Analysis of the quotation corpus of the Russian Wiktionary
Institution of the Russian Academy of Sciences St.Petersburg Institute for Informatics and Automation RAS（俄罗斯科学院圣彼得堡信息与自动化研究所）；Saint-Petersburg State University（圣彼得堡国立大学）；Institute of Applied Mathematical Research of the Karelian Research Centre of the Russian Academy of Sciences（俄罗斯科学院卡累利阿研究中心应用数学研究所）
使用开发的维基词典解析器在俄罗斯维基词典的报价进行定量评价。据发现，词典中的引文数量正在快速增长（2011年为5.15万，2012年为6.2万）。这些引文被提取并保存在机读词典的关系数据库中。为该数据库设计了与报价有关的表格。建立了不同年代文学作品引文分布直方图。它试图解释直方图的特征，将其与19世纪最受欢迎和引用（在俄罗斯维基词典中）的作家联系起来。研究发现，俄语维基词典中超过三分之一的引文（例句）是由维基词典条目的编辑从俄罗斯国家语料库中提取的。
2020-01-20 cs.CL cs.IR
WikiOmnia: generative QA corpus on the whole Russian Wikipedia
Artificial Intelligence Research Institute (AIRI)（人工智能研究院（AIRI））；SberDevices
一般QA领域一直在开发参考斯坦福问答数据集（SQuAD）作为重要基准的方法。然而，编译事实问题伴随着耗时耗力的注释，限制了训练数据的潜在大小。我们提出了WikiOmnia数据集，这是一组新的公开可用的QA对和相应的俄语维基百科文章摘要部分，由一个完全自动化的生成管道组成。该数据集包括维基百科上所有可用的俄语文章。WikiOmnia管道是开源的，也可以在其他领域（如新闻文本，小说和社交媒体）上创建SQuAD格式的QA。生成的数据集包括两个部分：整个俄语维基百科的原始数据（7，930，873个带有ruGPT-3 XL段落的QA对和7，991，040个带有ruT 5-large段落的QA对）和经过严格自动验证的清理数据（超过160，000个带有ruGPT-3 XL段落的QA对和超过3，400，000个带有ruT 5-large段落的QA对）。
2022-11-09 cs.AI cs.CL
RuDSI: graph-based word sense induction dataset for Russian
University of Oslo（奥斯陆大学）
我们提出了RuDSI，一个新的基准词的意义归纳（WSI）在俄罗斯。该数据集是使用手动注释和半自动聚类的词使用图（WUG）。与之前的俄语WSI数据集不同，RuDSI完全是数据驱动的（基于俄罗斯国家语料库的文本），没有外部词义强加给注释者。根据图聚类的参数，可以从原始注释产生不同的衍生数据集。我们报告的性能，几个基线WSI方法获得RuDSI和讨论提高这些分数的可能性。
2022-09-28 cs.CL
FROST-EMA: Finnish and Russian Oral Speech Dataset of Electromagnetic Articulography Measurements with L1, L2 and Imitated L2 Accents
School of Humanities（人文学院）；School of Computing（计算机学院）；Faculty of Humanities（人文学院）
本文发布包含18名双语者L1、L2及模仿L2口音的FROST-EMA电磁发音语料库，并通过说话人验证与发音模式案例展示其语音学和技术研究价值。
2025-06-10 cs.CL
RuSemShift: a dataset of historical lexical semantic change in Russian
National Research University Higher School of Economics（俄罗斯高等经济研究大学）；University of Oslo（奥斯陆大学）
我们提出了RuSemShift，一个大规模的手动注释的测试集的任务，语义变化建模在俄罗斯的两个长期的时间段对：从前苏联通过苏联时代，从苏联通过后苏联时代。目标词由多个众包工作者注释。的注释过程中组织的DURel框架，并根据从俄罗斯国家语料库中提取的句子上下文。此外，我们报告了RuSemShift上几种分布式方法的性能，取得了令人鼓舞的结果，同时为其他研究人员留下了改进的空间。
2020-10-13 cs.CL
Semantic Shifts of Psychological Concepts in Scientific and Popular Media Discourse: A Distributional Semantics Analysis of Russian-Language Corpora
