Arabic Textual Entailment with Word EmbeddingsArabic Textual Entailment with Word Embeddings Arabiese Tekstuele Voltooiïng met Woord Inbetering የዐረብኛ ጽሑፍ النص العربي مع كلمة تطريز S칬zl칲k 캻fad톛l톛ri il톛 Arap칞a Metin Tamamlamas캼 Арабски текстов текст с вграждания на думи Name ཨ་རབ་ཀྱི་ཡི་གེའི་སྒྲིག་ཆ་རྣམ་གྲངས་ཀྱིས་ཡི་གེ Arapska tekstualna obaveza sa uključenim riječima El problema textual àrab amb l'incorporació de paraules Arabský textový popis s vložením slov Arabisk tekst indlejring med ordindlejringer Arabische Textbeschneidung mit Word Einbettungen Αραβική κειμενική επεξεργασία με ενσωμάτωση λέξεων Implicación textual árabe con incrustaciones de palabras Araabia tekstiline kirjutus sõnade manustamisega Comment Arabian tekstiteksti ja sanaupotukset Impliqué textuel arabe avec incorporation de mots Iontráil Téacs Araibis le Leabú Focal KCharselect unicode block name Name अरबी पाठ्य शब्द एम्बेडिंग के साथ अनिवार्यता Arapska tekstualna obaveza sa uključenim riječima Arab szövegbővítés szóbeágyazásokkal Բառերի ներգրավման արաբական տեքստոլային հիվանդությունը Persekutuan Teks Arab dengan Pencampuran Kata Integrazione testuale araba con incorporazioni di parole Word埋め込みのアラビア語テキストエンテイメント Entalment Text Label არაბული ტექსტულის შესაბამისი სიტყვების შესაბამისიName Арабша мәтін біріктірімі сөзді ендіру 단어가 박힌 아랍어 어편의 함축 Name Name വാക്ക് എംബെഡിങുകളുമായി അറബി ടെക്സ്റ്റെക്സ്റ്റല് എന്ടെല്മെന്റ് Араб текст бүтэц үг нэмж Arabic Textual Entailment with Word Embeddings Tagħmir Tekstiku Għarab b’Inkorporazzjonijiet tal-kliem Arabische tekstuele aanpassing met Word Embeddings Arabisk tekstinnlegg med tekstinnlegg Arabskie napięcie tekstowe z osadzeniami słowa Entailment textual árabe com incorporação de palavras Înțelegere textuală arabă cu încorporarea cuvintelor Текстовое оформление на арабском языке с вставками слов Name Arabska besedilna povezava z vdelavami besed Xafiiska qoraalka ee Carabiga Tekstuali arab me përfshirje fjalësh Арабски текстуални затвор са речима Arabisk textindelning med Word-inbäddningar Ujumbe wa Kiarabu na Ujumbe wa Hadithi வார்த்தை உடைப்புகளுடன் அரபி உரையின் மெய்தி Metin Dolamak bilen Arabça عربی textual Entailment with Word Embeddings Xabarlar roĘ»yxati KCharselect unicode block name 阿拉伯语文本涵与词嵌
Abstract
Determining the textual entailment between texts is important in many NLP tasks, such as summarization, question answering, and information extraction and retrieval. Various methods have been suggested based on external knowledge sources ; however, such resources are not always available in all languages and their acquisition is typically laborious and very costly. Distributional word representations such as word embeddings learned over large corpora have been shown to capture syntactic and semantic word relationships. Such models have contributed to improving the performance of several NLP tasks. In this paper, we address the problem of textual entailment in Arabic. We employ both traditional features and distributional representations. Crucially, we do not depend on any external resources in the process. Our suggested approach yields state of the art performance on a standard data set, ArbTE, achieving an accuracy of 76.2 % compared to state of the art of 69.3 %.Abstract
Die bepaal van die tekstuele aanhouding tussen teks is belangrik in baie NLP-opdragte, soos opsomming, vraag antwoord en inligting uittrek en onttrek. Verskeie metodes is voorgestel gebaseer op eksterne kennisbronne; verskeie metodes is voorgestel maar sodanige hulpbronne is nie altyd beskikbaar in alle tale en hulle aanvang is tipies verwerklik en baie kosbaar. Verspreidisionele woord voorstellings soos woord inbêding wat oor groot korpora geleer is, is vertoon om sintaktieke en semantiese woord verhouding te vang. Hierdie modele het bygedra om die prestasie van verskeie NLP-opdragte te verbeter. In hierdie papier raak ons die probleem van tekstuele verhouding in Arabiese. Ons gebruik tradisionele funksies en verspreidingsvoorstellings. Ons het nie afhang van enige eksterne hulpbronne in die proses nie. Ons voorgestelde toegang verkry staat van die kuns-prestasie op 'n standaard data stel, ArbTE, met 'n presisie van 76,2 % vergelyking tot staat van die kuns 69,3 %.Abstract
