Noise-Robust Morphological Disambiguation for Dialectal ArabicArabic

Nasser Zalmout; Alexander Erdmann; Nizar Habash

doi:10.18653/v1/N18-1087

Noise-Robust Morphological Disambiguation for Dialectal ArabicArabic Name Name dictionary for Dialate Arabic Ngucap-Rebunt, Ngucap-Cobunt Name Name Kushindwa kwa Kiarabu Language

Nasser Zalmout, Alexander Erdmann, Nizar Habash

Abstract

User-generated text tends to be noisy with many lexical and orthographic inconsistencies, making natural language processing (NLP) tasks more challenging. The challenging nature of noisy text processing is exacerbated for dialectal content, where in addition to spelling and lexical differences, dialectal text is characterized with morpho-syntactic and phonetic variations. These issues increase sparsity in NLP models and reduce accuracy. We present a neural morphological tagging and disambiguation model for Egyptian Arabic, with various extensions to handle noisy and inconsistent content. Our models achieve about 5 % relative error reduction (1.1 % absolute improvement) for full morphological analysis, and around 22 % relative error reduction (1.8 % absolute improvement) for part-of-speech tagging, over a state-of-the-art baseline.

Abstract

Gebruiker genereerde teks is tendens om geluid te wees met baie leksiese en ortografiese inkonsistensies, maak natuurlike taal verwerking (NLP) opdragte meer moeilik. Die uitgelykende natuur van geluid teks-prosessering is uitgelyk vir dialektiese inhoud, waar in addition tot speletjie en leksiese verskil, is dialektiese teks karakteriseer met morpho-sintaksies en fonetiese variasies. Hierdie probleme verhoog sparsiteit in NLP-modele en redder presisiteit. Ons stel 'n neurale morfologiese merking en ontsammingmodel vir Egipte Arabiese, met verskeie uitbreidings om ruis en inkonsistente inhoud te hanteer. Ons modelles bereik omtrent 5% relatiewe fout reduksie (1.1% absolute verbetering) vir volledige morfologiese analisie, en omtrent 22% relatiewe fout reduksie (1.8% absolute verbetering) vir deel-van-spreek merking, oor 'n staat-van-die-kuns basisline.

Abstract

የተጠቃሚ የጽሑፍ ጽሑፍ ብዙዎች የሊክሲና እና የኦሮግራፊ ስህተት እና የፍጥረት ቋንቋ ማቀናቀል (NLP) በሚያሳየው ድምፅ ይደረጋል፡፡ የድምፅ ጽሑፍ ማቀናቀል ጥያቄ ለዳሌካል ትክክል እና ለሌክሲካዊ ልዩነት በቀር፣ የዲያሌክቲል ጽሑፍ በሞፎ-syntactic እና ፎንቲክ መለወጥ የተለየ ነው፡፡ እነዚህ ጉዳዮች የNLP ዓይነቶች ቁጥጥር ያበዛሉ እናም እርግጠኝነትን ያጎድላሉ፡፡ የአብሪኛ አረቢያ የደቡብ የሞሮፎሎጂ ማተሚያ እና የግንኙነትን ለመቀበል የግብፅ አረብኛ ሞዴል እናቀርባለን፡፡ ሞዴሎቻችን የስህተት ማሳየት 5 በመቶ ያነሳሉ (1.1 በመቶ ሙሉ ሞሮፎሎጂ አካባቢ) እና 22 በመቶ የስህተት ማሳሰል (1.8 በመቶ ትክክለኛ ክፍል) ለንግግር ማሳየት በአካባቢው ብሔራዊ መሳሪያ ማሳያ ነው፡፡

Abstract

يميل النص الذي تم إنشاؤه بواسطة المستخدم إلى أن يكون مزعجًا مع العديد من التناقضات المعجمية والإملائية ، مما يجعل مهام معالجة اللغة الطبيعية (NLP) أكثر صعوبة. تتفاقم الطبيعة الصعبة لمعالجة النص الصاخب بالنسبة للمحتوى الديالكتيكي ، حيث بالإضافة إلى الاختلافات الإملائية والمعجمية ، يتميز النص الديالكتيك بالتنوع الصرفي النحوي والصوتي. تؤدي هذه المشكلات إلى زيادة التباين في نماذج البرمجة اللغوية العصبية وتقليل الدقة. نقدم نموذج العلامات المورفولوجية العصبية وإلغاء الغموض للغة العربية المصرية ، مع امتدادات مختلفة للتعامل مع المحتوى الصاخب وغير المتسق. تحقق نماذجنا خفضًا نسبيًا للخطأ بنسبة 5٪ تقريبًا (تحسن مطلق بنسبة 1.1٪) للتحليل الصرفي الكامل ، وتقليل الخطأ النسبي بنسبة 22٪ تقريبًا (1.8٪ تحسن مطلق) لوضع علامات على جزء من الكلام ، على أحدث طراز حدود.

Abstract

İstifadəçi təşkil edilən metin çoxlu leksik və ortografik müqabiliyyətləri ilə səslə olar, təbiətli dil işləməsi (NLP) işlərini daha çətin edər. Sesli mətn işləməsinin çətinlikli təbiəti dialektal məlumatı üçün təsirlənir. İmləri və diləkli fərqləşmələri istisna edir, dialektal məlumat morfosintaktik və fonetik dəyişiklikləri ilə təsirlənir. Bu məsələlər NLP modellərində zəiflik artırır və doğruluğu azaldır. Biz Misir Arapçası üçün nöral morfolojik etiketi və disambiguasyon modelini göstəririk, səs və inconsistenci məlumatları idarə etmək üçün müxtəlif genişliyi ilə. Bizim modellərimiz tam morfolojik analizi üçün 5%-lik xəta düşürməsi (1.1% absolute improvement) və sözlərin bir hissəsinin üstündə 22%-lik xəta düşürməsi (1.8% absolute improvement).

Abstract

Създаденият от потребителите текст обикновено е шумен с много лексикални и ортографски несъответствия, което прави задачите по обработка на естествения език (НЛП) по-трудни. Предизвикателната природа на шумната текстова обработка се изостря за диалекталното съдържание, където освен правописните и лексикалните различия диалекталният текст се характеризира с морфосинтактични и фонетични вариации. Тези проблеми увеличават оскъдността на моделите и намаляват точността. Представяме невронен морфологичен модел за маркиране и разграничаване на египетски арабски език, с различни разширения за обработка на шумно и непоследователно съдържание. Нашите модели постигат около 5% намаление на относителната грешка (1,1% абсолютно подобрение) за пълен морфологичен анализ и около 22% намаление на относителната грешка (1,8% абсолютно подобрение) за маркиране на част от речта, над най-съвременната базова линия.

Abstract

User-generated text tends to be noisy with many lexical and orthographic inconsistencies, making natural language processing (NLP) tasks more challenging. বানান এবং লেক্সিক্সিক ভিন্ন ভিন্ন ভিন্ন ভিন্ন ভিন্ন ভিন্ন ভিন্ন ভিন্ন ভিন্ন ভিন্ন ভিন্ন ভিন্ন ভিন্ন ভিন্ন ভিন্ন ভিন্ন ভিন্ন ভিন্ন ভি এনএলপি মডেলে এই সমস্ত বিষয়গুলোর স্প্যারিসি বৃদ্ধি এবং সঠিকভাবে কমিয়ে দেয়। আমরা মিশরীয় আরবের জন্য নিউরেল মরোফোলিক্যাল ট্যাগিং এবং বিভ্রান্ত মডেল উপস্থাপন করছি, যার বিভিন্ন বিভিন্ন বিভিন্ন প্রসারের আমাদের মডেল প্রায় ৫% আত্মিক ভুল কমানো (১. ১% সম্পূর্ণ উন্নয়ন) পূর্ণ মরোফোলিকাল বিশ্লেষণের জন্য এবং প্রায় ২২% আত্মিক ভুল কমান (১.