HSE University（高等经济学院）
本文通过分布语义分析俄语语料库，探讨心理学概念在科学与大众媒体中的语义变化，发现科学文本侧重专业术语，而大众媒体更强调日常经验与治疗实践。
2026-03-10 cs.CL
Texts in, meaning out: neural language models in semantic similarity task for Russian
National Research University Higher School of Economics（俄罗斯国家研究型高等经济大学）；Mail.ru Group（Mail.ru集团）
自然语言词汇的分布式向量表示在当代计算语言学中得到了广泛的关注。本文总结了将神经网络语言模型应用于俄语语义相似度计算的经验。实验是在俄语语义相似度评估轨道的过程中进行的，根据任务的不同，我们的模型从第二位到第五位。我们介绍所使用的工具和语料库，评论的性质的共享任务，并描述所取得的成果。研究发现，以前成功应用于英语材料的连续跳跃语法和连续词袋模型也可以用于俄语的语义建模。此外，我们表明，在俄罗斯国家语料库（RNC）的文本提供了一个很好的培训材料，这种模式，优于其他更大的语料库。对于语义相关性任务尤其如此（尽管在RNC模型之上堆叠在较大语料库上训练的模型可以更好地提高性能）。以这种方式学习的高质量语义向量可以用于各种语言任务，并为进一步研究提供了一个令人兴奋的领域。
2015-04-30 cs.CL
Current Landscape of the Russian Sentiment Corpora
Vyatka State University（维亚特卡国立大学）；ITMO University（ITMO大学）
目前，有十几个俄语语料库用于情感分析，不同的文本来源，域，大小，数量和比例的情感类，和注释方法。本研究考察了公开的俄语语料库，提出了它们的定性和定量特征，这使得人们有可能得到一个想法的情感分析的语料库的当前景观。根据标注质量对语料库进行排序，这在选择语料库进行训练和测试时是有用的。基于深度神经网络模型BERT的使用，研究了训练数据集对情感分析性能的影响。评论语料库的实验让我们得出结论，平均而言，模型的质量随着训练语料库数量的增加而增加。首次基于BERT模型对ROMIP研讨会的评论语料进行了质量评分。本研究还提出了建立一个通用的情感分析模型的任务。
2021-06-28 cs.CL
RUSSE: The First Workshop on Russian Semantic Similarity
TU Darmstadt（达姆施塔特工业大学）；Université catholique de Louvain（鲁汶天主教大学）；Moscow State University（莫斯科国立大学）；N. N. Krasovskii Institute of Mathematics and Mechanics, Ural Branch of the RAS（俄罗斯科学院乌拉尔分院N. N. 克拉索夫斯基数学与力学研究所）；NLPub；University of Trento（特伦托大学）；University of Wolverhampton（伍尔弗汉普顿大学）
本文概述了俄罗斯语义相似度评估（RUSSE）与2015年对话会议一起举行的共享任务。关于语义相似度的比较研究很多，但对俄语的语义相似度的分析却很少。探索俄语的这个问题更有趣，因为这种语言具有丰富的形态和自由的词序等特征，这使它与英语，德语和其他研究充分的语言显着不同。我们试图弥合这一差距，提出了一个共同的任务，对俄语名词的语义相似性。我们的主要贡献是基于俄语四个新的基准数据集的评估方法。我们对来自19个团队的105份报告的分析表明，英语的成功方法，如分布和跳跃语法模型，也直接适用于俄语。一方面，比赛中的最佳结果是通过结合不同来源证据的复杂监督模型获得的。另一方面，完全无监督的方法，例如在大规模语料库上估计的skip-gram模型，能够在前5名系统中得分。
2018-03-15 cs.CL
MLSUM: The Multilingual Summarization Corpus
CNRS（法国国家科学研究中心）；Sorbonne Université（索邦大学）；reciTAL
我们提出了MLSUM，第一个大规模的多语言汇总数据集。从在线报纸获得，它包含150万+文章/摘要对五种不同的语言-即法语，德语，西班牙语，俄语，土耳其语。与流行的CNN/Daily Mail数据集的英文报纸一起，收集的数据形成了大规模的多语言数据集，可以为文本摘要社区提供新的研究方向。我们报告跨语言的比较分析的基础上，国家的最先进的系统。这些突出了现有的偏见，促使使用多语言数据集。
2020-04-30 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
Can Eye Movement Data Be Used As Ground Truth For Word Embeddings Evaluation?