በጽሑፎች መካከል የጽሑፍ ማውቀት በብዙ NLP ስራ ውስጥ ያስፈልጋል፤ ማረጃ፣ ጥያቄ መልስ እና መረጃ ማውጣት እና ማውጣት ነው፡፡ የውጭ እውቀት ምንጮች በመሠረት የተለያየ ዓይነቶች ተገልጦአል፡ ምንም እንኳን እንደዚህ ሀብት ሁልጊዜ በልሳኖች ሁሉ አይገኙም፣ ማግኘታቸውም በተለያዩ ይደክማል እጅግም ዋጋ ነው፡፡ በተለየ ቃላት አካባቢዎች ላይ በተማሩ ቃላት አካባቢዎች በኮርፖርት ላይ የተማሩትን እና የስናታዊ ቃላት ግንኙነትን ለመያዝ ታይተዋል፡፡ እንደነዚህ ዓይነቶች የNLP ስራዎችን ለማድረግ አቀረቡ፡፡ በዚህ ገጽ፣ የጽሑፍ ማወቅ በዐረብኛ ቋንቋ ላይ እናስባለን፡፡ የባሕላዊ ምርጫዎች እና የግንኙነት መልዕክቶች እናስገራለን፡፡ በሙሉ ውጭ ሀብት ምንም እንታመካለን፡፡ Our suggested approach yields state of the art performance on a standard data set, ArbTE, achieving an accuracy of 76.2 % compared to state of the art of 69.3 %.Abstract
يعد تحديد الاستنتاج النصي بين النصوص أمرًا مهمًا في العديد من مهام البرمجة اللغوية العصبية ، مثل التلخيص والإجابة على الأسئلة واستخراج المعلومات واسترجاعها. تم اقتراح طرق مختلفة بناءً على مصادر المعرفة الخارجية ؛ ومع ذلك ، لا تتوفر هذه الموارد دائمًا بجميع اللغات وعادة ما يكون اكتسابها شاقًا ومكلفًا للغاية. تم عرض تمثيلات الكلمات التوزيعية مثل حفلات الزفاف التي تم تعلمها على مجموعات كبيرة لالتقاط علاقات الكلمات النحوية والدلالية. وقد ساهمت هذه النماذج في تحسين أداء العديد من مهام البرمجة اللغوية العصبية. في هذه الورقة نتناول مشكلة الاستدلال النصي في اللغة العربية. نحن نوظف كل من الميزات التقليدية والتمثيلات التوزيعية. بشكل حاسم ، نحن لا نعتمد على أي موارد خارجية في هذه العملية. ينتج عن نهجنا المقترح أداءً متطورًا على مجموعة بيانات قياسية ، ArbTE ، محققًا دقة تبلغ 76.2٪ مقارنةً بأحدث التقنيات التي تبلغ 69.3٪.Abstract
Metinlərin arasındakı məlumatları təyin etmək NLP işlərində çox mövcuddur, məlumatların cavab verməsi və məlumatların çıxartması və alınması kimi məlumatlar arasında mövcuddur. Dışarı bilgi kaynaqlarına dayanan müxtəlif metodlar təbliğ edilmişdir; Ancaq bu mənbələr həmişə hər cür dildə faydalanmaz və onların alınması genellikle işgəzdir və çox qiymətlidir. Büyük korpora üzərində öyrəndiyi sözlər kimi dağıtılış sözlər sintaktik və semantik söz əlaqələrini tutmaq üçün göstərildi. Bütün modellər bir neçə NLP işini yaxşılaşdırmağa kömək edirlər. Bu kağızda, ərəb dilində tekst məlumatının problemini çəkirik. Biz hər ikisini ehtiyatlı mövcuddur və dağıtıcılıq göstəricilərini istifadə edirik. Əslində, biz prosesdə heç bir dış kaynaqlara bağlı deyilik. Bizim təbliğ etdiyimiz təsirimiz standart verilər qutusunda, ArbTE, 69,3 sanatının müqayisədə 76,2 % ədaləti çatdırır.Abstract
Определянето на текстовата обвързаност между текстовете е важно в много задачи на НЛП, като обобщаване, отговаряне на въпроси, извличане и извличане на информация. Предлагани са различни методи въз основа на външни източници на знания; обаче, такива ресурси не винаги са достъпни на всички езици и тяхното придобиване обикновено е трудоемко и много скъпо. Дистрибуционните думи, като например вграждането на думи, научено в големи корпуси, са показали, че улавят синтактични и семантични речни връзки. Подобни модели допринесоха за подобряване на изпълнението на няколко задачи от НЛП. В настоящата статия разглеждаме проблема с текстовото обвързване на арабски език. Ние използваме както традиционни характеристики, така и дистрибуционни представяния. От решаващо значение е, че в процеса не зависим от външни ресурси. Нашият предложен подход дава най-съвременни резултати на стандартен набор от данни, постигайки точност от 76.2% в сравнение с най-съвременните 69.3%.Abstract
অনেক এনএলপি কাজের মধ্যে টেক্সচুয়ালের সংক্ষেপ, প্রশ্নের উত্তর এবং তথ্য বের করা এবং পুনরুদ্ধারের মধ্যে প্রযুক্তি নির্ধারণ করা গুর বাইরে জ্ঞানের উৎস ভিত্তিক ভিত্তিক ভিত্তিক বিভিন্ন পদ্ধতি প্রস্তাব করা হয়েছে; তবে এই ধরনের সম্পদ সবসময় সকল ভাষায় পাওয়া যায় না এবং তাদের অর্জন সাধারণত শ্রমিক এবং খুব দাম। বিভিন্ন শব্দের প্রতিনিধি যেমন বিশাল কোর্পোরায় শিক্ষা প্রদান করা শব্দের প্রতিনিধিত্ব প্রদর্শন করা হয়েছে সিন্ট্যাকটি এরকম মডেলগুলো বেশ কয়েকটি এনএলপি কাজের প্রভাব উন্নত করার জন্য সাহায্য করেছে। এই পত্রিকায়, আমরা আরবী ভাষায় টেক্সচুয়াল বিজ্ঞানের সমস্যার কথা বলি। আমরা ঐতিহ্যবাহী বৈশিষ্ট্য এবং বিতরণের প্রতিনিধিদের কাজ করি। ক্রুশিকভাবে আমরা প্রক্রিয়ার কোন বাইরের সম্পদের উপর নির্ভর করি না। আমাদের প্রস্তাবিত পদক্ষেপের ফলে স্ট্যান্ডার ডাটা সেটের উপর শিল্প প্রদর্শনের অবস্থা হয়, আর্বেট, ৬৯. ৩% শিল্পের অবস্থার তুলনায় ৭৬.Abstract
ཡི་གེའི་ནང་དུ་ཡི་གེའི་འཇུག ཕྱིར་དབྱིབས་གནས་ཚུལ་འབྱུང་ཁུངས་ལ་གཞི་བརྟེན་ནས་ཐབས་ལམ་འདྲ་མིན་འདྲ་བསམ་བྱས་ཡོད། ཡིན་ནའང་། རྒྱུ་ཆས་འདི་དག་ནི་སྐད་ཡིག་ཆ་ཚང་མས་ནང་དུ་སྤྱོད་ཐུབ་མེད་པར། ཁོང་ཚོའི་རྩ་འབྲེལ་འདི་རྒྱུན་ལྡན་ན Distributional word representations such as word embeddings learned over large corporations have been shown to capture syntactic and semantic word relationships. རྣམ་གྲངས་འདིས་NLP བྱ་འགུལ་གྱི་ལས་འགན་འགྲོ་བར་མཁན་ལ་རྒྱས་སྐྱོར་བ་ཡིན་པ ང་ཚོས་ཤོག་བུ་འདིའི་ནང་དུ་ཡི་གེའི་ནང་དུ་ཡི་གེའི་འཇུག་སྣོད་ཀྱི་དཀའ་ངལ་བཤད་ཀྱི་དཀའ ང་ཚོས་རྒྱུན་ལྡན་དང་དབུགས་ཆ་ཁག་གཉིས་ཀྱིས་ལག་ལེན་འཐབ་བྱེད་ཀྱི་ཡོད། དངོས་དོན་དག་བརྩོན་བྱས་ན། འུ་ཅག་གིས་ལས་སྦྱོར་ཐོན་ཁུངས་ཀྱི་རྒྱུ་ཆས་གང་ཡང་རུང་མེད་པར། ང་ཚོའི་གྲོས་འཆར་བྱས་པར་སྔོན་སྒྲིགAbstract