Abstract

སྤྱོད་མཁན་གྱི་ཁོང་ཡིག་གི་ཡིག The challenging nature of noisy text processing is exacerbated for dialectal content, where in addition to spelling and lexical differences, dialectal text is characterized with morpho-syntactic and phonetic variations. དཀའ་ངལ་འདི་དག་ནི་NLP མིག་དཔེ་གཞུང་ནང་དུ་ཉར་ཆུང་བ་དང་བདེན་ཚད་དམའ་རུ་གཏོང་། We present a neural morphological tagging and disambiguation model for Egyptian Arabic, with various extensions to handle noisy and inconsistent content. ང་ཚོའི་མིག་དཔེ་གཞུང་གིས་ཡོད་ཚད་ལྡན་པའི་ནོར་འཁྲུལ་ཕྱི་འགྱུར་བ་དེ་འགྲོ་ཐུབ་ཀྱི་ཡོད།

Abstract

Tekst proizvođen korisnikom čini se bukom sa mnogim leksičkim i ortografskim neskladima, čineći prirodnim jezičkim obrazovanjem (NLP) zadacima većim izazovima. Zaključavajuća priroda obrađivanja bukog teksta je povećana za dijalektni sadržaj, gdje se osim pisanja i leksičkih razlika dijalektni tekst karakterizira morfosintaktičnim i fonetičkim varijacijama. Ovi problemi povećavaju svjetlost u modelima NLP-a i smanjuju preciznost. Predstavljamo model neuralne morfološke etikete i disambiguacije za egipatski arapski, s različitim proširenjima za rukovanje bukom i nesporednom sadržajem. Naši modeli postignu oko 5% relativno smanjenje grešaka (1,1% apsolutno poboljšanje) za punu morfološku analizu, i oko 22% relativno smanjenje grešaka (apsolutno poboljšanje 1,8% apsolutno) za deo govornog označavanja, preko početnog stanja umjetnosti.

Abstract

User-generated text tends to be noisy with many lexical and orthographic inconsistencies, making natural language processing (NLP) tasks more challenging. La naturalesa desafiadora del processament de text sorollós s'agrava per al contingut dialectal, on a més de la ortografia i les diferències lècsiques, el text dialectal es caracterizza amb variacions morfosinàctiques i fonètiques. Aquestes qüestions augmenten la escassetat dels models NLP i redueixen la precisió. Presentam un model neuromorfològic d'etiquetage i desambiguació per a l'àrab egipci, amb diverses extensions per gestionar continguts ruidosos i inconsistents. Els nostres models aconsegueixen una reducció d'errors relativs del 5% (millora absoluta del 1,1%) per a l'anàlisi morfològica completa, i una reducció d'errors relativs del 22% (millora absoluta del 1,8%) per a l'etiquetage de part de la xerrada, sobre un punt de referència més avançat.

Abstract

Uživatelsky generovaný text má tendenci být hlučný s mnoha lexikálními a ortografickými nesrovnalostmi, což činí úlohy zpracování přirozeného jazyka náročnější. Náročná povaha hlučného zpracování textu se zhoršuje u dialektálního obsahu, kde je kromě pravopisu a lexikálních rozdílů charakterizován dialektální text morfosyntaktickými a fonetickými variacemi. Tyto problémy zvyšují řídkost modelů NLP a snižují přesnost. Představujeme neurologický morfologický model značení a rozšiřování pro egyptskou arabštinu s různými rozšířeními pro zpracování hlučného a nekonzistentního obsahu. Naše modely dosahují asi 5% relativní redukce chyb (1,1% absolutní zlepšení) pro úplnou morfologickou analýzu a kolem 22% relativní redukce chyb (1,8% absolutní zlepšení) pro značení části řeči nad nejmodernějším základním principem.

Abstract

Bruger-genereret tekst har tendens til at være støjende med mange leksikske og ortografiske inkonsekvenser, hvilket gør Natural Language Processing (NLP) opgaver mere udfordrende. Den udfordrende karakter af støjende tekstbehandling forværres for dialektalt indhold, hvor dialektal tekst ud over stave- og leksikologiske forskelle er karakteriseret med morfosyntaktiske og fonetiske variationer. Disse problemer øger sparsomheden i NLP-modeller og reducerer nøjagtigheden. Vi præsenterer en neural morfologisk tagging og disambiguation model for egyptisk arabisk, med forskellige udvidelser til at håndtere støjende og inkonsekvent indhold. Vores modeller opnår omkring 5% relativ fejlreduktion (1,1% absolut forbedring) for fuld morfologisk analyse, og omkring 22% relativ fejlreduktion (1,8% absolut forbedring) for del-of-tale tagging, over en state-of-the-art baseline.

Abstract

Benutzergenerierter Text ist in der Regel laut mit vielen lexikalischen und orthographischen Inkonsistenzen, was die Verarbeitung natürlicher Sprache (NLP) schwieriger macht. Die Herausforderung der lauten Textverarbeitung wird für dialektale Inhalte verschärft, wo dialektaler Text neben Rechtschreibung und lexikalischen Unterschieden durch morphosyntaktische und phonetische Variationen gekennzeichnet ist. Diese Probleme erhöhen die Sparsität in NLP-Modellen und verringern die Genauigkeit. Wir präsentieren ein neuromorphologisches Tagging- und Begriffsklärungsmodell für ägyptisches Arabisch, mit verschiedenen Erweiterungen, um laute und inkonsistente Inhalte zu verarbeiten. Unsere Modelle erreichen etwa 5% relative Fehlerreduktion (1,1% absolute Verbesserung) für vollständige morphologische Analysen und etwa 22% relative Fehlerreduktion (1,8% absolute Verbesserung) für Sprachteiltagging über eine hochmoderne Baseline.

Abstract

Το κείμενο που δημιουργείται από τον χρήστη τείνει να είναι θορυβώδες με πολλές λεξικές και ορθογραφικές ασυνέπειες, καθιστώντας τις εργασίες επεξεργασίας φυσικής γλώσσας πιο απαιτητικές. Η προκλητική φύση της θορυβώδους επεξεργασίας κειμένου επιδεινώνεται για το διαλεκτικό περιεχόμενο, όπου εκτός από τις ορθογραφικές και λεξικές διαφορές, το διαλεκτικό κείμενο χαρακτηρίζεται από μορφοσυντακτικές και φωνητικές παραλλαγές. Αυτά τα ζητήματα αυξάνουν τη λιτότητα στα μοντέλα και μειώνουν την ακρίβεια. Παρουσιάζουμε ένα μοντέλο νευρολογικής σήμανσης και αποσαφήνισης για τα αιγυπτιακά αραβικά, με διάφορες επεκτάσεις για να χειριστεί θορυβώδες και ασυνεπή περιεχόμενο. Τα μοντέλα μας επιτυγχάνουν περίπου 5% σχετική μείωση σφαλμάτων (1,1% απόλυτη βελτίωση) για πλήρη μορφολογική ανάλυση, και περίπου 22% σχετική μείωση σφαλμάτων (1,8% απόλυτη βελτίωση) για τη σήμανση τμημάτων ομιλίας, πάνω από μια βάση τελευταίας τεχνολογίας.

Abstract

El texto generado por el usuario tiende a ser ruidoso con muchas inconsistencias léxicas y ortográficas, lo que hace que las tareas de procesamiento del lenguaje natural (PNL) sean más desafiantes. La naturaleza desafiante del procesamiento de texto ruidoso se ve exacerbada para el contenido dialectal, donde además de las diferencias ortográficas y léxicas, el texto dialectal se caracteriza por variaciones morfosintácticas y fonéticas. Estos problemas aumentan la dispersión en los modelos de PNL y reducen la precisión. Presentamos un modelo de etiquetado y desambiguación morfológica neuronal para el árabe egipcio, con varias extensiones para manejar contenido ruidoso e inconsistente. Nuestros modelos logran una reducción del error relativo de alrededor del 5% (mejora absoluta del 1,1%) para el análisis morfológico completo y una reducción del error relativo de alrededor del 22% (mejora absoluta del 1,8%) para el etiquetado de parte del habla, por encima de una línea de base de vanguardia.