The National Research University Higher School of Economics（国立研究型大学高等经济学院）；Federal Research Center `Computer Science and Control' of Russian Academy of Sciences（俄罗斯科学院计算机科学与控制联邦研究中心）
近年来，分布式语义模型在词汇语义建模方面取得了一定的成功。然而，科学界仍然不知道什么是这些模型最可靠的评估方法。一些研究人员认为，唯一可能的黄金标准可以从存储人类认知信息的神经认知资源中获得。这些资源之一是关于无声阅读的眼动数据。这项工作的目标是测试的假设，这些数据是否可以用来评估不同语言的分布语义模型。我们提出了英语和俄语眼动数据集（Provo语料库，GECO和俄语句子语料库），词向量（在国家语料库和Web语料库上训练的Skip-Gram模型）和由人类评估的俄语和英语的词相似度数据集的实验，以找到嵌入和眼动数据之间的相关性，并测试这种相关性是语言独立的假设。因此，我们发现，被测试的假设的有效性可能会受到质疑。
2018-04-23 cs.CL
Clustering Comparable Corpora of Russian and Ukrainian Academic Texts: Word Embeddings and Semantic Fingerprints
University of Oslo（奥斯陆大学）；University of Helsinki（赫尔辛基大学）；National Research University Higher School of Economics（国立研究型大学高等经济学院）
我们提出了我们的经验，在应用分布式语义（神经词嵌入）的问题，表示和聚类文件中的双语可比语料库。我们的数据是俄罗斯和乌克兰学术文本的集合，其主题是他们的学术领域。为了建立这些文档的独立于语言的语义表示，我们在单语语料库上训练神经分布模型，并学习从一种语言到另一种语言的向量的最佳线性变换。由此产生的矢量，然后用来产生“语义指纹”的文件，作为输入到聚类算法。所提出的方法进行了比较，包括“正交翻译”与Levenshtein编辑距离的几个基线，并优于他们的一个很大的保证金。我们还表明，语言独立的“语义指纹”优于多语言聚类算法在以前的工作中提出的，在同一时间需要较少的语言资源。
2016-04-18 cs.CL
100,000+ Movie Reviews from Kazakhstan: Russian, Kazakh, and Code-Switched Texts
Independent Researcher（独立研究员）；Astana, Kazakhstan（哈萨克斯坦阿斯塔纳）
本文介绍了一个包含10万5千多部哈萨克斯坦电影评论的公开语料库，涵盖俄语、哈萨克语和混合语言文本，通过手动标注语言和情感极性，并提供用户评分，评估了多语言Transformer模型在情感分类任务中的表现。
2026-05-12 cs.CL
SinhaLegal: A Benchmark Corpus for Information Extraction and Analysis in Sinhala Legislative Texts
School of Computing, Informatics Institute of Technology（计算学院，信息学院技术研究所）；Department of Computer Science & Engineering, University of Moratuwa（计算机科学与工程系，莫图瓦大学）
SinhaLegal 语料库为僧伽罗语立法文本的信息提取与分析提供了高质量的基准数据，通过OCR和后处理确保内容质量，并通过多项评估验证其领域特定性。
2026-03-05 cs.CL
CLSE: Corpus of Linguistically Significant Entities
Google（谷歌）；Predibase
针对NLG中命名实体处理导致的语法错误问题，构建了涵盖34种语言、74种语义类型的语言学显著实体语料库CLSE，并基于其生成SGD-CLSE基准，在法语、马拉地语和俄语上评估了神经、模板及混合NLG系统的质量基线。
2023-08-30 cs.CL
RUSSE'2020: Findings of the First Taxonomy Enrichment Task for the Russian language
Skolkovo Institute of Science and Technology (Skoltech)（斯科尔科沃科学技术学院（Skoltech））；Lomonosov Moscow State University（罗蒙诺索夫莫斯科国立大学）
本文介绍了第一个共享任务的结果分类丰富的俄语。参与者被要求用以前看不见的词扩展现有的分类法：对于每个新词，他们的系统应该提供一个可能的（候选的）上位词的排名列表。与之前的其他语言的任务相比，我们的比赛有一个更现实的任务设置：提供没有定义的新词。相反，我们提供了这些新术语出现的文本语料库。对于此次评估活动，我们基于未发布的RuWordNet数据开发了一个新的评估数据集。共享任务具有两个轨道：“名词”和“动词”。16个团队参与了这项任务，展示了高成果，其中一半以上的团队表现优于提供的基线。
2020-05-22 cs.AI cs.CL
Open Subtitles Paraphrase Corpus for Six Languages
University of Helsinki（赫尔辛基大学）
本文伴随着Opusparcus的发布，Opusparcus是一个新的释义语料库，适用于六种欧洲语言：德语，英语，芬兰语，法语，俄语和瑞典语。语料库由释义组成，即同一语言中的成对句子，意思大致相同。这些释义是从OpenSubtitles 2016语料库中提取的，其中包含电影和电视节目的字幕。例如，从计算机辅助语言学习的角度来看，字幕中出现的非正式和口语化的体裁使这些数据成为非常有趣的语言资源。对于每一种目标语言，Opusparcus数据被划分为三种类型的数据集：训练集、开发集和测试集。训练集很大，由数百万个句子对组成，并且在概率排名函数的帮助下自动编译。开发和测试集由已经手动检查的句子对组成;每个集合包含大约1000个句子对，这些句子对已经被两个注释者验证为可接受的释义。