U mnogim zadacima NLP-a, kao što su sažetanje, odgovor na pitanje, i izvlačenje informacija i prikupljanje, važno je utvrđivanje tekstualnog pristaništa između teksta. Predloženi su različite metode na temelju vanjskih izvora znanja; Međutim, takvi resursi nisu uvijek dostupni na svim jezicima, a njihova usvajanja je obično radna i jako skupa. Predstavljanja distribucijskih riječi kao što su riječi uključene preko velike korporacije pokazali su da se odnosi sintaktičnih i semantičnih riječi uhvate. Takvi modeli su doprineli poboljšanju učinka nekoliko zadataka NLP-a. U ovom papiru rješavamo problem tekstualne želje na arapskom. Mi zapošljavamo i tradicionalne karakteristike i raspodjelne predstave. Osim toga, mi ne zavisimo od bilo kakvih vanjskih resursa u tom procesu. Naš predloženi pristup pruža stanje učinkovitosti umjetnosti na standardnom setu podataka, ArbTE, ostvarivši to čnost 76,2 % u usporedbi s stanjem umjetnosti 69,3 %.Abstract
Determinar l'involucració textual entre els textos és important en moltes tasques de la NLP, com ara resum, resposta a preguntes i extracció i recuperació d'informació. S'han suggerit diversos mètodes basats en fonts externes de coneixement; however, such resources are not always available in all languages and their acquisition is typically laborious and very costly. S'ha demostrat que representacions de paraules distribucionals com l'incorporació de paraules aprenguta sobre grans corpores capturen relacions sinàctiques i semàntiques de paraules. Aquests models han contribuït a millorar el desempeny de diverses tasques del NLP. En aquest article, abordem el problema de l'involucració textual en àrab. Empreguem tant característiques tradicionals com representacions de distribució. El més important és que no depenem de cap recurso extern en el procés. El nostre enfocament suggerit dona un rendiment més avançat en un conjunt de dades estàndard, ArbTE, aconseguint una precisió del 76,2 % en comparació amb l'estat més avançat del 69,3 %.Abstract
Určení textového souvislosti mezi texty je důležité v mnoha úkolech NLP, jako je shrnutí, odpověď na otázky a extrakce a vyhledávání informací. Byly navrženy různé metody založené na externích zdrojích znalostí; Nicméně tyto zdroje nejsou vždy k dispozici ve všech jazycích a jejich získávání je obvykle pracovné a velmi nákladné. Bylo ukázáno, že distribuční slovní reprezentace, jako jsou vložení slov naučené přes velké korpusy, zachycují syntaktické a sémantické slovní vztahy. Tyto modely přispěly ke zlepšení výkonu několika úkolů NLP. V tomto článku se zabýváme problémem textové implikace v arabštině. Používáme jak tradiční rysy, tak distribuční reprezentace. Klíčové je, že v procesu nejsme závislí na žádných externích zdrojích. Náš navržený přístup přináší nejmodernější výkon na standardní datové sadě ArbTE, která dosahuje přesnosti 76,2% ve srovnání se stavem techniky 69,3%.Abstract
Det er vigtigt at fastlægge tekstforholdet mellem tekster i mange NLP-opgaver, såsom opsummering, spørgsmålsbesvarelse og informationsudvinding og -hentning. Der er foreslået forskellige metoder baseret på eksterne videnkilder. Men sådanne ressourcer er ikke altid tilgængelige på alle sprog, og deres erhvervelse er typisk besværlig og meget dyr. Distributionelle ordrepræsentationer såsom ordindlejringer lært over store korpora har vist sig at fange syntaktiske og semantiske ordrelationer. Sådanne modeller har bidraget til at forbedre udførelsen af flere NLP-opgaver. I denne artikel behandler vi problemet med tekstmæssig involvering på arabisk. Vi anvender både traditionelle funktioner og distributionsmæssige repræsentationer. Afgørende er, at vi ikke er afhængige af nogen eksterne ressourcer i processen. Vores foreslåede tilgang giver topmoderne resultater på et standarddatasæt, ArbTE, og opnår en nøjagtighed på 76,2% sammenlignet med topmoderne 69,3%.Abstract
