据集还是我们发布给社区的新的基于维基百科的数据集。类比完成和实体意义消歧的结果表明,实体和词捕捉互补的信息,可以有效地结合下游使用。
2018-07-09 cs.AI cs.CL
EMMT: A simultaneous eye-tracking, 4-electrode EEG and audio corpus for multi-modal reading and translation scenarios
Charles University(查理大学)
我们提出了眼动多模态翻译(EMMT)语料库,一个数据集包含单眼眼动记录,音频和4电极脑电图(EEG)数据的43名参与者。我们的目标是收集认知信号的参与者从事一些语言密集型任务,涉及不同的文本图像刺激设置时,从英语翻译到捷克语的反应。每个参与者被暴露于32个文本-图像刺激对,并被要求(1)阅读英语句子,(2)将其翻译成捷克语,(3)查阅图像,(4)再次翻译,更新或重复先前的翻译。文本刺激包括200个独特的句子,616个独特的单词,加上200个独特的图像作为视觉刺激。这些录音是在两周内收集的,所有参与研究的人都是捷克本地人,英语水平很高。由于研究中涉及的任务的性质和参与者的数量相对较大,语料库非常适合翻译过程研究,认知科学等学科的研究。
2022-04-06 cs.CL cs.HC
Monotonic Simultaneous Translation with Chunk-wise Reordering and Refinement
Samsung Research(三星研究院);New York University(纽约大学)
最近的同步机器翻译工作通常是用传统的整句翻译语料库进行训练的,这导致在处理语序显著不同的语言对时,过度的延迟或需要预测尚未到达的单词。这与同声传译不同,同声传译人员以牺牲被翻译句子的语法性为代价,产生大量单调的翻译。因此,在本文中,我们提出了一种算法来重新排序和完善的目标方的一个完整的句子翻译语料库,使源和目标句子之间的单词/短语主要是单调对齐,使用单词对齐和非自回归神经机器翻译。然后,我们训练一个广泛使用的wait-k同声翻译模型在这个重新排序和细化语料库。所提出的方法提高了BLEU分数,并产生的翻译表现出增强的单调性与源句子。
2021-10-18 cs.AI cs.CL cs.LG
BSTC: A Large-Scale Chinese-English Speech Translation Dataset
Baidu Inc.(百度公司)
本文介绍了一个大规模的汉英语音翻译数据集BSTC(Baidu Speech Translation Corpus)。该数据集是基于一系列许可的演讲或讲座视频构建的,包括约68小时的普通话数据,其手动转录和翻译成英语,以及通过自动语音识别(ASR)模型进行的自动转录。我们还邀请了三名经验丰富的口译员在模拟会议环境中同时为测试会谈进行口译。该语料库对自动同声翻译的研究和实用系统的开发具有一定的促进作用。我们已经组织了同声翻译任务,并使用该语料库来评估自动同声翻译系统。
2021-04-27 cs.CL
Neural Language Models with Distant Supervision to Identify Major Depressive Disorder from Clinical Notes
Mayo Clinic(梅奥诊所)
重度抑郁症(MDD)是一种流行的精神疾病,与全球范围内的重大医疗负担相关。MDD的表型分型有助于早期诊断,因此在患者管理中可能具有显着优势。在先前的研究中,MDD表型已经从结构化电子健康记录(EHR)中提取或使用脑电图(EEG)数据与传统的机器学习模型来预测MDD表型。然而,MDD表型信息也记录在自由文本EHR数据中,例如临床笔记。虽然临床记录可以提供更准确的表型信息,但必须开发自然语言处理(NLP)算法来提取这些信息。NLP的最新进展产生了最先进的神经语言模型,例如Transformers(BERT)模型的双向编码器表示,这是一种基于transformer的模型,可以从无监督文本数据的语料库中进行预训练,然后在特定任务中进行微调。然而,由于缺乏大型训练数据集,这种神经语言模型在临床NLP任务中未得到充分利用。在文献中,研究人员已经利用远程监督范例来对临床文本分类任务进行训练机器学习模型,以减轻缺乏注释的训练数据的问题。该范式对神经语言模型是否有效仍然是未知的。在本文中,我们建议利用神经语言模型在远程监督范例,以确定MDD表型的临床笔记。实验结果表明,我们提出的方法是有效的,在识别MDD表型和生物临床BERT,一个特定的BERT模型的临床数据,实现了最好的性能相比,传统的机器学习模型。