2018-09-17 cs.CL
Milimili. Collecting Parallel Data via Crowdsourcing
本研究提出一种通过众包收集平行语料的低成本方法，虽质量不及专业翻译，并公开了车臣语-俄语、富拉语-英语的实验平行数据集。
2023-07-23 cs.CL
RUSSE'2018: A Shared Task on Word Sense Induction for the Russian Language
University of Hamburg（汉堡大学）；National Research University Higher School of Economics（国立研究型大学高等经济学院）；The Vinogradov Institute of the Russian Language, Russian Academy of Sciences（俄罗斯科学院维诺格拉多夫俄语研究所）；University of Mannheim（曼海姆大学）；Krasovskii Institute of Mathematics and Mechanics（克拉索夫斯基数学与力学研究所）；Scrapinghub（Scrapinghub公司）；Lomonosov Moscow State University（罗蒙诺索夫莫斯科国立大学）；Samsung Moscow Research Center（三星莫斯科研究中心）；ABBYY（ABBYY公司）
本文介绍了第一个共享任务的结果对词义归纳（WSI）的俄语。虽然类似的共享任务在过去进行了一些罗曼语和日耳曼语，我们探讨的性能的感觉归纳和消歧方法的斯拉夫语，共享许多功能与其他斯拉夫语言，如丰富的形态和几乎自由的词序。参与者被要求根据事先没有提供的含义对给定单词的上下文进行分组。例如，给定单词“bank”和该单词的一组上下文，例如“bank is a financial institution that accepts deposit”和“river bank is a slope beside a body of water”，参与者被要求将这些上下文聚类到预先未知数量的聚类中，在这种情况下，这些聚类对应于单词“bank”的“company”和“area”含义。为了这个评估活动的目的，我们开发了三个新的评估数据集的基础上的感觉库存，具有不同的感觉粒度。这些数据集中的上下文是从维基百科、俄语学术语料库和俄语解释性词典中抽取的。共有18支队伍参加了比赛，提交了383个模型。多个团队成功地大幅超越了前几年基于感觉嵌入的竞争性最先进的基线。
2018-06-09 cs.CL
MaSS: A Large and Clean Multilingual Corpus of Sentence-aligned Spoken Utterances Extracted from the Bible
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）；LIDILEM（语言、数字、管理、教育与多语制实验室）
CMU Wilderness Multilingual Speech Dataset（Black，2019）是一个新发布的多语言语音数据集，基于新约的记录阅读。它提供的数据可以为潜在的700种语言构建自动语音识别（ASR）和文本到语音（TTS）模型。然而，由于所有语言的源内容（圣经）都是相同的这一事实，迄今为止还没有得到充分利用，因此本文提出在不同语言的语音片段之间添加多语言链接，并共享了一个包含8种语言（56种语言对）的8，130个平行口语的大而干净的数据集。我们将这个语料库命名为MaSS（多语言句子对齐口语语料库）。所涵盖的语言（巴斯克语，英语，芬兰语，法语，匈牙利语，罗马尼亚语，俄语和西班牙语）允许研究语音到语音对齐以及类型不同的语言对的翻译。最终语料库的质量是通过对语料库子集（100个话语，8个语言对）进行的人类评价来证明的。最后，我们展示了最终产品的实用性双语语音检索任务。
2020-02-26 cs.CL
Automatically Ranked Russian Paraphrase Corpus for Text Generation
Saint Petersburg State University（圣彼得堡国立大学）；CraftTalk
本文主要研究俄语释义生成大型语料库的自动开发和排序问题，这是俄语计算语言学中第一个此类语料库。现有的俄语人工标注释义数据集仅限于小型的ParaPhraser语料库和ParaPlag，适用于一组NLP任务，如释义和剽窃检测，句子相似性和相关性估计等，由于大小限制，这些数据集很难应用于端到端的文本生成解决方案。同时，释义生成需要大量的训练数据。在我们的研究中，我们提出了一个解决问题的方法：我们收集，排名和评估一个新的公开可用的标题释义语料库（ParaPhraser Plus），然后进行文本生成实验与人工评估自动排名语料库使用通用Transformer架构。
2020-06-17 cs.CL
Mapping Languages: The Corpus of Global Language Use
University of Canterbury（坎特伯雷大学）
本文描述了一个基于网络的全球语言使用语料库，重点是如何使用该语料库进行数据驱动的语言映射。首先，语料库提供了使用主要语言的国家变体的表示（例如，英语、阿拉伯语、俄语），以及每种品种的一致收集数据。其次，本文评估了一种语言识别模型，该模型支持更多的本地语言，样本量小于其他现成的模型。改进语言识别对于超越多数语言至关重要。鉴于对语言映射的关注，本文分析了这种数字语言数据如何通过以下方式代表实际人口：（i）系统地比较语料库与人口统计学地面实况数据，以及（ii）将语料库与另一个基于Twitter的数据集进行三角测量。总的来说，语料库包含4230亿个单词，代表148种语言（每种语言超过100万个单词）和158个国家（每个国家也超过100万个单词），所有这些都来自Common Crawl网络数据。本文的主要贡献，除了描述这个公开可用的语料库，是提供一个全面的分析数字数据的两个来源（网络和Twitter）之间的关系，以及它们与底层人群的连接。