Die Bestimmung des textlichen Zusammenhangs zwischen Texten ist wichtig bei vielen NLP-Aufgaben, wie Zusammenfassung, Beantwortung von Fragen und Extraktion und Abruf von Informationen. Auf der Grundlage externer Wissensquellen wurden verschiedene Methoden vorgeschlagen; Allerdings sind solche Ressourcen nicht immer in allen Sprachen verfügbar und ihre Beschaffung ist in der Regel mühsam und sehr kostspielig. Verteilende Wortrepräsentationen wie Worteinbettungen, die über große Korpora gelernt wurden, erfassen syntaktische und semantische Wortbeziehungen. Solche Modelle haben dazu beigetragen, die Leistung mehrerer NLP-Aufgaben zu verbessern. In diesem Beitrag beschäftigen wir uns mit dem Problem der textuellen Einbeziehung im Arabischen. Wir verwenden sowohl traditionelle Merkmale als auch verteilte Darstellungen. Entscheidend ist, dass wir dabei nicht auf externe Ressourcen angewiesen sind. Unser vorgeschlagener Ansatz liefert State-of-the-Art-Performance auf einem Standard-Datensatz ArbTE und erreicht eine Genauigkeit von 76,2% im Vergleich zum Stand der Technik von 69,3%.Abstract
Ο προσδιορισμός της περιεκτικότητας κειμένου μεταξύ κειμένων είναι σημαντικός σε πολλές εργασίες όπως η σύνοψη, η απάντηση σε ερωτήσεις και η εξαγωγή και ανάκτηση πληροφοριών. Έχουν προταθεί διάφορες μέθοδοι με βάση εξωτερικές πηγές γνώσης. Ωστόσο, οι πόροι αυτοί δεν είναι πάντα διαθέσιμοι σε όλες τις γλώσσες και η απόκτηση τους είναι συνήθως επίπονη και πολύ δαπανηρή. Οι αναπαραστάσεις λέξεων διανομής, όπως οι ενσωματώσεις λέξεων που μαθαίνονται σε μεγάλα σώματα, έχουν αποδειχθεί ότι συλλαμβάνουν συντακτικές και σημασιολογικές σχέσεις λέξεων. Τέτοια μοντέλα συνέβαλαν στη βελτίωση της απόδοσης πολλών καθηκόντων NLP. Στην παρούσα εργασία, εξετάζουμε το πρόβλημα της γραπτής εμπλοκής στα αραβικά. Χρησιμοποιούμε τόσο παραδοσιακά χαρακτηριστικά όσο και διανομικές αναπαραστάσεις. Κατά τη διαδικασία δεν εξαρτιόμαστε από εξωτερικούς πόρους. Η προτεινόμενη προσέγγιση αποδίδει επιδόσεις τελευταίας τεχνολογίας σε ένα τυποποιημένο σύνολο δεδομένων, επιτυγχάνοντας ακρίβεια 76.2% σε σύγκριση με την κατάσταση της τεχνολογίας 69.3%.Abstract
Determinar la implicación textual entre textos es importante en muchas tareas de la PNL, como el resumen, la respuesta a preguntas y la extracción y recuperación de información. Se han sugerido varios métodos basados en fuentes de conocimiento externas; sin embargo, estos recursos no siempre están disponibles en todos los idiomas y su adquisición suele ser laboriosa y muy costosa. Se ha demostrado que las representaciones de palabras distributivas, como las incrustaciones de palabras aprendidas en grandes corpus, capturan las relaciones de palabras sintácticas y semánticas. Estos modelos han contribuido a mejorar el desempeño de varias tareas de PNL. En este artículo, abordamos el problema de la implicación textual en árabe. Empleamos tanto características tradicionales como representaciones distributivas. Fundamentalmente, no dependemos de ningún recurso externo en el proceso. Nuestro enfoque sugerido proporciona un rendimiento de vanguardia en un conjunto de datos estándar, ArBTE, logrando una precisión del 76,2% en comparación con el estado del arte del 69,3%.Abstract
Tekstide vahelise seose kindlaksmääramine on oluline paljudes NLP ülesannetes, nagu kokkuvõtlik koostamine, küsimustele vastamine ning teabe väljavõtmine ja hankimine. On välja pakutud mitmesuguseid meetodeid, mis põhinevad välistel teadmiste allikatel; Kuid sellised ressursid ei ole alati kättesaadavad kõigis keeltes ja nende omandamine on tavaliselt vaevalik ja väga kulukas. On näidatud, et jaotussõnade esitused, nagu suurte korpuste kaudu õppitud sõnade manustamine, hõlmavad süntaktilisi ja semantilisi sõnasuhteid. Sellised mudelid on aidanud parandada mitmete uue uue tööprogrammi ülesannete täitmist. Käesolevas dokumendis käsitleme araabia keelse tekstilise kaasamise probleemi. Me kasutame nii traditsioonilisi omadusi kui ka jaotuslikke esitusi. Oluline on see, et me ei sõltu protsessis välisressurssidest. Meie soovitatud lähenemisviis annab standardse andmekogumi ArbTE tipptasemel tulemuslikkuse, saavutades täpsuse 76,2% võrreldes tipptasemega 69,3%.Abstract
تعیین کردن ارتباط متن بین متن در بسیاری از کارهای NLP مهم است، مثل جمع کردن، جواب سوال، و اخراج و بازیابی اطلاعات. روشهای مختلف بر اساس منابع علم خارجی پیشنهاد شدهاند. ولی این منابع همیشه در همه زبانها دسترسی ندارند و خریدن آنها معمولاً کار و ارزشمند است. نمایشنامههای کلمههای پراکندهای مانند استفادههای کلمهای که بر روی شرکت بزرگ یاد گرفتهاند نشان داده شده است که رابطههای سنتاکتیک و سنتاکتیک کلمهها را گرفتهاند. این مدلها برای تحصیل عملکرد چند کار NLP کمک کردند. در این کاغذ، ما مشکل ارتباط متن را با عربی حل می کنیم. ما هم ویژه های سنتی و نمایش های تقسیم را استفاده می کنیم. به طور خاص، ما بر هیچ منابع خارجی در این فرایند بستگی نداریم. روش پیشنهاد ما موقعیت فعالیت هنری در مجموعه دادههای استاندارد، ArbTE، به مقایسهی موقعیت هنری 69.3 درصد به رسیدن دقیق 76.2 درصد میرسد.Abstract