2021-04-19 cs.AI cs.CL cs.IR
Cross-Lingual Syntactic Transfer through Unsupervised Adaptation of Invertible Projections
Carnegie Mellon University(卡内基梅隆大学);University of California San Diego(加利福尼亚大学圣迭戈分校)
跨语言迁移是构建低资源语言句法分析工具的有效途径。然而,当迁移到类型学上遥远的语言时,迁移是困难的,特别是当既没有注释的目标数据也没有平行语料库时。在本文中,我们专注于跨语言迁移到远距离语言的方法,并提出学习一个生成模型与结构化的前,利用标记的源数据和未标记的目标数据联合。通过一个正则化的对数似然目标,源模型和目标模型的参数被软共享。采用可逆投影来学习新的语际潜在嵌入空间,该空间补偿不完美的跨语言词嵌入输入。我们评估我们的方法上的两个句法任务:词性(POS)标记和依存句法分析。在通用依存关系树库上,我们使用英语作为唯一的源语料库,并转换到广泛的目标语言。在这个数据集中的10种语言是远离英语,我们的方法产生了平均5.2%的绝对改善POS标记和8.3%的绝对改善依存句法分析的直接转移方法,使用最先进的判别模型。
2021-04-29 cs.CL cs.LG
StyleKQC: A Style-Variant Paraphrase Corpus for Korean Questions and Commands
Seoul National University(首尔大学);Tokyo Institute of Technology(东京工业大学);Google LLC(谷歌有限责任公司)
释义通常不太关心受控的风格转换。特别是对于问题和命令,风格变体释义在语气和方式上可能至关重要,这对于对话系统等工业应用也很重要。在本文中,我们攻击这个问题的语料库建设计划,同时考虑的核心内容和风格的指令,即意图和形式,为韩国语。利用人工生成的自然语言查询的六个日常话题,我们扩大了语料库的正式和非正式的句子,通过人工重写和转移。我们验证了我们的方法的有效性和工业适用性,通过检查适当的分类和推理性能,适合与传统的微调方法,在同一时间提出了一个监督的形式转移任务。
2022-04-28 cs.CL
Simultaneous Multi-Pivot Neural Machine Translation
National Institute of Information Communications Technology(国立情报学通信技术研究所);CogSmart;Tokyo Institute of Technology(东京工业大学)
并行语料库是训练神经机器翻译(NMT)模型不可或缺的,而大多数语言对的并行语料库不存在或稀缺。在这种情况下,当使用枢轴语言使得在源语言和枢轴语言以及枢轴语言和目标语言之间存在并行语料库时,枢轴语言NMT可以是有帮助的。当然,枢轴语言翻译的质量比使用该对的合理大小的直接平行语料库所能实现的质量要差得多。在实时同声翻译设置中,如果模型必须在几个源单词可用的时候输出翻译,那么主元语言翻译的质量甚至会进一步恶化。为了解决这个问题,我们提出了多枢轴翻译,并将其应用于涉及枢轴语言的同声翻译设置。我们的方法包括同时将一个源语言翻译成多个枢轴,然后利用多源NMT将这些枢轴一起同时翻译成目标语言。我们在低资源环境中使用N路并行联合国语料库进行阿拉伯语到英语NMT,通过法语和西班牙语作为支点的实验表明,在同时支点NMT设置中,使用两种支点语言可以导致高达5.8 BLEU的改进。
2021-04-15 cs.CL
Multilingual Simultaneous Speech Translation
Maastricht University(马斯特里赫特大学);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
为会议等活动期间的同步语音翻译而设计的应用程序需要在显示翻译文本时平衡质量和延迟,以提供良好的用户体验。构建在线口语翻译系统的一种常见方法是利用为离线语音翻译构建的模型。基于一种适应端到端单语模型的技术,我们研究了多语言模型和不同的架构(端到端和级联)执行在线语音翻译的能力。在多语言TEDx语料库,我们表明,该方法推广到不同的架构。我们看到不同语言和架构在延迟减少方面有类似的收益(相对40%)。然而,在适应在线模式后,端到端架构导致的翻译质量损失较小。此外,该方法甚至可扩展到zero-shot方向。