2020-04-02 cs.CL
BLAD: A Historically Contextualized, Multilingual Dataset of Bangladeshi Legal Acts (1799 to 2025)
Islamic University of Technology（伊斯兰科技大学）；Systems and Software Lab (SSL)（系统与软件实验室）
介绍孟加拉国法律法案数据集BLAD，它包含1799年至2025年的1484项法案，涵盖多语言文档，解决南亚低资源民法管辖区法律NLP资源缺口，描述获取流程等，推动相关研究，数据集公开。
2026-07-21 cs.CL
LLMTrace: A Corpus for Classification and Fine-Grained Localization of AI-Written Text
Department of R&D, SALUTEDEV LLC（研发部，SALUTEDEV LLC）
针对AI文本检测领域缺乏合适训练数据的问题，本文构建了双语语料库LLMTrace，支持全文二元分类与AI生成区间检测，可用于训练评估更精细的AI检测模型。
2026-08-27 cs.CL
The Russian Drug Reaction Corpus and Neural Models for Drug Reactions and Effectiveness Detection in User Reviews
Kazan Federal University（喀山联邦大学）；Steklov Institute of Mathematics at St. Petersburg（圣彼得堡斯捷克洛夫数学研究所）
本文构建了俄语药物反应部分标注语料库RuDReC，并提出基于RuDR-BERT的基线模型用于命名实体识别与多标签句子分类，在两项任务上均取得优于基线的F1分数，且已开源语料库与模型权重。
2020-04-07 cs.CL
Domain adaptation of Russian ModernBERT for long legal documents
Independent Researcher（独立研究者）；National Research Nuclear University MEPhI（国立核研究大学 MEPhI）；Moscow Center for Advanced Studies（莫斯科高级研究中心）；University of Waterloo（滑铁卢大学）
本研究通过继续预训练构建俄语法律领域模型RuModernBERT-ruLaw，在长法律文档上降低掩码词元预测损失，但实体抽取评估受数据重叠限制，迁移证据有限。
2026-10-06 cs.CL
Gibberish Semantics: How Good is Russian Twitter in Word Semantic Similarity Task?
SpazioDati S.r.l（SpazioDati 有限公司）
研究最多和最成功的语言模型主要是为英语和其他接近欧洲的语言，如法语，德语等开发和评估。重要的是要研究这些模型的适用性，以其他语言。最近研究了多个语料库（如Wikipedia，RuWac，lib.ru）中俄语向量空间模型的使用。这些模型进行了评价，对词的语义相似性任务。据我们所知，Twitter并没有被认为是这项任务的语料库，这项工作填补了这一空白。在Twitter语料库上训练的向量的结果与其他单语料库训练模型的准确性相当，尽管目前最好的性能是通过组合多个语料库来实现的。
2016-02-28 cs.CL
A Komi-Yazva--Russian Parallel Corpus and Evaluation Protocol for Zero- and Few-Shot LLM Translation
HSE University, Perm, Russia（俄罗斯彼尔姆国立经济大学）；School of Management SKOLKOVO, Moscow, Russia（莫斯科SKOLKOVO管理学院）
构建首个科米-亚兹瓦语-俄语平行语料库，并提出显式评估协议，研究大语言模型在极度低资源濒危语言翻译中的零样本和检索增强少样本性能。
2026-06-04 cs.CL
A Corpus of Persuasion Techniques in Slavic Languages
Institute of Computer Science, Polish Academy of Science（波兰科学院计算机科学研究所）；Sofia University "St. Kliment Ohridski"（索菲亚大学圣克莱门特·奥赫里德斯基分校）；University of Koblenz（科布伦茨大学）；Visa Technology Europe（维萨欧洲技术公司）；CodeNLP（代码自然语言处理公司）；University of Padua（帕多瓦大学）；University of Helsinki（赫尔辛基大学）
本文聚焦斯拉夫语构建说服技巧语料库，涵盖三国语言、约7500个文本跨度及25种细粒度技巧。描述创建过程并统计，研究话题与技巧相关性，还用多种模型提供检测和分类的基线及基准结果。
2026-07-14 cs.AI cs.CL
A Language Model for Grammatical Error Correction in L2 Russian
HSE University（高等经济大学）
本文针对现有俄语拼写检查器难以处理第二语言写作错误的问题，提出一种基于俄罗斯国家语料库报纸子语料库训练的语言模型流水线，并在RULEC-GEC语料库上验证其纠错质量。
2023-07-04 cs.CL
So What's the Plan? Mining Strategic Planning Documents
