ترجمه فارسی مقاله بررسی استراتژی های متعدد برای بهبود وضوح چند زبانه Coreference در CorefUD

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Exploring Multiple Strategies to Improve Multilingual Coreference Resolution in CorefUD
عنوان مقاله به فارسی بررسی استراتژی های متعدد برای بهبود وضوح چند زبانه Coreference در CorefUD
نویسندگان Ondřej Pražák, Miloslav Konopík
فرمت مقاله انگلیسی PDF
تعداد صفحات 20
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Computation and Language,Machine Learning,محاسبه و زبان , یادگیری ماشین ,
توضیحات Submitted 29 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده 29 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Coreference resolution, the task of identifying expressions in text that refer to the same entity, is a critical component in various natural language processing (NLP) applications. This paper presents our end-to-end neural coreference resolution system, utilizing the CorefUD 1.1 dataset, which spans 17 datasets across 12 languages. We first establish strong baseline models, including monolingual and cross-lingual variations, and then propose several extensions to enhance performance across diverse linguistic contexts. These extensions include cross-lingual training, incorporation of syntactic information, a Span2Head model for optimized headword prediction, and advanced singleton modeling. We also experiment with headword span representation and long-documents modeling through overlapping segments. The proposed extensions, particularly the heads-only approach, singleton modeling, and long document prediction significantly improve performance across most datasets. We also perform zero-shot cross-lingual experiments, highlighting the potential and limitations of cross-lingual transfer in coreference resolution. Our findings contribute to the development of robust and scalable coreference systems for multilingual coreference resolution. Finally, we evaluate our model on CorefUD 1.1 test set and surpass the best model from CRAC 2023 shared task of a comparable size by a large margin. Our nodel is available on GitHub: \url{https://github.com/ondfa/coref-multiling}

چکیده به فارسی (ترجمه ماشینی)

وضوح هسته ، وظیفه شناسایی عبارات در متن که به همان موجودیت اشاره دارد ، یک مؤلفه مهم در برنامه های مختلف پردازش زبان طبیعی (NLP) است.در این مقاله ، سیستم وضوح هسته ای عصبی نهایی ما ، با استفاده از مجموعه داده CoreFUD 1.1 ، که 17 مجموعه داده در 12 زبان است ، ارائه می دهد.ما ابتدا مدلهای پایه قوی را ایجاد می کنیم ، از جمله تغییرات یک زبانه و متقابل زبانی ، و سپس چندین پسوند را برای افزایش عملکرد در زمینه های متنوع زبانی پیشنهاد می کنیم.این برنامه های افزودنی شامل آموزش متقابل زبانی ، ترکیب اطلاعات نحوی ، یک مدل Span2head برای پیش بینی بهینه شده با کلید و مدل سازی پیشرفته Singleton است.ما همچنین با نمایندگی دهانه کلمه و مدل سازی مدلهای طولانی از طریق بخش های همپوشانی آزمایش می کنیم.پسوندهای پیشنهادی ، به ویژه رویکرد فقط سران ، مدل سازی تک و پیش بینی اسناد طولانی عملکرد را به طور قابل توجهی عملکرد در اکثر مجموعه داده ها بهبود می بخشد.ما همچنین آزمایش های متقاطع صفر را انجام می دهیم ، و پتانسیل و محدودیت های انتقال متقابل زبانی را در وضوح هسته برجسته می کنیم.یافته های ما به توسعه سیستم های هسته ای قوی و مقیاس پذیر برای وضوح هسته چند زبانه کمک می کند.سرانجام ، ما مدل خود را در مجموعه آزمون Corefud 1.1 ارزیابی می کنیم و از بهترین مدل از CRAC 2023 کار مشترک با اندازه قابل مقایسه با یک حاشیه بزرگ پیشی می گیریم.گره ما در GitHub موجود است: \ url {https://github.com/ondfa/coref-multiling}

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.