arXiv cs.CL· Usman Nawaz, Muhammad Junaid Iqbal, Muhammad Asaf, Mariam Munsif Mir, Faisal Rehman, Tahir Alyas, Muhammad Hasnain·· 3 天前AI 评分12
面向低资源 Saraiki 的神经 POS 标注
Neural POS Tagging for the Low-Resource Saraiki
AI 导读
研究者构建了首个手工标注的 Saraiki 通用 POS 标注数据集，从纯文本标注 17 个 POS 类别，并在相同微调设置下评测 XLM-RoBERTa base、Urdu RoBERTa small 和 multilingual DistilBERT 三种预训练 Transformer 编码器。
正文 · AI 翻译
摘要：词性标注是一项基础的序列标注任务，也是许多下游自然语言处理应用的重要组成部分。然而，萨拉基语（Saraiki）虽然根据巴基斯坦2023年第七次人口与住房普查，有28,849,579人（约2890万）以其为母语，但作为一种用波斯-阿拉伯字母从右向左书写的印度-雅利安语言，它仍然是一种资源匮乏的语言。本文提出了一个从纯文本开发的人工标注萨拉基语通用词性（UPOS）标注数据集。我们用17个词性类别对文本进行了标注。我们在相同的微调设置下评估了三个预训练Transformer编码器：XLM-RoBERTa base、Urdu RoBERTa small和多语言DistilBERT。在五个随机种子上的实验结果表明，XLM-RoBERTa base取得了最佳性能，开发集准确率为87.29% +/- 0.21%，测试集准确率为88.60% +/- 0.21%。Urdu RoBERTa small和多语言DistilBERT也提供了有竞争力的结果，表明多语言和相关文字预训练编码器对萨拉基语UPOS标注是有效的。本工作引入的数据集、评估设置和基线结果为未来萨拉基语NLP和低资源序列标注研究提供了基准。
| 评论： | 已被ICALP 2026接收发表 |
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2610.20279 [cs.CL] |
| （或 arXiv:2610.20279v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.20279 arXiv颁发的DOI，通过DataCite（待注册） |
提交历史
来自：Usman Nawaz [查看电子邮件]
[v1]
2026年10月14日星期三 14:38:17 UTC（16 KB）
来源：arXiv cs.CL · arxiv.org