Tekstien välisen tekstiyhteyden määrittäminen on tärkeää monissa NLP:n tehtävissä, kuten tiivistelmässä, kysymyksissä vastaamisessa sekä tiedonhankinnassa ja -haussa. Ulkoisiin tietolähteisiin perustuvia erilaisia menetelmiä on ehdotettu. Tällaisia resursseja ei kuitenkaan aina ole saatavilla kaikilla kielillä ja niiden hankkiminen on tyypillisesti työlästä ja erittäin kallista. Jakautuvien sanaesitysten, kuten suurten korpusten, on osoitettu kuvaavan syntaktisia ja semanttisia sanasuhteita. Tällaiset mallit ovat osaltaan parantaneet useiden NLP-tehtävien suorituskykyä. Tässä artikkelissa käsittelemme arabiankielisen tekstin merkittävyyden ongelmaa. Käytämme sekä perinteisiä ominaisuuksia että jakeluesityksiä. Tärkeintä on, että emme ole riippuvaisia mistään ulkoisista resursseista prosessissa. Ehdotetun lähestymistapamme avulla saadaan aikaan huippuluokan suorituskyky standardidatasarjassa ArbTE, saavuttaen 76,2%:n tarkkuuden verrattuna viimeisimpään 69,3%:n tarkkuuteen.Abstract
La détermination de l'implication textuelle entre les textes est importante dans de nombreuses tâches de PNL, telles que la synthèse, la réponse aux questions et l'extraction et la récupération d'informations. Diverses méthodes ont été proposées sur la base de sources de connaissances externes ; cependant, ces ressources ne sont pas toujours disponibles dans toutes les langues et leur acquisition est généralement laborieuse et très coûteuse. Il a été démontré que les représentations de mots distributionnelles, telles que les incorporations de mots apprises sur de grands corpus, capturent les relations syntaxiques et sémantiques entre les mots. Ces modèles ont contribué à améliorer les performances de plusieurs tâches de PNL. Dans cet article, nous abordons le problème de l'implication textuelle en arabe. Nous utilisons à la fois des caractéristiques traditionnelles et des représentations distributionnelles. Ce qui est crucial, c'est que nous ne dépendons d'aucune ressource extérieure dans ce processus. Notre approche suggérée fournit des performances de pointe sur un ensemble de données standard, ArBte, atteignant une précision de 76,2 % par rapport à l'état de l'art de 69,3 %.Abstract
Tá sé tábhachtach an ceangal téacs idir téacsanna a chinneadh i go leor tascanna NLP, mar achoimre, freagairt ceisteanna, agus asbhaint agus aisghabháil faisnéise. Tá modhanna éagsúla molta bunaithe ar fhoinsí seachtracha eolais; ní bhíonn a leithéid d’acmhainní ar fáil i ngach teanga i gcónaí, áfach, agus bíonn a sealbhú go hiondúil an-dian agus an-chostasach. Léiríodh go mbíonn gaolmhaireachtaí comhréire agus shéimeantacha focal á dtabhairt ag léirithe dáilte focal ar nós leabaithe focal a foghlaimíodh thar chorpas mór. Chuidigh samhlacha den sórt sin le feabhas a chur ar fheidhmíocht roinnt tascanna NLP. Sa pháipéar seo, tugaimid aghaidh ar an bhfadhb a bhaineann le gabháil théacsúil san Araibis. Bainimid úsáid as gnéithe traidisiúnta agus léirithe dáileacháin. Go ríthábhachtach, nílimid ag brath ar aon acmhainní seachtracha sa phróiseas. Cruthaíonn an cur chuige atá molta againn feidhmíocht den scoth ar thacar sonraí caighdeánach, ArbTE, ag baint amach cruinneas 76.2 % i gcomparáid leis an úrscothacht 69.3 %.Abstract
Yana ƙayyade masu sani na rubutu tsakanin matsayi a cikin aikin mãsu yawa na NLP, kamar ƙarami, mai tambaya da tambayar, da masu samun zartar da masu sani. An buƙata hanyõyi mãsu yawa a kan asalin sourcen saninta na ƙarƙashin; A lokacin da, ba za a iya sãmu wannan raslima ba ko daidai a cikin duk harshe kuma ma'anarsu yana da amfani mai amfani da kuma yana da kyauta mai girma. An nuna masu motsari da maganar da aka sanar da shi a kan kormpuni mai girma dõmin su kãma dangantaka da suka yi syntactic da semanti. Waɗannan misãlai sun ƙara yin improve performance of several taskõkin NLP. Ga wannan takardan, Munã tambayar masu matsayin da ke cikin Larabci. We employ both traditional features and distributional representations. Haƙĩƙa, ba mu dõgara ga duk dũkiyar bakwai a cikin aikin nan. Tsarinmu da aka buƙata, yana fitar halin mai sanar da shi a kan daidaita data na daidaita, ArbTe, yana sami da tsarin 76.2% da aka sammenliki da halin sanar na 69.3%.Abstract