Abstract

Kasutaja loodud tekst kipub olema lärmakas, sest see on palju leksikaalseid ja ortograafilisi vastuolusid, mis muudab looduskeele töötlemise (NLP) ülesanded keerulisemaks. Müraka teksti töötlemise keeruline olemus süveneb dialektilise sisu puhul, kus lisaks õigekirja- ja leksikaalsetele erinevustele iseloomustavad dialektilist teksti morfosüntaktilised ja foneetilised variatsioonid. Need probleemid suurendavad NLP mudelite vähesust ja vähendavad täpsust. Esitleme Egiptuse araabia keele neuraalse morfoloogilise märgistuse ja eristamise mudelit, millel on erinevad laiendused müraka ja ebaühtlase sisu käsitlemiseks. Meie mudelid saavutavad umbes 5% suhtelise vea vähenemise (1,1% absoluutne paranemine) täieliku morfoloogilise analüüsi puhul ja umbes 22% suhtelise vea vähenemise (1,8% absoluutne paranemine) kõneosa märgistamise puhul, võrreldes uusima lähtetasemega.

Abstract

متن تولید شده از کاربر معمولاً با بسیاری از غیرقابلیت‌های زبانی و ارتوگرافیک صحبت می‌کند، و کارهای پردازش زبانی طبیعی (NLP) را سخت‌تر می‌کند. طبیعت سخت‌گیری از پردازش متن صوتی برای محتوای دیالکتی افزایش می‌شود، جایی که علاوه بر تفاوت‌های حرف و زبانی، متن دیالکتی با تفاوت‌های مورفو-سنتاکتیک و فونیک تعریف می‌شود. این مسئله‌ها در مدل NLP کمتری می‌کند و دقیقات را کاهش می‌دهد. ما یک مدل مورفولوژیک عصبی را برای عربی مصری نشان می دهیم، با وسیله‌های مختلف برای کنترل محتوای صوتی و غیرقابل توجه. مدلهای ما حدود ۵ درصد کاهش خطای نسبت به دست می آورند (۱.۱ درصد بهبود کامل) برای تحلیل مورفیک کامل، و حدود ۲۲ درصد کاهش خطای نسبت به مقدار ۲۲ درصد (بهبود کامل ۱.۸ درصد) برای نشانگر قسمتی از صحبت، بر یک خط اصلی هنر.

Abstract

Käyttäjän luoma teksti on yleensä meluisa, ja siinä on monia sanastollisia ja ortografisia epäjohdonmukaisuuksia, mikä tekee luonnollisen kielen käsittelystä haastavampia. Äänevän tekstinkäsittelyn haastava luonne korostuu dialektisen sisällön osalta, jossa oikeinkirjoitus- ja sanakirjaerojen lisäksi dialektinen teksti on luonteenomaista morfosyntaktisilla ja foneettisilla variaatioilla. Nämä ongelmat lisäävät NLP-mallien niukkuutta ja vähentävät tarkkuutta. Esittelemme egyptiläisen arabian neuromorfologisen tagging- ja erottelumallin, jossa on erilaisia laajennuksia meluisan ja epäjohdonmukaisen sisällön käsittelemiseksi. Mallimme saavuttavat noin 5%:n suhteellisen virhevähennyksen (1,1%:n absoluuttinen parannus) morfologisessa analyysissä ja noin 22%:n suhteellisen virhevähennyksen (1,8%:n absoluuttinen parannus) puheen osa-merkinnässä huipputason lähtötilanteessa.

Abstract

Le texte généré par l'utilisateur a tendance à être bruyant avec de nombreuses incohérences lexicales et orthographiques, ce qui rend les tâches de traitement du langage naturel (NLP) plus difficiles. La nature complexe du traitement de texte bruyant est exacerbée pour le contenu dialectal, où en plus des différences orthographiques et lexicales, le texte dialectal est caractérisé par des variations morpho-syntaxiques et phonétiques. Ces problèmes augmentent la dispersion des modèles de PNL et réduisent la précision. Nous présentons un modèle de marquage morphologique neuronal et de désambiguïsation pour l'arabe égyptien, avec diverses extensions pour gérer le contenu bruyant et incohérent. Nos modèles permettent d'obtenir une réduction d'environ 5 % des erreurs relatives (1,1 % d'amélioration absolue) pour une analyse morphologique complète, et une réduction d'environ 22 % des erreurs relatives (1,8 % d'amélioration absolue) pour le marquage de parties du discours, sur une base de référence de pointe.

Abstract

Is gnách go mbíonn an téacs a ghintear ag úsáideoirí torannach le go leor neamhréireachtaí foclóireachta agus ortagrafacha, rud a fhágann go bhfuil tascanna próiseála teanga nádúrtha (NLP) níos dúshlánaí. Tá nádúr dúshlánach na próiseála téacs callánach níos measa maidir le hábhar canúinteach, áit a bhfuil éagsúlachtaí morpho-chomhréireacha agus foghraíochta mar shaintréith ag an téacs canúinteach i dteannta le difríochtaí litrithe agus foclóireachta. Méadaíonn na saincheisteanna seo tearcúlacht i múnlaí NLP agus laghdaítear cruinneas. Cuirimid i láthair samhail néar-mhirfeolaíoch clibeála agus dídhébhríochta d’Araibis na hÉigipte, le síntí éagsúla chun ábhar torannach agus neamhréireach a láimhseáil. Baineann ár samhlacha amach thart ar 5% de laghdú earráide coibhneasta (1.1% feabhas iomlán) le haghaidh anailíse moirfeolaíoch iomlán, agus thart ar 22% de laghdú earráide coibhneasta (feabhsúchán iomlán 1.8%) maidir le clibeáil pháirteach cainte, thar staid nua-aimseartha. bunlíne.

Abstract

User-generated text tends to be noisy with many lexical and orthographic inconsistencies, making natural language processing (NLP) tasks more challenging. An ƙara wa halin mai sauri na aikin matsayin da aka yi wa muhimmi, a inda ana ƙara wa yin magana da diƙaitanci, ana karatun littãfin da aka yi wa matsayin diƙaitacce da variants na morfo-syntactic da fonet. Wannan masu husũma yana ƙara sauti cikin motsi na NLP kuma yana ƙara ƙayyade haske. Tuna gabatar da misalin mutafalogi na farar kwamfyuta da diffyuta wa Kiarabu Misri, tare da sauri masu sami da taraki. Modalilinmu suna ƙari taki 5% da ya danganta ga ɓata (1,1% mai cikakken gyaranta) wa cikakken Analyki na morfologi, kuma a ƙari 22% na dangantar ɓata (1.8% mai kyautata mazaɓa) wa lokacin-mazaɓa, a kan halin-fasin-kunyar.

Abstract

טקסט שנוצר מהמשתמש נוטה להיות רעש עם הרבה אי-תואמות לקסיות ואורתוגרפיות, מה שעושה משימות עיבוד שפה טבעית (NLP) יותר מאתגרות. הטבע המתאגר של עיבוד טקסט רעש מחמיר לתוכן דיאלקטלי, שבו בנוסף לאיתוף וההבדלים הלקסיים, טקסט דיאלקטלי מותאים עם שונות מורפו-סינטקטיות ופונטיות. הנושאים האלה מגבירים את הידרות בדוגמנים של NLP ולפחות את הדיוק. אנחנו מציגים מודל מורפולוגי עצבי ולהפריע את ההסבר לערבית מצרית, עם תוספות שונות לטפל בתוכן רעש ולא מתקבל. הדוגמנים שלנו משיגים פחית שגיאות יחסית של כ-5% (שיפור מוחלט של 1.1%) לניתוח מורפולוגי מלא, ו-22% פחית שגיאות יחסית