2022-03-29 cs.CL cs.SD eess.AS
Tagged End-to-End Simultaneous Speech Translation Training using Simultaneous Interpretation Data
Nara Institute of Science and Technology(奈良先端科学技术大学院大学)
针对英日等差异大的语言对同声语音翻译的非单调对应问题,提出带风格标签的混合SI与离线数据的单模型训练方法,提升了不同延迟下的BLEURT指标,且SI风格输出更多。
2023-06-14 cs.CL cs.SD eess.AS
Disentangling the Roles of Target-Side Transfer and Regularization in Multilingual Machine Translation
University of Amsterdam(阿姆斯特丹大学)
本研究通过大规模实验,解耦了多语言机器翻译中目标端语言相似性和语料库规模对知识迁移的影响,并发现远距离语言可通过正则化作用提升翻译性能。
2024-02-01 cs.AI cs.CL cs.LG
NanoNER: Named Entity Recognition for nanobiology using experts' knowledge and distant supervision
Univ. Grenoble Alpes(格勒诺布尔大学);CNRS(法国国家科学研究中心);Grenoble INP(格勒诺布尔理工学院);LIG(信息与信号处理实验室)
针对纳米生物学领域,提出基于专家知识与远程监督的NER模型NanoNER,在728篇全文语料上对已知实体F1达0.98,并能以0.77-0.81精确度发现新实体,且所需人力少,可推广至其他专业领域。
2024-01-30 cs.AI cs.CL cs.IR
Language-Independent Sentiment Labelling with Distant Supervision: A Case Study for English, Sepedi and Setswana
University of Johannesburg, South Africa(约翰内斯堡大学);IU International University of Applied Sciences, Germany(国际应用科学大学);University of the Witwatersrand, South Africa(沃尔特·斯皮克兰大学)
本文提出一种语言无关的情感标注方法,利用emoji和词语信息,对英语、塞佩迪语和塞斯瓦纳语的推文进行情感标注,准确率分别达到66%、69%和63%。
2025-11-25 cs.AI cs.CL
An NLP approach to quantify dynamic salience of predefined topics in a text corpus
Boston Fusion Corp.(波士顿融合公司);Arizona State University(亚利桑那州立大学)
同时在线新闻媒体的激增,为分析人员提供了宝贵的资源,也对他们提出了重大挑战,这些分析人员的目的是描绘和了解感兴趣的地理位置的社会和文化趋势。虽然大量记录重大事件、趋势和反应的新闻报道提供了一个更加民主化的地点社会特征的图景,但对任何一个分析师或团队来说,理解整个语料库以提取重大趋势都是一个巨大的挑战。在这里,我们提出了一种方法,使用自然语言处理技术,旨在量化一组预定义的感兴趣的主题如何随着时间的推移在一个大的文本语料库的变化。我们发现,给定一个预定义的主题,我们可以识别和排名的术语集,或n-gram,映射到这些主题,并具有偏离正常基线的使用模式。出现,消失,或显着的变化,在n-gram的使用提出了一个地面上的图片,一个主题的动态显着性在一个语料库的兴趣。
2021-08-16 cs.CL
WikiMatrix: Mining 135M Parallel Sentences in 1620 Language Pairs from Wikipedia
Facebook AI(脸书人工智能研究院)