הקישור של התערבות הטקסטלית בין טקסטים חשוב במשימות רבות של NLP, כמו הסכם, עניין לשאלות, וציאת ומידע וחילוץ. הציעו שיטות שונות בהתבסס על מקורות ידע חיצוניים; however, such resources are not always available in all languages and their acquisition is typically laborious and very costly. התצגות מילים מפורסמות, כגון הכנסות מילים שלמדו על גופורה גדולה, הוראו לכלוב מערכות יחסים מילים סינטקטיות וסמנטיות. דוגמנים כאלה תורמו לשיפור ביצועים של מספר משימות NLP. בעיתון הזה, אנחנו מתייחסים לבעיה של התערבות טקסטולית בערבית. אנו משתמשים גם בתחומים מסורתיים וגם מייצגים פיצועים. מה שחשוב, אנחנו לא תלויים בשום משאבים חיצוניים בתהליך. הגישה המוצעת שלנו נותנת ביצועים מוקדמים על קבוצת נתונים סטנדרטית, ArbTE, להשיג מדויקה של 76.2% בהשוואה למצב האומנות של 69.3%.Abstract
ग्रंथों के बीच पाठ्य तात्पर्य का निर्धारण कई एनएलपी कार्यों में महत्वपूर्ण है, जैसे कि सारांश, प्रश्न उत्तर देना, और जानकारी निष्कर्षण और पुनर्प्राप्ति। बाहरी ज्ञान स्रोतों के आधार पर विभिन्न तरीकों का सुझाव दिया गया है; हालांकि, ऐसे संसाधन हमेशा सभी भाषाओं में उपलब्ध नहीं होते हैं और उनका अधिग्रहण आमतौर पर श्रमसाध्य और बहुत महंगा होता है। वितरणात्मक शब्द प्रतिनिधित्व जैसे कि बड़े कॉर्पोरेट पर सीखे गए शब्द एम्बेडिंग को वाक्यात्मक और शब्दार्थ शब्द संबंधों को कैप्चर करने के लिए दिखाया गया है। इस तरह के मॉडल ने कई एनएलपी कार्यों के प्रदर्शन में सुधार करने में योगदान दिया है। इस पत्र में, हम अरबी में पाठ्य अनिवार्यता की समस्या को संबोधित करते हैं। हम पारंपरिक विशेषताओं और वितरण प्रतिनिधित्व दोनों को नियोजित करते हैं। महत्वपूर्ण रूप से, हम इस प्रक्रिया में किसी भी बाहरी संसाधनों पर निर्भर नहीं हैं। हमारे सुझाए गए दृष्टिकोण से एक मानक डेटा सेट, ArbTE पर कला प्रदर्शन की स्थिति उत्पन्न होती है, जो 69.3% की कला की स्थिति की तुलना में 76.2% की सटीकता प्राप्त करती है।Abstract
U mnogim zadacima NLP-a, poput sažetke, odgovora na pitanja, i izvlačenja informacija i prikupljanja, važno je utvrđivanje tekstualnog zadatka između teksta. Predloženi su različite metode na temelju vanjskih izvora znanja; Međutim, takvi resursi nisu uvijek dostupni na svim jezicima, a njihova prikupljanja je obično radna i vrlo skupa. Predstavljanja distribucijskih riječi kao što su riječi uključene preko velike korporacije pokazali su kako su uključivali sintaktične i semantične veze riječi. Takvi modeli su doprinijeli poboljšanju učinka nekoliko zadataka NLP-a. U ovom papiru rješavamo problem tekstualne želje na arapskom. Mi zapošljavamo i tradicionalne karakteristike i raspodjelne predstave. Osim toga, mi ne ovisimo o bilo kojim vanjskim resursima u tom procesu. Naš predloženi pristup pruža stanje učinkovitosti umjetnosti na standardnom setu podataka, ArbTE, postižeći to čnost 76,2 % u usporedbi s stanjem umjetnosti 69,3 %.Abstract
A szövegek közötti szöveges vonatkozás meghatározása fontos számos NLP feladatban, mint például az összefoglalás, a kérdések megválaszolása, valamint az információk kinyerése és visszakeresése. Külső tudásforrásokon alapuló különböző módszereket javasoltak; Az ilyen erőforrások azonban nem mindig állnak rendelkezésre minden nyelven, és megszerzésük jellemzően fáradságos és nagyon költséges. Az elosztási szóreprezentációk, mint például a nagy korpuszokon tanult szóbeágyazások, kimutatták, hogy szintaktikus és szemantikai szókapcsolatokat rögzítenek. Az ilyen modellek hozzájárultak számos NLP-feladat teljesítményének javításához. Ebben a tanulmányban a szöveges vonatkozás problémájával foglalkozunk arabul. Hagyományos funkciókat és disztribúciós reprezentációkat is alkalmazunk. Alapvető fontosságú, hogy a folyamat során nem függünk semmilyen külső erőforrástól. Javasolt megközelítésünk a legkorszerűbb teljesítményt eredményez egy standard adatkészleten, az ArbTE-n, amely 76,2%-os pontosságot ér el a legkorszerűbb 69,3%-kal szemben.Abstract
Determining the textual entailment between texts is important in many NLP tasks, such as summarization, question answering, and information extraction and retrieval. Տարբեր մեթոդներ են առաջարկվել, հիմնված արտաքին գիտելիքների աղբյուրների վրա: այնուամենայնիվ, այս ռեսուրսները միշտ հասանելի չեն բոլոր լեզուներում, և դրանց ձեռք բերումը սովորաբար ծանր է և շատ թանկ: Պարզվել է, որ բառերի տարածական ներդրումները, ինչպիսիք են բառերի ներդրումները, որոնք սովորել են մեծ մարմնի վրա, պատկերացնում են սինտակտիկ և սեմանտիկ բառերի հարաբերությունները: Այսպիսի մոդելները օգնել են բարելավել ՆԼՊ-ի որոշ խնդիրների կատարումը: Այս թղթի մեջ մենք լուծում ենք արաբերենի տեքստային ներգրավման խնդիրը: Մենք օգտագործում ենք նաև ավանդական հատկություններ, նաև բաշխման ներկայացումներ: Հիմնականում, մենք կախված չենք գործընթացի արտաքին ռեսուրսներից: Մեր առաջարկված մոտեցումը հանգեցնում է ստանդարտ տվյալների համակարգի ԱրբԹԵ-ի լավագույն արդյունքներին, որոնք հասնում են 76.2 տոկոսի ճշգրտության, համեմատած 69.3 տոկոսի լավագույն արդյունքներին:Abstract