National Research University Higher School of Economics（俄罗斯国家研究型高等经济大学）；Novosibirsk State University（新西伯利亚国立大学）；A.P. Ershov Institute of Informatics Systems SB RAS（俄罗斯科学院西伯利亚分院A.P.埃尔肖夫信息系统研究所）；Kazan Federal University（喀山联邦大学）；ABBYY（ABBYY公司）；Moscow Institute of Physics and Technology（莫斯科物理技术学院）；Innopolis University（因诺波利斯大学）
在本文中，我们提出了一个语料库的俄罗斯战略规划文件，RuREBus。该项目从语言技术和电子政务的角度出发。不仅新的语言资源和工具正在开发中，而且它们在电子政务研究中的应用也在不断发展。我们展示了从头开始创建文本语料库的管道。首先，设计了标注模式。接下来的文本使用人在回路策略进行标记，以便从机器学习模型中导出初步注释并手动校正。注释文本的数量足够大，可以展示从RuREBus中可以获得哪些见解。
2020-07-07 cs.CL
Bridging Scientific Heritage: An Arabic--Russian Parallel Corpus and LLM Benchmark for Sustainable Knowledge Transfer
Kazan Federal University（喀山联邦大学）
为解决阿拉伯语和俄语科学交流的语言障碍，构建了约2.7万句对的混合平行语料库，微调mT5、NLLB和Qwen2.5-7B模型，Qwen2.5-7B+QLoRA达到BLEU 23.15，推动跨语言知识转移与可持续发展。
2026-09-15 cs.CL
The Algorithmic Inflection of Russian and Generation of Grammatically Correct Text
Plekhanov Russian University（普列汉诺夫俄罗斯大学）
我们提出了一个确定性的算法，俄罗斯的变化。该算法在公开可用的网络服务www.passare.ru中实现，该网络服务提供单个单词的变形、单词匹配和语法正确的俄语文本的合成的功能。在俄语OpenCorpora注释语料库上对屈折功能进行了测试。
2017-06-08 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
An analysis of full-size Russian complexly NER labelled corpus of Internet user reviews on the drugs based on deep learning and language neural nets
NRC "Kurchatov institute"（国家研究中心“库尔恰托夫研究所”）；MEPhI National Research Nuclear University（莫斯科工程物理学院国家核研究大学）；I.M. Sechenov First Moscow State Medical University (Sechenov University)（谢切诺夫第一莫斯科国立医科大学（谢切诺夫大学））
我们提出了全尺寸的俄罗斯复杂的NER标记的互联网用户评论语料库，以及通过一组先进的深度学习神经网络从俄罗斯文本中提取有意义的实体在此语料库上达到的准确性水平的评估。语料库注释包括以下实体的提及：药物（33005提及），药物不良反应（1778），疾病（17403）和注释（4490）。其中两个-药物和疾病-组成了一组属性。部分语料库在300篇文献中有共指标注1560条共指链。提出了一种基于语言模型和特征集的多标注模型，适用于现有语料标注。不同的修改模型的选择的影响：词向量表示，类型的语言模型预先训练的俄罗斯，文本规范化风格，和其他初步处理进行了分析。我们的语料库的足够大小允许研究语料库标记和平衡语料库中的实体的特殊性的影响。因此，俄罗斯的药理实体提取问题的最新技术水平是建立在一个全尺寸的标记语料库。在药物不良反应（ADR）识别的情况下，F1精确度量为61.1，正如我们的分析所示，与具有类似特征的其他语言语料库和ADR代表的准确性水平相当。共指关系抽取在该语料库上的基线准确率为71，高于在其他俄语语料库上的结果。
2021-04-30 cs.AI cs.CL cs.LG
Constructing Parallel Multidimensional Chromatic Lexicons for Corpus-Assisted Analysis of Russian and English Texts
本文针对文学文本色彩术语语料库分析工具匮乏的问题，构建含俄语224条、英语141条的多维色彩词典，经试点研究发现别雷诗歌语料库色彩术语出现频率为狄金森语料库的3.4倍，提供了透明可复用的多语言色彩词典构建应用流程。
2026-08-04 cs.CL
Traditional Machine Learning and Deep Learning Models for Argumentation Mining in Russian Texts
Vyatka State University（维亚特卡国立大学）；ITMO University（ITMO大学）
论证挖掘是计算语言学的一个领域，致力于从文本中提取并分类论证及其之间的关系，以及构建论证结构。俄语在这一领域的研究的一个重大障碍是缺乏注释的俄语文本语料库。本文探讨了在说服性论文语料库（Argessays）的机器翻译基础上，扩展俄语版论证性微文本语料库（ArgMicro），提高论证挖掘质量的可能性。为了使这两个语料库结合使用成为可能，我们提出了一个联合论点注释方案的基础上使用的方案ArgMicro和EQUIPMENT论文。我们使用传统的机器学习技术（SVM、Bagging和XGBoost）和深度神经网络（BERT模型）解决了将论证性话语单元（ADU）分为两类-“pro”（“for”）和“opp”（“against”）的问题。提出了XGBoost和BERT模型的集成，该集成对两个语料库的ADU分类性能最高。
2021-06-28 cs.CL
LEMUR: A Corpus for Robust Fine-Tuning of Multilingual Law Embedding Models for Retrieval