Abstract

उपयोगकर्ता-जनित पाठ कई लेक्सिकल और ऑर्थोग्राफिक विसंगतियों के साथ शोर करता है, जिससे प्राकृतिक भाषा प्रसंस्करण (एनएलपी) कार्य अधिक चुनौतीपूर्ण हो जाते हैं। शोर पाठ प्रसंस्करण की चुनौतीपूर्ण प्रकृति को बोलचाल की सामग्री के लिए बढ़ा दिया जाता है, जहां वर्तनी और लेक्सिकल मतभेदों के अलावा, बोलचाल के पाठ को मॉर्फो-सिंटैक्टिक और ध्वन्यात्मक विविधताओं के साथ विशेषता है। ये मुद्दे एनएलपी मॉडल में sparsity को बढ़ाते हैं और सटीकता को कम करते हैं। हम मिस्र की अरबी के लिए एक तंत्रिका रूपात्मक टैगिंग और बहुविकल्पी मॉडल प्रस्तुत करते हैं, जिसमें शोर और असंगत सामग्री को संभालने के लिए विभिन्न एक्सटेंशन होते हैं। हमारे मॉडल पूर्ण रूपात्मक विश्लेषण के लिए लगभग 5% सापेक्ष त्रुटि में कमी (1.1% पूर्ण सुधार) प्राप्त करते हैं, और लगभग 22% सापेक्ष त्रुटि में कमी (1.8% पूर्ण सुधार) भाग-के-भाषण टैगिंग के लिए, एक अत्याधुनिक आधार रेखा पर।

Abstract

Tekst proizvođen korisnikom čini se bukom sa mnogim leksičkim i ortografskim neskladima, što čini prirodnom obradivanju jezika (NLP) poslovima izazovnijim. Ozbiljna je priroda obrađivanja bukog teksta povećana za dijalektni sadržaj, gdje se osim pisanja i leksičkih razlika dijalektni tekst karakterizira morfosintaktičnim i fonetičkim varijacijama. Te probleme povećavaju rezervnost u modelima NLP-a i smanjuju preciznost. Predstavljamo model neuralne morfološke etikete i disambiguacije za egipatski arapski, s različitim proširenjima za rukovanje bukom i nesposobnim sadržajem. Naši modeli postignu oko 5% relativno smanjenje grešaka (apsolutno poboljšanje 1,1% za potpunu morfološku analizu) i oko 22% relativno smanjenje grešaka (apsolutno poboljšanje 1,8% za dijelogovorno označavanje, preko početne linije umjetnosti.

Abstract

A felhasználók által generált szövegek általában zajosak, számos lexikai és ortográfiai következetlenséggel, így a természetes nyelvfeldolgozási (NLP) feladatok nehezebbé válnak. A zajos szövegfeldolgozás kihívást jelentő jellege súlyosbítja a dialektuális tartalom esetében, ahol a helyesírás és lexikális különbségek mellett a dialektuális szöveget morfo-szintaktikus és fonetikai variációkkal jellemzik. Ezek a problémák növelik az NLP modellek ritkaságát és csökkentik a pontosságot. Bemutatjuk az egyiptomi arab neurális morfológiai címkézési és egyértelműsítési modellt, amely különböző kiterjesztésekkel kezeli a zajos és következetlen tartalmakat. Modelljeink körülbelül 5%-os relatív hibacsökkentést (1,1%-os abszolút javulás) érnek el teljes morfológiai elemzéshez, és körülbelül 22%-os relatív hibacsökkentést (1,8%-os abszolút javulás) a beszédrészes címkézéshez, a legkorszerűbb kiindulási alapon.

Abstract

諘眨湛铡眨崭謤债崭詹斋寨崭詹沾斋謥战湛榨詹债站铡债湛榨謩战湛炸瞻铡寨站铡债乍铡詹沾寨崭湛宅斋斩榨宅辗铡湛宅榨謩战斋寨铡寨铡斩謬謪謤湛崭眨謤铡謫斋寨铡斩瞻铡沾铡蘸铡湛铡战窄铡斩崭謧诈盏崭謧斩斩榨謤崭站, 斋斩展炸栅铡謤毡斩崭謧沾乍闸斩铡寨铡斩宅榨咋站斋站榨謤铡沾辗铡寨沾铡斩 (諉约諍) 窄斩栅斋謤斩榨謤炸铡站榨宅斋栅摘站铡謤: The challenging nature of noisy text processing is exacerbated for dialectal content, where in addition to spelling and lexical differences, dialectal text is characterized with morpho-syntactic and phonetic variations. These issues increase sparsity in NLP models and reduce accuracy. 談榨斩謩斩榨謤寨铡盏铡謥斩崭謧沾榨斩謩榨眨斋蘸湛铡謥斋铡謤铡闸榨謤斋斩盏铡謤栅铡盏斋斩沾崭謤謫崭宅崭眨斋铡寨铡斩斩辗铡斩斩榨謤謬闸铡謥铡瞻铡盏湛崭謧诈盏崭謧斩斩榨謤, 崭謤崭斩謩湛铡謤闸榨謤炸斩栅宅铡盏斩崭謧沾斩榨謤崭謧斩榨斩铡詹沾寨崭湛謬铡斩瞻铡沾铡蘸铡湛铡战窄铡斩蘸铡謤崭謧斩铡寨崭謧诈盏崭謧斩斩榨謤斋站榨謤铡闸榨謤盏铡宅: 談榨謤沾崭栅榨宅斩榨謤炸瞻铡战斩崭謧沾榨斩沾崭湛 5 湛崭寨崭战斋瞻铡謤铡闸榨謤铡寨铡斩战窄铡宅斩榨謤斋寨謤粘铡湛沾铡斩炸 (1.1 湛崭寨崭战斋闸铡謥铡謤毡铡寨闸铡謤榨宅铡站崭謧沾炸) 铡沾闸崭詹栈沾崭謤謫崭宅崭眨斋铡寨铡斩站榨謤宅崭謧债崭謧诈盏铡斩瞻铡沾铡謤, 斋战寨 22 湛崭寨崭战斋瞻铡謤铡闸榨謤铡寨铡斩战窄铡宅斩榨謤斋寨謤粘铡湛沾铡斩炸 (1.8 湛崭寨崭战斋闸铡謥铡謤毡铡寨闸铡謤榨宅铡站崭謧沾炸) 窄崭战謩斋沾铡战斋斩辗铡斩斩榨謤斋

Abstract

Teks yang dibuat oleh pengguna cenderung menjadi bising dengan banyak ketidakkonsistensi lexik dan ortografik, membuat tugas proses bahasa alam (NLP) lebih menantang. Alam yang menantang dari proses teks yang berisik memperburuk bagi konten dialektal, di mana selain mengeja dan perbedaan lexik, teks dialektal dikaraterisasikan dengan variasi morfo-sintaksi dan fonetik. Masalah ini meningkatkan kecepatan dalam model NLP dan mengurangi akurasi. Kami mempersembahkan model morfologi saraf untuk bahasa Arab Mesir, dengan berbagai ekstensi untuk menangani isi yang berisik dan tidak konsisten. Model kami mencapai kira-kira 5% reduksi kesalahan relatif (1,1% peningkatan absolut) untuk analisis morfologis penuh, dan sekitar 22% reduksi kesalahan relatif (1,8% peningkatan absolut) untuk bagian-dari-pidato tagging, atas dasar state-of-the-art.

Abstract

Il testo generato dagli utenti tende ad essere rumoroso con molte incoerenze lessicali e ortografiche, rendendo le attività di elaborazione del linguaggio naturale (NLP) più impegnative. La natura impegnativa dell'elaborazione rumorosa del testo è esacerbata per i contenuti dialettali, dove oltre alle differenze ortografiche e lessicali, il testo dialettale è caratterizzato da variazioni morfo-sintattiche e fonetiche. Questi problemi aumentano la scarsità nei modelli NLP e riducono l'accuratezza. Presentiamo un modello di tagging morfologico neurale e disambiguazione per l'arabo egiziano, con varie estensioni per gestire contenuti rumorosi e incoerenti. I nostri modelli raggiungono circa il 5% di riduzione degli errori relativi (1,1% di miglioramento assoluto) per l'analisi morfologica completa, e circa il 22% di riduzione degli errori relativi (1,8% di miglioramento assoluto) per il tag part-of-speech, su una base di riferimento all'avanguardia.