Menentukan keterlibatan teks antara teks penting dalam banyak tugas NLP, seperti ringkasan, jawaban pertanyaan, dan ekstraksi dan retrieval informasi. Berbagai metode telah disarankan berdasarkan sumber pengetahuan luar; namun, sumber daya tersebut tidak selalu tersedia dalam semua bahasa dan akuisisi mereka biasanya berat dan sangat mahal. Perwakilan kata distribusional seperti penerbangan kata belajar di atas korpra besar telah menunjukkan untuk menangkap hubungan kata sintaksi dan semantis. Model seperti ini telah berkontribusi untuk meningkatkan prestasi beberapa tugas NLP. Dalam kertas ini, kita mengatasi masalah penyelesaian teks dalam bahasa Arab. Kami menggunakan kedua karakteristik tradisional dan representation distribusi. Yang penting, kita tidak bergantung pada sumber daya luar dalam proses ini. Pendekatan yang kami sarankan memberikan prestasi terbaik pada set data standar, ArbTE, mencapai akurasi 76,2 % dibandingkan dengan keadaan terbaik 69,3 %.Abstract
Determinare il coinvolgimento testuale tra i testi è importante in molti compiti del PNL, come la sintesi, la risposta alle domande e l'estrazione e il recupero di informazioni. Sono stati proposti vari metodi basati su fonti esterne di conoscenza; Tuttavia, tali risorse non sono sempre disponibili in tutte le lingue e la loro acquisizione è tipicamente laboriosa e molto costosa. Rappresentazioni distributive di parole come le incorporazioni di parole apprese su grandi corpora sono state mostrate per catturare relazioni sintattiche e semantiche di parole. Tali modelli hanno contribuito a migliorare le prestazioni di diversi compiti del PNL. In questo articolo, affrontiamo il problema del coinvolgimento testuale in arabo. Impieghiamo sia caratteristiche tradizionali che rappresentazioni distributive. Fondamentalmente, non dipendiamo da risorse esterne nel processo. Il nostro approccio proposto offre prestazioni all'avanguardia su un set di dati standard, ArbTE, raggiungendo una precisione del 76,2% rispetto allo stato dell'arte del 69,3%.Abstract
テキスト間のテキストの関連性を判断することは、要約、質問の回答、情報の抽出と検索など、多くのNLPタスクで重要です。外部の知識源に基づいて様々な方法が提案されているが、そのようなリソースは必ずしもすべての言語で利用できるわけではなく、その取得には通常手間がかかり、非常にコストがかかる。大規模なコーラで学習された単語埋め込みなどの分布的な単語表現は、構文的および意味的な単語関係を取り込むことが示されている。このようなモデルは、いくつかのNLPタスクのパフォーマンスの向上に貢献してきた。本稿では、アラビア語のテキスト帰結の問題について述べる。従来の機能と流通表現の両方を採用しています。重要なことに、私たちはプロセスにおいて外部リソースに依存していません。当社の提案されたアプローチは、標準データセットであるＡｒｂＴＥにおける最先端のパフォーマンスをもたらし、最先端の６ ９ ． ３ ％と比較して７ ６ ． ２ ％の精度を達成する。Abstract
politenessoffpolite"), and when there is a change ("assertivepoliteness AllProgressBarUpdates Nanging, yo uwong-uwong sing paling-apat ora sembaye nèng sabên langkung karo ngono sapa pakeh, nik kabèh dumadhi kanggo ngono koyok barang. Distribution word representation Laptop" and "Desktop Nanging mapun iki, kéné bakal mlaku kuwi kapan textual lan ning arap. Awak dhéwé éntuk cara-cara sing dibenakaké karo nguasai nyebuturan Tenggo-tanggal, kéné ora tau mlebu nang mbengok liyane wis ana ing rak. Awak dhéwé nggunakake puntuang-puntuan ngerasakno dadi sing bisa perusahaan karo hal-puntuang nggawe barang dhéwé kuwi angat dhéwé berarti perusahaan karo hal-puntuang kanggo ala macem depan.Abstract
ტექსტის შორის ტექსტულის შესახებ განსაზღვრება მნიშვნელოვანია NLP რამდენიმე დავალებში, როგორც კითხვების შესახებ, კითხვების შესახებ და ინფორმაციის ექსტრაქცია და დააღ განსხვავებული მეტოვები იყო განსხვავებული განსხვავებული მეტოვები გარეშე განსხვავებული მეტოვებზე; მაგრამ ასეთი რესურსი არ ყოველთვის ყველა ენაში ხელსაწყებელია, და ისინი მიღება ტიპოლურად მუშაობელია და ძალიან საკმაოდ. დისტრიბუციალური სიტყვების გამოსახულებები, როგორც სიტყვები, როგორც დიდი კოპორაზე მოსწავლილი სიტყვები, გამოსახულებულია სიტყვების შესახებ. ასეთი მოდელები დამატებულია რამდენიმე NLP დავალების მუშაობას. ჩვენ ამ წიგნაში ტექსტური შესაძლებლობის პრობლემა აპაბიურად გადაწყენებთ. ჩვენ ტრადიციონალური განსაზღვრებები და განსაზღვრებული განსაზღვრებები გამოყენებთ. ჩვენ პროცესის გარეშე რესურსიდან არ დავუყენებთ. ჩვენი წარმოიდგინე პროგრამის შესაძლებლობა იქნება სტანდარტული მონაცემების კონფიგურაციას, ArbTE, 76,2% წარმოდგინოს 69,3% წარმოდგინოს სტანდარტული მონაცემების შესახეAbstract
Мәтіндер арасындағы мәтіндік қатынасын анықтау NLP тапсырмалардың көпшілігінде маңызды, мысалы, тұрақты жауап беру, мәліметті тарқату және алу. Сыртқы білім көзіне негізделген әртүрлі әдістер ұсынылды; Бұл ресурстар әрқашан барлық тілдерде қол жеткізбейді, және олардың алуы әдетте жұмыс және өте маңызды. Үлкен корпора арқылы үйренген сөздердің үлестірімі синтактикалық және семантикалық сөздердің қатынасын қабылдау үшін көрсетілді. Бұл үлгілер бірнеше NLP тапсырмаларын жақсарту үшін көмектеседі. Бұл қағаздың мәселесін араб тілінде шешу. Біз дәстүрлі қасиеттерді және тарату үшін жұмыс істейміз. Біз процестің сыртқы ресурстарына тәуелді емес. Біздің ұсынысымыз, стандартты деректер жиынында, ArbTE, 69,3% суретінің күйіне салыстырып 76,2% деген дұрыстығын жеткізеді.Abstract