我们提出了一种基于多语言句子嵌入的方法,自动提取平行的句子从维基百科的文章中的85种语言,包括几种方言或低资源的语言的内容。我们不限制提取过程与英语对齐,但系统地考虑所有可能的语言对。总的来说,我们能够为1620种不同的语言对提取1.35亿个平行句子,其中只有34M与英语对齐。这个平行句子的语料库可以在https://github.com/facebookresearch/LASER/tree/master/tasks/WikiMatrix上免费获得。为了获得对提取的双文本质量的指示,我们仅对1886个语言对的挖掘数据进行训练神经MT基线系统,并在TED语料库上对其进行评估,许多语言对都获得了很高的BLEU分数。WikiMatrix双文本似乎特别有趣,可以在远距离语言之间训练机器翻译系统,而不需要通过英语进行旋转。
2019-07-16 cs.CL
Joint Word Representation Learning using a Corpus and a Semantic Lexicon
University of Liverpool(利物浦大学);Shizuoka University(静冈大学);National Institute of Informatics(国立信息学研究所)
使用大型文本语料库学习单词表示的方法最近受到了广泛的关注,这是因为它们在许多自然语言处理(NLP)任务中表现出色,例如语义相似性测量和单词类比检测。尽管他们的成功,这些数据驱动的词表示学习方法不考虑在一个共同出现的上下文中的词之间的丰富的语义关系结构。另一方面,已经有大量的人工努力投入到语义词典的构建中,例如WordNet,它通过定义语言中单词之间存在的各种关系来表示单词的含义。我们考虑的问题是,我们是否可以通过整合语义词典中的知识来改善使用语料库学习的单词表示?为此,我们提出了一个联合词的表示学习方法,同时预测的共同出现的两个词在一个句子中的语义词典给出的关系约束。我们使用词汇中单词之间存在的关系来规范从语料库中学习到的单词表示。我们提出的方法在统计上显着优于先前提出的方法,将语义词典到词表示的几个基准数据集的语义相似性和词的类比。
2015-11-19 cs.AI cs.CL
Lost in Interpretation: Predicting Untranslated Terminology in Simultaneous Interpretation
Language Technologies Institute(语言技术研究所);Carnegie Mellon University(卡内基梅隆大学)
同声传译,即实时地将一种语言翻译成另一种语言,是一项固有的困难和艰巨的任务。口译员面临的最大挑战之一是准确翻译专有名词,数字或其他实体等困难术语。智能计算机辅助口译(CAI)工具可以分析口语并检测口译员可能未翻译的术语,从而减少翻译错误并提高口译员的表现。在本文中,我们提出了一个任务,预测哪些术语同传译员将留下未翻译的,并检查方法,执行这项任务,使用监督序列标签。我们描述了一些特定于任务的功能,明确设计,以表明当一个口译员可能会努力翻译一个词。在新注释版本的NAIST同声传译语料库上的实验结果(Shimizu et al.,2014)表明我们提出的方法的承诺。
2019-04-01 cs.CL
Data-Driven Adaptive Simultaneous Machine Translation
Baidu Research(百度研究院);Oregon State University(俄勒冈州立大学)
在同声翻译(SimulMT)中,最广泛使用的策略是wait-k策略,因为它在平衡翻译质量和延迟方面既简单又有效。然而,wait-k有两个主要的限制:(a)它是一个固定的策略,不能自适应地调整给定上下文的延迟,(b)它的训练比整句翻译慢得多。为了缓解这些问题,我们提出了一种新的和有效的自适应SimulMT的训练方案,通过增加训练语料库与自适应前缀前缀对,而训练的复杂性保持相同的训练整句翻译模型。在两个语言对上的实验表明,我们的方法在翻译质量和延迟方面优于所有强基线。
2022-04-27 cs.CL
Temporal Relation Extraction in Clinical Texts: A Span-based Graph Transformer Approach
本文提出GRAPHTREX方法,通过结合基于跨度的实体关系抽取、临床预训练语言模型和异构图变换器,提升临床文本中时间关系抽取的准确率和长距离关系识别能力。
2025-05-29 cs.AI cs.CL cs.LG
Demographic Dialectal Variation in Social Media: A Case Study of African-American English
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