Abstract

ユーザーが生成したテキストは、多くの語彙および正書法の矛盾とともに騒がしい傾向があり、自然言語処理（ NLP ）タスクをより困難にします。雑音の多いテキスト処理の厳しい性質は、方言コンテンツのためにさらに悪化しています。ここでは、スペルや語彙の違いに加えて、方言テキストは、形態構文と音韻のバリエーションで特徴付けられています。これらの問題は、NLPモデルにおける希少性を増加させ、精度を低下させる。私たちは、エジプト・アラビア語のための神経形態学的タグ付けと曖昧さ解消モデルを提示し、騒音と一貫性のないコンテンツを扱うためのさまざまな拡張機能を備えています。当社のモデルは、最先端のベースラインを超えて、完全な形態解析では約5%の相対誤差低減（ 1.1%の絶対改善）を達成し、音声部分タグ付けでは約22%の相対誤差低減（ 1.8%の絶対改善）を達成します。

Abstract

gagal Text Asemplo iki luwih akeh pating pengguna ning model NLP lan mungkin akeh dapat. Awak dhéwé éntuk sistem sing nyerunggo nggawe tarjamahan karo mbenggo kuwi nggawe barang-alab sing dibampungan kanggo ngilangno kejahatan kanggo nguasai barang-alab sing apik dhéwé. Monday

Abstract

მომხმარებელი შექმნილი ტექსტი უფრო მეტი ლექსიკალური და ორტოგრაფიური განსხვავებულებებისთვის უფრო ძალიან სიტყვარული იყოს, რომლებიც ბევრი ენის პროცესი (NLP) დავამ სიტყვარული ტექსტის პროცესის შესაძლებლო სიტყვარული სიტყვარულების შესაძლებლობა დიალექტალური შემდგომარებისთვის გადარჩენა, სადაც სიტყვარული და ლექსიკალური განსხვავებების დამატებით დიალექტალური ეს პრობლემები NLP მოდელში წარმოდგენება და წარმოდგენება. ჩვენ ვიყენებთ ნეიროლური მოპოროლოგიური მაგრალის მოდელს და განამბიგუაციის მოდელს ეზიპიტური აპაბიური სახელისთვის, რომელიც განსხვავებული განზომილებებით, რომ და ჩვენი მოდელები 5% რედაციალური შეცდომის შემცირება (1.1% აბსოლოგიური შემცირება) სრულ მორფოლოგიური ანალიზაციისთვის და 22% რედაციალური შეცდომის შემცირება (1.8% აბსოლოგიური შემცირება) სიტყვების ნაწი

Abstract

Пайдаланушының құрылған мәтін көптеген лексикалық және ортографикалық қатынасыздықтарымен дыбыс болады, табиғи тілдерді өңдеу (NLP) тапсырмаларын көбірек көбірек көбірек болады. Дыбыс мәтінді өңдеу қиындығы диалектикалық мазмұның мазмұнына өзгертіледі. Мәтінді және лексикалық айырмашыларына қосымша, диалектикалық мәтінді морфо- синтактикалық және фонетикалық айырмашыларынан та Бұл мәселелер NLP үлгілерінде бөлікті көбейту және дұрыстығын азайту. Мысыр араб үшін невралдық морфологиялық тегтерді және белсендіру үлгісін таңдаймыз. Мысыр араб үшін әртүрлі кеңейтулер үшін дыбыс және константты мазмұнын Өзіміздің үлгілеріміз толық морфологиялық анализ үшін 5% салыстырмалы қатені азайту (1, 1% абсолютті жақсарту) және 22% салыстырмалы қатені азайту (1, 8% абсолютті жақсарту) үшін сөйлеу белгілерінің бір бөлігін таң

Abstract

사용자가 생성한 텍스트는 종종 어휘와 맞춤법이 일치하지 않는 소음이 많아서 자연언어처리(NLP) 작업이 더욱 도전적이다.사투리 내용에 있어 시끄러운 텍스트 처리의 도전성이 심해졌다. 사투리 텍스트는 맞춤법과 어휘의 차이를 제외하고 형태 문법과 음성 변화의 특징도 가지고 있다.이러한 문제는 NLP 모델의 희소성을 증가시켜 정확성을 떨어뜨린다.우리는 이집트 아랍어에 사용되는 신경 형태학적 표기와 소차 모델을 제시했고 시끄러움과 일치하지 않는 내용을 처리하기 위해 다양한 확장을 진행했다.가장 선진적인 기선에 비해 우리 모델은 온전한 형태 분석의 약 5%의 상대적 오차 감소(절대 개선 1.1%), 어성 표시의 약 22%의 상대적 오차 감소(절대 개선 1.8%)를 실현했다.

Abstract

User-generated text tends to be noisy with many lexical and orthographic inconsistencies, making natural language processing (NLP) tasks more challenging. Triukšmingas triukšmo teksto apdorojimo pobūdis pablogėja dialektiniam turiniui, kuriame, be rašymo ir leksinių skirtumų, dialektinis tekstas yra būdingas morfosintaktiniais ir fonetiniais pokyčiais. Šie klausimai didina NLP modelių skaidrumą ir mažina tikslumą. Mes pateikiame Egipto arabų neurologinio morfologinio žymėjimo ir nedviprasmiškumo model į su įvairiais išplėtimais, kad būtų galima tvarkyti triukšmingą ir nenuoseklų turinį. Mūsų modeliuose visiškai morfologinei analizei pasiektas santykinis klaidų sumažėjimas apie 5 % (absoliutus pagerėjimas 1,1 %), palyginti su naujausia pradine analize – apie 22 % (absoliutus pagerėjimas 1,8 %).

Abstract

Текстот генериран од корисникот има тенденција да биде бучен со многу лексикални и ортографски несогласувања, што ги прави задачите на природното обработување јазик (NLP) попредизвикувачки. Предизвикувачката природа на бучниот текст процес се влошува за дијалекталната содржина, каде, покрај правописот и лексичките разлики, дијалекталниот текст е карактеризиран со морфосинтактички и фонетски варијации. Овие прашања ја зголемуваат брзината на моделите на НЛП и ја намалуваат прецизноста. Презентираме нервен морфолошки модел за означување и деамбигуација на египетскиот арапски јазик, со различни проширувања за решавање на бучната и неконзистентна содржина. Нашите модели постигнуваат околу 5 отсто релативно намалување на грешките (1,1 отсто апсолутно подобрување) за целосна морфолошка анализа, и околу 22 отсто релативно намалување на грешките (1,8 отсто апсолутно подобрување) за дел од означувањето на говорот, во однос на

Abstract

ഉപയോക്താവ് സൃഷ്ടിക്കപ്പെട്ട ട ടെക്സ്റ്റ് ചെയ്തിരിക്കുന്നു. ഒരുപാട് ലെക്സിക്സിക്കലും പോരാഗ്രാഫിക്കും അസാധാരണയുമായ ശബ്ദവാക്ക് പ്രവര്‍ത്തിപ്പിക്കുന്നതിന്റെ വിലപാടിന്റെ സ്വഭാവം ഡയലിക്കല്‍ ഉള്ളടക്കങ്ങള്‍ക്കും കൂടുതല്‍ കഠിനമാക്കിയിരിക്കുന്നു. അക്ഷരസഞ്ച ഈ പ്രശ്നങ്ങള്‍ NLP മോഡലുകളില്‍ സ്പെയിസിറ്റി കൂടുതല്‍ വര്‍ദ്ധിപ്പിക്കുകയും ചെയ്യുന്നു. മിസ്രയീമ്യന്‍ അറബിക്ക് വേണ്ടി ന്യൂറല്‍ മോര്‍ഫോളജിക്കല്‍ ടാഗ്ഗിങ്ങിനെയും തിരിച്ചറിയാനുള്ള മോഡലിനെയും ഞങ്ങള്‍ കാണിക നമ്മുടെ മോഡലുകള്‍ പൂര്‍ണ്ണമായ മോര്‍ഫോളജിക്കല്‍ അന്വേഷിക്കുന്നതിനായി (1. 1% മുഴുവന്‍ മെച്ചപ്പെടുത്തിയിരിക്കുന്നു) പിന്നീട് മാതൃകങ്ങള്‍ക്ക് 5% കുറച്ച് പിശ

Abstract

Хэрэглэгчийн үүсгэсэн текст олон лексик болон ортографик бус байдалтай чимээгүй байдаг. Байгалийн хэл процессор (NLP) ажиллагааг илүү хэцүү болгодог. Дуу дуу бичлэгийн үйлдвэрлэлийн шаардлагатай байгаль нь диалектикийн тодорхойлолтой байдлаар нэмэгдүүлэгддэг. Мэдээж бичлэг, хэлний ялгааг нэмэхэд диалектикийн текст морфо-синтактик болон фонетик өөрчлөлттэй харьцуулагддаг. Эдгээр асуудлууд NLP загваруудын багасгалыг нэмэгдүүлж, шударга байдлыг багасгадаг. Бид мэдрэлийн морфологик маргинг болон эзэмбигуяас Араб хүмүүсийн загварыг тайлбарлаж, чимээгүй, эсрэг тохиолдлуудыг удирдах өөр өөр хэлбэртэй. Бидний загварууд бүрэн морфологик шинжилгээнд 5% харьцаатай алдаа багасгах (1.1% абсолюттай сайжруулалт) болон 22% харьцаатай алдаа багасгах (1.8% абсолюттай сайжруулалт) хэсгийг хэлэхэд урлагийн суурь шугам дээр тавьдаг.