Hub of Computing and Data Science (HCDS) University of Hamburg（计算与数据科学中心（HCDS）乌姆斯大学）
LEMUR通过构建多语言法律语料库并微调嵌入模型，提升了多语言法律检索的鲁棒性和准确性，尤其在低资源语言中表现显著。
2026-02-10 cs.AI cs.CL cs.IR
NEREL-BIO: A Dataset of Biomedical Abstracts Annotated with Nested Named Entities
Lomonosov Moscow State University（莫斯科罗蒙诺索夫国立大学）；Madan Bhandari University of Science and Technology（马丹·班达里科技大学）；Ural Federal University（乌拉尔联邦大学）；HSE University（高等经济大学）；Innopolis University（因诺波利斯大学）；A.P. Ershov Institute of Informatics Systems（A.P. 埃尔绍夫信息学系统研究所）；Artificial Intelligence Research Institute（人工智能研究所）；Sber AI
本文提出 NEREL-BIO 数据集，通过扩展 NEREL 引入嵌套命名实体标注，支持跨领域与跨语言迁移实验，并评估了 transformer 与 MRC 模型的性能。
2022-10-21 cs.CL cs.LG
RuSentNE-2023: Evaluating Entity-Oriented Sentiment Analysis on Russian News Texts
Lomonosov Moscow State University（莫斯科罗蒙诺索夫国立大学）
本文介绍RuSentNE-2023评测，基于RuSentNE俄语新闻语料库评估句子级命名实体情感分析，最佳系统宏F值达66%，并验证ChatGPT零样本性能可达60%，相当于第4名。
2023-05-28 cs.CL
Automatic Summarization of Russian Texts: Comparison of Extractive and Abstractive Methods
Vyatka State University（维亚特卡国立大学）
GPT-3、T5、Switch Transformer、ERNIE等大型、大语言模型的开发，显著提高了文本生成的性能。这一领域的一个重要研究方向是带论元的语篇生成。这个问题的解决方案可以用于商务会议、政治辩论、对话系统、学生论文的准备。这些应用的主要领域之一是经济领域。俄语论证文本生成的关键问题是缺乏标注的论证语料库。在本文中，我们使用的翻译版本的议论文，说服性的文章和UKP句子语料库微调RuBERT模型。最后，利用该模型对经济新闻语料进行了论证性标注。然后利用标注的语料库对ruGPT-3模型进行微调，生成论元文本。结果表明，与原始ruGPT-3模型相比，这种方法将参数生成的准确性提高了20个百分点（63.2%对42.5%）。
2022-06-18 cs.CL
Sentiment Index of the Russian Speaking Facebook
Universite catholique de Louvain（鲁汶天主教大学）；Digital Society Laboratory LLC（数字社会实验室有限责任公司）
情绪指数衡量语料库中的平均情绪水平。我们引入了四个这样的指数，并使用它们来衡量平均“积极”的人口在一段时间内的基础上在社交网络中的职位。这篇文章首次提出了一个基于文本而不是基于单词的情感指数。此外，这项研究首次对俄语Facebook的情绪指数进行了大规模研究。我们的结果是一致的，与以前的实验英语。
2018-08-23 cs.CL
RuBioRoBERTa: a pre-trained biomedical language model for Russian language biomedical text mining
Sberbank Artificial Intelligence Laboratory（俄罗斯联邦储蓄银行人工智能实验室）
本文介绍了几种基于BERT的俄语生物医学文本挖掘模型（RuBioBERT，RuBioRoBERTA）。这些模型是在俄罗斯生物医学领域免费提供的文本语料库上进行预训练的。通过这种预训练，我们的模型在RuMedBench -俄罗斯医学语言理解基准测试中展示了最先进的结果，该测试涵盖了多种任务，包括文本分类、问答、自然语言推理和命名实体识别。
2022-04-08 cs.AI cs.CL
Russian Texts Detoxification with Levenshtein Editing
Moscow Institute of Physics and Technology（莫斯科物理技术学院）
文本解毒是一项风格转换任务，即创建有毒文本的中性版本。在本文中，我们使用文本编辑的概念，建立了一个两步标记的解毒模型，使用俄语文本的平行语料库。通过这个模型，我们在RUSSE Detox共享任务中实现了所有模型中最好的风格转换准确性，超过了更大的序列到序列模型。
2022-06-08 cs.CL cs.LG
Corpus-Based Approaches to Igbo Diacritic Restoration
The University of Sheffield（谢菲尔德大学）
本研究提出基于语料库的伊戈语重标点恢复方法，通过三种模型开发灵活的数据集生成框架，以解决低资源语言的重标点恢复问题。
2026-01-26 cs.CL cs.CY cs.IR
Entity Recognition and Relation Extraction from Scientific and Technical Texts in Russian
A.P. Ershov Institute of Informatics Systems SB RAS（俄罗斯科学院西伯利亚分院A.P.叶尔绍夫信息系统研究所）；Novosibirsk State University（新西伯利亚国立大学）