尽管社交媒体上的方言越来越丰富,但用于开发NLP工具来处理此类语言的资源却很少。本文通过对Twitter上的非裔美国人英语(AAE)的调查,对网络会话文本中的方言进行了案例研究。我们提出了一个远程监督模型,以确定AAE类语言的人口统计与地理位置的消息,我们验证,这种语言如下著名的AAE语言现象。此外,我们分析了现有的语言识别和依存句法分析工具的质量AAE类文本,表明他们表现不佳,这样的文本相比,与白人扬声器的文本。我们还提供了一个集成分类器的语言识别,消除了这种差异,并发布了一个新的语料库的推文包含AAE类语言。
2016-08-31 cs.CL
Learning with fuzzy hypergraphs: a topical approach to query-oriented text summarization
City University of Hong Kong(香港城市大学)
现有的基于图的抽取式文档摘要方法将语料库中的句子表示为图或超图的节点,其中边描述句子之间的词汇相似性关系。当句子表达相似的信息,但共同的词很少,因此在词汇上不相似时,这种方法无法捕捉句子之间的语义相似性。为了克服这个问题,我们建议提取语义相似性的基础上的主题表示的句子。受层次狄利克雷过程的启发,我们提出了一个概率主题模型来推断句子的主题分布。由于每个主题定义了一组句子之间的语义连接,每个句子具有一定程度的隶属关系,我们提出了一个模糊超图模型,其中节点是句子和模糊超边的主题。为了产生一个信息丰富的摘要,我们从语料库中提取一组句子,同时最大限度地提高他们的相关性,用户定义的查询,他们的中心在模糊超图和他们的覆盖面的主题存在于语料库中。我们制定了一个多项式时间算法的理论基础上的次模函数来解决相关的优化问题。与其他基于图的摘要系统进行了深入的比较分析。我们得到的结果表明,我们的方法在内容覆盖的摘要方面的优越性。
2019-06-22 cs.AI cs.CL
Lost in Interpreting: Speech Translation from Source or Interpreter?
Charles University(查理大学)
口译员为多语言会议提供便利,但负担得起的语言往往少于所需的语言。自动同步语音翻译可以扩展所提供的语言的集合。我们调查,如果这样一个自动系统,而不是按照原来的扬声器,或口译员,以实现更好的翻译质量的成本增加延迟。为了回答这个问题,我们发布了欧洲议会同声传译语料库(ESIC),这是10个小时的欧洲议会英语演讲录音和文字记录,并配有捷克语和德语的同声传译。我们评估了从英语到捷克语的基于扬声器和基于口译员的口语翻译系统的质量和延迟。我们研究了人类解释器的隐式简化和总结的差异,与经过训练以在一定程度上缩短输出的机器翻译系统相比。最后,我们进行人工评估,以衡量这些方法的信息损失。
2021-06-17 cs.CL
An Automatic Quality Metric for Evaluating Simultaneous Interpretation
Nara Institiute of Science and Technology(奈良科学技术大学);Rikkyo University(立教大学)
本文提出一种基于秩相关系数和跨语言预训练语言模型的自动指标,用于评估同声传译与同声机器翻译中的词序同步,并在两个数据集上验证其有效性。
2025-01-10 cs.CL
Simultaneous Translation between Sign Languages
Oregon State University(俄勒冈州立大学)
本文提出首个同声手语到手语翻译系统,采用两种wait-k机制并引入计算感知延迟度量ca-Stream-AL,在六个方向上实现38%延迟降低,同时保持较小的质量损失。
2026-09-29 cs.CL cs.CV
Robustness of Multi-Source MT to Transcription Errors
Charles University(查理大学);Institute of Formal Applied Linguistics(形式应用语言学研究所);National Institute of Information Communications Technology(国立信息通信技术研究所)
本文研究多源神经机器翻译对语音识别错误的鲁棒性,通过在ESIC语料库上验证英语、德语等多源信息的错误独立性,并在同声翻译场景中证明多源方法能提升翻译质量,为实时同声翻译提供了新思路。
2023-05-26 cs.CL