Abstract

Teks yang dijana oleh pengguna cenderung menjadi bunyi dengan banyak ketidakkonsistensi leksikal dan ortografik, menjadikan tugas pemprosesan bahasa semulajadi (NLP) lebih menantang. Sifat cabaran proses teks bunyi semakin teruk bagi kandungan dialektal, di mana selain ejaan dan perbezaan leksikal, teks dialektal dikatakan dengan variasi morfo-sintaktik dan fonetik. Masalah ini meningkatkan kecepatan dalam model NLP dan mengurangkan ketepatan. Kami memperkenalkan model penyelesaian morfologik saraf untuk Arab Mesir, dengan pelbagai sambungan untuk mengendalikan kandungan yang bunyi dan tidak konsisten. Model kami mencapai kira-kira 5% pengurangan ralat relatif (1.1% peningkatan mutlak) untuk analisis morfologik penuh, dan kira-kira 22% pengurangan ralat relatif (1.8% peningkatan mutlak) untuk tag-bahagian-ucapan, atas garis dasar state-of-the-art.

Abstract

It-test iġġenerat mill-utent għandu t-tendenza li jkun storbjuż b’ħafna inkonsistenzi lexiċi u ortografiċi, u dan jagħmel il-kompiti tal-ipproċessar tal-lingwi naturali (NLP) aktar diffiċli. In-natura ta’ sfida tal-ipproċessar tat-test storbjuż hija aggravata għall-kontenut dijalettiku, fejn minbarra l-ortografija u d-differenzi lexiċi, it-test dijalettiku huwa kkaratterizzat b’varjazzjonijiet morfosintattiċi u fonetiċi. Dawn il-kwistjonijiet iżidu l-iskarsezza fil-mudelli NLP u jnaqqsu l-preċiżjoni. Aħna nippreżentaw mudell ta’ tikkettar morfoloġiku newrali u diżambigwazzjoni għall-Għarab Eġizzjan, b’estensjonijiet varji biex jiġi mmaniġġjat kontenut storbjuż u inkonsistenti. Il-mudelli tagħna jiksbu tnaqqis relattiv ta’ żball ta’ madwar 5% (titjib assolut ta’ 1.1%) għal analiżi morfoloġika sħiħa, u tnaqqis relattiv ta’ żball ta’ madwar 22% (titjib assolut ta’ 1.8%) għal tikkettar ta’ parti mid-diskors, fuq linja bażi l-aktar avvanzata.

Abstract

Door gebruikers gegenereerde tekst is vaak lawaaierig met veel lexicale en orthografische inconsistenties, waardoor taken voor natuurlijke taalverwerking (NLP) uitdagender worden. Het uitdagende karakter van lawaaierige tekstverwerking wordt verergerd voor dialectische inhoud, waar naast spelling en lexicale verschillen dialectische tekst wordt gekenmerkt door morfosyntactische en fonetische variaties. Deze problemen verhogen de schaarste in NLP-modellen en verminderen de nauwkeurigheid. We presenteren een neuraal morfologisch tagging- en disambiguatiemodel voor Egyptisch Arabisch, met verschillende extensies om lawaaierige en inconsistente inhoud aan te pakken. Onze modellen bereiken ongeveer 5% relatieve foutreductie (1,1% absolute verbetering) voor volledige morfologische analyse, en ongeveer 22% relatieve foutreductie (1,8% absolute verbetering) voor part-of-speech tagging, over een state-of-the-art baseline.

Abstract

Brukargenerert tekst har tendens til å vera støy med mange leksiske og ortografiske inkonsistensingar, som gjer naturspråkshandtering (NLP) meir vanskeleg oppgåver. Den vanskeleg naturen for støy- teksthandsaming er exasertert for dialektiske innhald, der i tillegg til staving og leksiske forskjeller vert dialektiske tekst teikna med morpho- syntaktiske og fonetiske variasjonar. Desse problema øker sparsitet i NLP-modeller og reduserer nøyaktighet. Vi presenterer eit neuralmorfologisk merking og disambiguasjonsmodell for egyptisk arabisk, med ulike utvidingar for å handtera støy og inkonsistent innhald. Modellene våre oppnår omtrent 5% relative feilreduksjon (1,1% absolutt forbedring) for fullstendig morfologisk analyse, og omtrent 22% relative feilreduksjon (1,8% absolutt forbedring) for ein del av talemerking over ein baseline.

Abstract

Tekst generowany przez użytkownika jest głośny z wieloma niespójnościami leksykalnymi i ortograficznymi, co sprawia, że zadania przetwarzania języka naturalnego (NLP) są bardziej wymagające. Wymagający charakter szumownego przetwarzania tekstu pogłębia się w przypadku treści dialektalnych, gdzie oprócz pisowni i leksykalnych różnic tekst dialektalny charakteryzuje się wariacjami morfoskładniowymi i fonetycznymi. Problemy te zwiększają rzadkość modeli NLP i zmniejszają dokładność. Przedstawiamy neurologiczny model tagowania morfologicznego i dyscyplinacji dla egipskiego arabskiego, z różnymi rozszerzeniami do obsługi hałaśliwych i niespójnych treści. Nasze modele osiągają około 5% względnej redukcji błędów (1,1% bezwzględna poprawa) dla pełnej analizy morfologicznej oraz około 22% względnej redukcji błędów (1,8% absolutnej poprawy) dla tagowania części mowy, na najnowocześniejszym poziomie bazowym.

Abstract

O texto gerado pelo usuário tende a ser barulhento com muitas inconsistências lexicais e ortográficas, tornando as tarefas de processamento de linguagem natural (PLN) mais desafiadoras. A natureza desafiadora do processamento de texto ruidoso é exacerbada pelo conteúdo dialetal, onde, além das diferenças ortográficas e lexicais, o texto dialetal é caracterizado por variações morfossintáticas e fonéticas. Esses problemas aumentam a dispersão nos modelos de PNL e reduzem a precisão. Apresentamos um modelo de marcação e desambiguação morfológica neural para o árabe egípcio, com várias extensões para lidar com conteúdo ruidoso e inconsistente. Nossos modelos atingem cerca de 5% de redução de erro relativo (1,1% de melhoria absoluta) para análise morfológica completa, e cerca de 22% de redução de erro relativo (1,8% de melhoria absoluta) para marcação de parte da fala, sobre um estado da arte linha de base.

Abstract

Textul generat de utilizatori tinde să fie zgomotos, cu multe inconsecvențe lexicale și ortografice, ceea ce face sarcinile de procesare a limbajului natural (PNL) mai dificile. Natura provocatoare a procesării zgomotoase a textului este exacerbată pentru conținutul dialectic, unde pe lângă diferențele ortografice și lexicale, textul dialectic este caracterizat cu variații morfo-sintactice și fonetice. Aceste probleme sporesc raritatea modelelor PNL si reduc precizia. Prezentăm un model de etichetare morfologică neurală și dezambiguizare pentru arabă egipteană, cu diferite extensii pentru a gestiona conținutul zgomotos și inconsistent. Modelele noastre realizează o reducere relativă a erorilor de aproximativ 5% (îmbunătățire absolută de 1,1%) pentru analiza morfologică completă și o reducere relativă a erorilor de aproximativ 22% (îmbunătățire absolută de 1,8%) pentru etichetarea parțială de vorbire, peste o bază de referință de ultimă generație.