本文主要研究信息技术类科技文本的信息抽取（实体识别和关系分类）方法。科学出版物为尖端科学进步提供了宝贵的信息，但有效处理越来越多的数据是一项耗时的任务。在本文中，提出了几个修改的方法，俄语。它还包括比较关键词提取方法、词汇方法和基于神经网络的一些方法的实验结果。这些任务的文本集以英文形式存在，并被科学界积极使用，但目前，俄文的此类数据集尚未公开。在本文中，我们提出了一个语料库的科学文本在俄罗斯，RuSERRC。该数据集由1600个未标记的文档和80个标记有实体和语义关系（考虑了6种关系类型）的文档组成。数据集和模型可在https://github.com/iis-research-team上获得。我们希望它们能对信息抽取系统的研究和开发有所帮助。
2020-12-26 cs.CL
A big data approach towards sarcasm detection in Russian
Plekhanov Russian University of Economics（俄罗斯普列汉诺夫经济大学）
本文提出俄语词形变化与文本合成的确定性算法，并通过公开 web 服务实现，依托 OpenCorpora 评估其性能及俄语词类形态复杂性。
2023-06-01 cs.AI cs.CL
DaNetQA: a yes/no Question Answering Dataset for the Russian Language
National Research University Higher School of Economics（国立研究型大学高等经济学院）；Sberbank（俄罗斯联邦储蓄银行）
本文构建俄语是/否问答数据集 DaNetQA，给出可复现的构建流程，并通过 Paraphraser、XNLI 俄语部分和 SberQUAD 的任务迁移，以及英译俄翻译与多语言微调的语言迁移来评估模型效果。
2020-10-15 cs.CL cs.IR
Algorithms For Automatic Accentuation And Transcription Of Russian Texts In Speech Recognition Systems
Novosibirsk State University（新西伯利亚国立大学）
本研究提出一种面向语音识别任务的俄语文本自动重音标注与音素转写系统，结合词典、语料、RNN形态信息与专著规则实现，开源工具包训练的CMU Sphinx声学模型交叉验证词准确率达71.2%。
2024-10-03 cs.CL
Collocation2Text: Controllable Text Generation from Guide Phrases in Russian
Vyatka State University（维亚特卡国立大学）
大型预训练的语言模型能够生成各种流畅的文本。从提示开始，这些模型产生了一种可以不可预测地发展的叙事。现有的可控文本生成方法，即引导文本中的叙事在用户指定的方向，需要创建一个训练语料库和一个额外的耗时的训练过程。本文提出并研究了Collocation 2 Text，即插即用的自动可控文本生成方法在俄罗斯，它不需要微调。该方法是基于两个相互作用的模型：自回归语言ruGPT-3模型和自动编码语言ruRoBERTa模型。该方法的思想是根据自编码模型的输出分布来移动自回归模型的输出分布，以确保文本中的叙述向引导短语的连贯过渡，引导短语可以包含单个单词或搭配。自动编码模型能够考虑令牌的左上下文和右上下文，“告诉”自回归模型哪些令牌在当前生成步骤中是最合乎逻辑的和最不合乎逻辑的，从而增加或减少相应令牌的概率。使用该方法生成新闻文章的实验表明，它的有效性自动生成流畅的文本，其中包含用户指定的短语之间的连贯过渡。
2022-06-18 cs.CL
Negation Detection for Clinical Text Mining in Russian
ITMO University（ITMO大学）
在医学中开发预测建模需要来自非结构化临床文本的额外特征。在俄罗斯，没有自然语言处理的工具来处理医疗记录的问题。本文研究的是一个否定检测模块。无语料库机器学习方法是基于梯度提升分类器，用于检测一种疾病是否被否认，没有提到或在文本中提出。检测器对五种疾病的否定进行分类，并显示平均F分数从0.81到0.93。否定检测的益处已经通过预测急性冠状动脉综合征患者的手术存在而得到证实。
2020-04-10 cs.CL cs.LG
Multilingual Coreference Resolution with Harmonized Annotations
University of West Bohemia（西波希米亚大学）
在本文中，我们提出了共指消解实验与一个新创建的多语种语料库CorefUD。我们专注于以下语言：捷克语，俄语，波兰语，德语，西班牙语和加泰罗尼亚语。除了单语实验之外，我们还结合了多语言实验中的训练数据，并训练了两个联合模型-斯拉夫语言和所有语言。我们依赖于一个端到端的深度学习模型，我们稍微适应了CorefUD语料库。我们的研究结果表明，我们可以从协调的注释中受益，并且使用联合模型对具有较小训练数据的语言有很大帮助。
2021-09-03 cs.CL
The first neural machine translation system for the Erzya language
Skolkovo Institute of Science and Technology (Skoltech)（斯科尔科沃科学技术研究院（Skoltech））；Meta AI
我们提出了第一个神经机器翻译系统，用于濒危的Erzya语和俄语之间的翻译，以及我们收集的数据集进行训练和评估。BLEU分数分别为17和19，翻译成Erzya语和俄语，超过一半的翻译被母语人士评为可接受。我们还调整了我们的模型，以在Erzya和其他10种语言之间进行翻译，但如果没有额外的并行数据，这些方向的质量仍然很低。我们发布了翻译模型以及收集的文本语料库、新的语言识别模型和适用于Erzya语言的多语言句子编码器。这些资源将在https://github.com/slone-nlp/myv-nmt上提供。
2022-09-19 cs.CL