Abstract

Создаваемый пользователем текст имеет тенденцию быть шумным со многими лексическими и орфографическими несоответствиями, что делает задачи обработки естественного языка (NLP) более сложными. Сложный характер шумной обработки текста усугубляется диалектным содержанием, где помимо орфографических и лексических различий диалектный текст характеризуется морфо-синтаксическими и фонетическими вариациями. Эти проблемы увеличивают редкость в моделях NLP и снижают точность. Мы представляем модель нейроморфологической маркировки и дезагрегирования для египетского арабского языка с различными расширениями для обработки шумного и непоследовательного контента. Наши модели достигают примерно 5% снижения относительной ошибки (1,1% абсолютного улучшения) для полного морфологического анализа и около 22% снижения относительной ошибки (1,8% абсолютного улучшения) для частичного тегирования речи по сравнению с современной базовой линией.

Abstract

පාවිච්චි නිර්මාණය කරපු පාළුව ප්‍රශ්නයක් ලෙක්සිකාලි හා විශේෂ විශේෂ විශේෂ විශේෂ විශේෂ වෙනුවෙන් සාම ශබ්ද පැත්තක් පරීක්ෂණය සඳහා චාලනය කරපු ස්වභාවිතය විශේෂය විශේෂයෙන් විශේෂය කරලා තියෙනවා, වර්ණය සහ ලෙක්සික විශේෂයෙන් සඳහා භාව මේ ප්‍රශ්නයක් NLP මෝඩේල් වලට ප්‍රශ්නත්වයක් වැඩ කරනවා ඒ වගේම හරියට අඩු කරනවා. අපි ඊජිප්තියාන් අරාබියාවට නියරුල් මොර්ෆෝලෝගික් ටැග් එකක් සහ අසාම්බිග්වේෂණ් මොඩේල් එකක් පෙන්වන්න, ස අපේ මොඩල් 5% සම්පූර්ණ විශ්ලේෂණය සඳහා සංපූර්ණ විශ්ලේෂණය (1.1% සම්පූර්ණ විශ්ලේෂණය) සඳහා සංපූර්ණ විශ්ලේෂණය සඳහා සංපූර්ණ විශ

Abstract

Besedilo, ki ga ustvarijo uporabniki, je običajno hrupno s številnimi leksikalnimi in ortografskimi neskladnostmi, zaradi česar so opravila obdelave naravnega jezika bolj zahtevna. Zahtevna narava hrupne obdelave besedila je še poslabšana pri dialektični vsebini, kjer je poleg črkovanja in leksikalnih razlik dialektično besedilo značilno tudi morfo-sintaktične in fonetične variacije. Te težave povečujejo redkost modelov NLP in zmanjšujejo natančnost. Predstavljamo nevronski morfološki model označevanja in razločitve egiptovske arabščine z različnimi razširitvami za obvladovanje hrupne in neskladne vsebine. Naši modeli dosegajo približno 5-odstotno zmanjšanje relativne napake (1,1-odstotno absolutno izboljšanje) za popolno morfološko analizo in približno 22-odstotno zmanjšanje relativne napake (1,8-odstotno absolutno izboljšanje) pri označevanju dela govora v najsodobnejši osnovni vrednosti.

Abstract

Qoraanka isticmaalayaasha waxaa ka mid ah mid aad u qaylyaysa oo ay ka shaqeeyaan waxyaabo badan oo la xiriira lexico iyo ortografikada, wuxuuna sameeyaa baaraandegista afka asalka ah (NLP). Xarunta dhibaatada ah ee baaraandegista qoraalka codsiga waxaa lagu kordhiyaa waxyaabaha lagu qorayo, taas oo ka sokow hadalka iyo kala duwanaanshaha leksikalka waxaa lagu qoraa qoraalka caadiga ah oo isbedelka morpho-syntactic iyo phonetka. Dhibaatadan waxay kordhisaa dhaqdhaqaalaha sameynta NLP waxayna hoos u dhigtaa saxda. Waxaannu soo bandhignaynaa tusaale u qoran af Carabi ee Masriyiinta ah oo aad u kala duwan tahay inay xambaaraan cod iyo waxyaabo aan la mid ahayn. Tilmaamahayagu waxay gaadhaa qiyaastii 5% oo relative u dhigma qaladka (1.1% oo dhamaan hagaajinta) baaritaanka morfologiga, iyo qiyaastii 22% oo saaxiibada khaladda u dhexaysa (1.8% hagaajinta absolute improvement) si qayb ahaan hadalka looga dhigo qoriga-qoriga.

Abstract

Teksti i gjeneruar nga përdoruesi ka tendencë të jetë zhurmës me shumë moskonsistenca lexike dhe ortografike, duke bërë detyrat e përpunimit natyror të gjuhës (NLP) më të vështira. Natyra sfiduese e procesimit të zhurmshëm të tekstit është përkeqësuar për përmbajtjen dialektale, ku përveç shkrimit dhe dallimeve lexike, teksti dialektal karakterizohet me variacione morfo-sintaktike dhe fonetike. Këto çështje rritin pakësinë në modelet NLP dhe reduktojnë saktësinë. We present a neural morphological tagging and disambiguation model for Egyptian Arabic, with various extensions to handle noisy and inconsistent content. Modelet tona arrijnë rreth 5% reduktim relativ të gabimeve (1.1% përmirësim absolut) për analizën e plotë morfologjike dhe rreth 22% reduktim relativ të gabimeve (1.8% përmirësim absolut) për shënimin e pjesës së fjalimit, mbi një bazë të lartë.

Abstract

Tekst proizveden korisnikom čini se bukom sa mnogim leksičkim i ortografijskim neskladima, što će prirodno obrađivanje jezika (NLP) učiniti većim izazovima. Zaključavajuća priroda obrađivanja bukog teksta je exacerbatirana za dijalektno sadržanje, gde osim pisanja i leksičkih razlika, dijalektno tekst je karakteriziran morfosintaktičnim i fonetičkim varijacijama. Ovi problemi povećavaju sparsitnost u modelima NLP-a i smanjuju tačnost. Predstavljamo model neuralne morfološke etikete i disambiguacije za egipatski arapski, sa različitim proširenjima za rukovanje bukom i nepristojnim sadržajem. Naši modeli postižu oko 5% relativno smanjenje grešaka (1,1% apsolutno poboljšanje) za punu morfološku analizu, i oko 22% relativno smanjenje grešaka (apsolutno poboljšanje 1,8% apsolutno) za deo govornog označavanja, preko početnog stanja umjetnosti.

Abstract

Användargenererad text tenderar att vara bullrig med många lexikala och ortografiska inkonsekvenser, vilket gör Natural Language Processing (NLP) uppgifter svårare. Den utmanande karaktären av bullrig textbearbetning förvärras för dialektiskt innehåll, där dialektisk text förutom stavning och lexikala skillnader karaktäriseras med morfosyntaktiska och fonetiska variationer. Dessa problem ökar sparheten i NLP-modeller och minskar noggrannheten. Vi presenterar en neural morfologisk taggning och disambiguation modell för egyptisk arabiska, med olika tillägg för att hantera bullrigt och inkonsekvent innehåll. Våra modeller uppnår cirka 5% relativ felreduktion (1,1% absolut förbättring) för fullständig morfologisk analys och cirka 22% relativ felreduktion (1,8% absolut förbättring) för delmärkning, över en state-of-the-art baslinje.

Abstract

Matambo ya mtumiaji yaliyotengenezwa yanakuwa na kelele yenye kutokuwepo kwa upinzani mkubwa wa kimapenzi na kiholografia, na kufanya upasuaji wa lugha asili (NLP) unaofanywa na changamoto zaidi. Kitendo cha changamoto cha upasuaji wa teknolojia ya kelele kinazidi kuongezeka kwa maudhui ya kidijitali, ambapo pamoja na tofauti za kuandika na utaalamu wa kiutamaduni unahusika na mabadiliko ya simu na simu za kiganjani. Masuala haya yanaongezea kuongezeka kwa mifano ya NLP na kupunguza ukweli. Tunaweza kuunganisha muundo wa kifolojia wa kiserikali na kutofautisha kwa Kiarabu wa Misri, na maendeleo mbalimbali ya kukabiliana na maudhui yasiyo na maana. Mifano yetu inapata takribani asilimia 5 ya kupunguza makosa yanayohusiana na kupunguza (asilimia 1.1% yenye maendeleo kamili) kwa uchambuzi mzima wa kimfolojia, na takribani asilimia 22 inayohusiana na kupunguza makosa (asilimia 1.8% ya kuboreshwa kabisa) kwa ajili ya sehemu ya kuongezeka kwa lugha, zaidi ya mstari wa hali ya sanaa.

Abstract

பயனர் உரை உருவாக்கப்பட்ட உரையில் பல லெக்சிக்சியல் மற்றும் ஒற்றைக்கொண்டு சப்தமாக இருக்கும், இயற்கையான மொழி செயல்பாடு (NLP) வேலை ஒலி உரை செயல்படுத்தலின் சவாலிக்கும் இயல்பு டையல்கல் உள்ளடக்கத்திற்கு அதிகரிக்கப்படுகிறது, அதில் எழுத்து மற்றும் லெக்சிக்சியல் வேறுபாடுகளுக்கும் இந்த பிரச்சினைகள் NLP மாதிரிகளில் வெளிச்சத்தை அதிகரிக்கின்றன மற்றும் சரியை குறைக்கவும். நாம் ஒரு புதிய குறிப்பு மற்றும் பிரிப்பு மற்றும் பிரிவுப்பு மாதிரியை கொண்டு வருகிறோம், பல விரிவாக்கங்கள் சப்தம் மற்ற எங்கள் மாதிரிகள் சார்ந்த பிழை குறைவு (1. 1% முழுமையான முன்னேற்றத்தை) முழுமையான ஆராய்ச்சிக்கு, மற்றும் 22% சார்ந்த பிழை குறைவு (1. 8% முழுமையான மேம்படுத்தல்) ப

Abstract

Ullançy tarapyndan gelen metin köp leşik we ortografy gaýşartmaklyklar bilen gaty gürrüň bolýar, tebigy diller işlemegi (NLP) täze kynçylyklary edip biler. Sesli metin işlemeginiň çözgüli tebigaty dialektal maglumaty üçin döredildi. Bu ýerde ymlany we lektik üýtgeşmeleri bilen birlikte, dialektal metin morfosintaktik we fonetik üýtgeşmeler bilen karakterlerdir. Bu mesele NLP nusgalarynda az ýagdaýlygyny artýar we dogrylygyny azaltýar. Biz Ejyptçe arabça üçin näyral morfolojik taglama we çykarma nusgasyny görkezip, gürrüň we nädogry maksady çykmak üçin düzümlendirdik. Bizim modellerimiz 5% relative hata düşürmek üçin ýetip barýar (1.1% absolut gelişmeler) doly morfolojik analiziýasy üçin, we 22% hasaplanyşyk düşürmek üçin hata düşürmek üçin (1.8% Absolut gelişmeler), sözleriň bir bölegi we sungatyň tekizligi üçin.

Abstract

استعمال کے پیدا کئے ہوئے پیغام کے ساتھ بہت سے لکسیکل اور اورٹوگرافیک غیر قابل غیر قابل غیر قابل غیر قابل غیر قابل غیر قابل غیر قابل غیر قابل غیر قابل غیر قابل غیر قابل آواز کے پیغام پردازی کی مشکل پیغام دیالکتل منصفات کے لئے اضافہ کیا جاتا ہے، جہاں بات اور لکھی اختلاف کے علاوہ، دیالکتل متن morpho-syntactic اور phonetic variations سے اضافہ کیا جاتا ہے. یہ مسئلہ NLP موڈلوں میں کمی سے بڑھتے ہیں اور دقیق کمی کرتے ہیں۔ ہم نے مصری عربی کے لئے ایک نئورل مورفولوژیکی ٹاگ اور ناامبی موڈل کو پیش کیا ہے، آواز اور غلط منصفات کے لئے مختلف پھیلانے کے ساتھ۔ ہمارے مدلکوں 5% مقابلہ خطا کاٹنے کے لئے (1.1% مطلوب عملہ) پورے مورفولوژیکی تحلیل کے لئے پہنچ رہے ہیں، اور حدود 22% مقابلہ خطا کاٹنے کے لئے (1.8% مطلوب عملہ) بات ٹاگ کے لئے، ایک حصہ کی بنسلین پر۔

Abstract

Name Name Bu muammolar NLP modellarida qismini oshirish va tashkilotni kamaytirish. Biz Misriy arab uchun neyrologik orfologik tagg'ining modelini hozir qilamiz. Bu bir xil kengaytmalar bilan aloqa va muvaffaqiyatli tarkibini boshqarish uchun. Bizning modellarimiz butun morfologik analyzeri uchun 5% kamaytirish (1. 1% katta yaxshi yaxshi yaxshi ko'radi) va soʻzlarning qismlarini yozish uchun 22% qisqarli xato kamaytirish (1.8% absolutt yaxshi darajada) bajaradi.

Abstract

Văn bản người dùng thường được tạo ra có xu hướng ồn ào với nhiều mâu thuẫn ngôn ngữ và cấu trúc, làm cho việc xử lý ngôn ngữ tự nhiên (Nchọc) khó khăn hơn. Tính chất thách thức của việc soạn thảo ồn ào tăng lên cho nội dung ngôn ngữ, nơi mà ngoài độ chính tả và ngôn ngữ, văn bản địa được mô tả cùng với độ biến đổi morphine-sync và ngữ âm. Những vấn đề này làm cho người mẫu chọc dò tủy sống ít hơn và giảm độ chính xác. Chúng tôi giới thiệu mô hình kích thích và biến dạng thần kinh của người Ả Rập Ai Cập, với những dạng nối khác nhau để xử lý nội dung ồn ào và mâu thuẫn. Các mô-đun của chúng ta đạt được khoảng 5=.* giảm lỗi tương đối (1.1==.==.=) hoàn toàn tiến bộ) cho việc phân tích lịch sử hoàn chỉnh (1.1.1=.=) cho mức độ chính xác, trên cơ sở cơ bản thời đại.

Abstract

用户文本嘈杂,多词法与正字法不一,此自然语言处(NLP)务更具挑战性。嘈杂文本挑战性于方言为甚,除拼写、词汇异之外,方言文本有形句法语音之变。增益NLP疏而减准确性。设埃及阿拉伯语神经形消歧义形,广以理嘈杂。比之先进之基线,则形全而约5%差减(1.1%绝对改),成约于词性22%损益(1.8%)。

Anthology ID:: N18-1087
Volume:: Proceedings of the 2018 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Volume 1 (Long Papers)
Month:: June
Year:: 2018
Address:: New Orleans, Louisiana
Venue:: NAACL
SIG:
Publisher:: Association for Computational Linguistics
Note:
Pages:: 953–964
Language:
URL:: https://aclanthology.org/N18-1087
DOI:: 10.18653/v1/N18-1087
Bibkey:
Cite (ACL):: Nasser Zalmout, Alexander Erdmann, and Nizar Habash. 2018. Noise-Robust Morphological Disambiguation for Dialectal ArabicArabic. In Proceedings of the 2018 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Volume 1 (Long Papers), pages 953–964, New Orleans, Louisiana. Association for Computational Linguistics.
Cite (Informal):: Noise-Robust Morphological Disambiguation for Dialectal ArabicArabic (Zalmout et al., NAACL 2018)
Copy Citation:
PDF:: https://aclanthology.org/N18-1087.pdf
Terminologies:

PDF Cite Search Translate