많은 자연 언어 처리 임무에서 텍스트 간의 텍스트 함축을 확정하는 것은 매우 중요하다. 예를 들어 요약, 문답, 정보 추출과 검색 등이다.외부 지식의 출처를 바탕으로 각종 방법을 제시했다.그러나 모든 언어가 이런 자원을 얻을 수 있는 것은 아니다. 이런 자원을 얻는 것은 보통 힘들고 원가도 높다.대형 어료 라이브러리에서 배운 단어 삽입 등 분포식 단어는 문법과 의미 단어의 관계를 포착할 수 있다는 것이 증명되었다.이 모델은 여러 NLP 작업의 성능을 향상시키는 데 도움이 됩니다.본문에서 우리는 아랍어 중의 텍스트 함축 문제를 토론하였다.우리는 전통적인 특징과 분포 표시를 채택한다.중요한 것은 우리가 이 과정에서 어떠한 외부 자원에도 의존하지 않는다는 것이다.우리가 제안한 방법은 표준 데이터 세트 ARBE에서 가장 선진적인 성능을 만들어 76.2%의 정확도를 실현했고 가장 선진적인 것은 69.3%였다.Abstract
Daugelyje NLP užduočių svarbu nustatyti tekstinį teksto susiejimą, pavyzdžiui, santrauką, atsakymą į klausimus ir informacijos gavimą bei gavimą. Siūlomi įvairūs metodai, grindžiami išoriniais žinių šaltiniais; tačiau tokie ištekliai ne visada yra prieinami visomis kalbomis, o jų įsigijimas paprastai yra sunkus ir labai brangus. Pasiskirstymo žodžių aprašymai, pavyzdžiui, žodžių įdėjimai, išmokti virš didelių korprų, rodo sintaktinius ir semantinius žodžių santykius. Tokie modeliai padėjo pagerinti kelių NLP užduočių vykdymą. Šiame dokumente sprendžiame teksto įtraukimo arabų kalba problem ą. Mes naudojame ir tradicinius požymius, ir paskirstymo atstovus. Crucially, we do not depend on any external resources in the process. Mūsų siūlomas metodas rodo pažangiausius standartinio duomenų rinkinio ArbTE rezultatus, o tikslumas – 76,2 %, palyginti su 69,3 %.Abstract
Одредувањето на текстуалното вмешање помеѓу текстите е важно во многу задачи на НЛП, како што е резултатот, одговорот на прашањата и извлекувањето и преземањето на информациите. Разни методи се предложени врз основа на надворешни извори на знаење; сепак, ваквите ресурси не се секогаш достапни на сите јазици и нивното купување е обично напорно и многу скапо. Претставувањата на дистрибуционалните зборови, како што се вградувањата на зборови научени над големите корпора, се покажаа дека ги зафатуваат синтактичките и семантичките односи на зборови. Таквите модели придонесоа за подобрување на извршувањето на неколку задачи на НЛП. Во овој весник, го решаваме проблемот со текстуалното вмешање на арапски. Ние ги користиме традиционалните карактеристики и дистрибуционалните претставувања. Што е суштинско, ние не зависиме од никакви надворешни ресурси во процесот. Нашиот предложен пристап предизвикува најсовршена резултат на стандардниот набор податоци, АрбТЕ, постигнувајќи точност од 76,2 отсто во споредба со најсовршената резултат од 69,3 отсто.Abstract
പാഠങ്ങള്ക്കിടയിലുള്ള ടെക്സ്ചുള് അറിവുള്ള വിവരങ്ങള് തീരുമാനിക്കുന്നത് പല എംഎല്പി ജോലികളിലും പ്രധാനപ്പെട്ടതാണ്. ചോദ്യം, പുറത്തുള്ള അറിവ് ഉറവിടങ്ങള് അടിസ്ഥാനമായി വ്യത്യസ്ത രീതികള് പരാമര്ശിക്കപ്പെട്ടിരിക്കുന്നു; എങ്കിലും ഇത്തരം വിഭവങ്ങള് എല്ലാ ഭാഷകളിലും ലഭ്യമല്ല. അവരുടെ ലഭിക്കുന്നത് സാധാരണ ജോലിയാണ്. വളരെ വിലയും. വിതരണ വാക്കുകളുടെ പ്രതിനിധികള്, വലിയ കോര്പ്പോരിയില് പഠിച്ച വാക്കുകള് പോലെ പഠിച്ചുകൊണ്ടിരിക്കുന്ന വാക്കു ഇതുപോലുള്ള മോഡലുകള് കുറച്ചു NLP ജോലികളുടെ പ്രകടനം മുന്കൂട്ടുവാന് സഹായിച്ചിരിക്കുന്നു. ഈ പത്രത്തില്, നമ്മള് അറബിയില് പദാവലിയുടെ പ്രശ്നത്തെക്കുറിച്ച് വിശദീകരിക്കുന്നു. നമ്മള് പാരമ്പര്യമായ പ്രതിനിധികളെയും വിതരണ പ്രതിനിധികളെയും ജോലി ചെയ്യുന്നു. പ്രക്രിയയിലെ പുറത്തുള്ള വിഭവങ്ങളില് ഞങ്ങള് ആശ്രയിക്കുന്നില്ല. നമ്മുടെ നിര്ദേശിക്കപ്പെട്ട സമീപത്തില് സാധാരണ വിവരങ്ങളുടെ സെറ്റിന്റെ സ്ഥിതിയുണ്ടാക്കുന്നു. ആര്ബെട്ട്, 69.3%-ന്റെ സ്ഥാനത്തിന്Abstract
Мэдээлэл хоорондын текстүүдийг тодорхойлох нь олон NLP даалгавруудад чухал. Жишээ нь тодорхойлолт, асуулт хариулт, мэдээлэл гаргах, авах нь чухал. Гадаан мэдлэг эх үүсвэрээр суурилсан олон аргыг санал болгож байна. Гэвч тэдгээр нөөц баялаг бүх хэл дээр үргэлж байхгүй, тэдний худалдан нь ихэвчлэн ажиллагаатай, үнэтэй. Ихэнх корпора дээр сурсан үгний нэмэлт хэлбэрүүд нь синтактик, семантик үгний харилцааныг барьж авсан юм. Ийм загварууд нь олон НLP ажлын үйлдлийг сайжруулахад тусалдаг. Энэ цаасан дээр бид өөрсдийгөө Араб хэлний бичсэн сэтгэл хөдлөлийн асуудлыг асуудаг. Бид уламжлалт болон хуваарилцааны илтгэлийг ашиглаж байна. Хамгийн чухал нь бид энэ үйл явцдаа гадаад нөөцийг хамаарахгүй. Бидний санал дэвшүүлсэн аргыг стандарт өгөгдлийн хэмжээнд урлагийн үйл ажиллагаа, АрбTE, 76.2% нь 69.3% урлагийн хувьтай харьцуулж байна.Abstract
Menentukan penyelesaian teks diantara teks adalah penting dalam banyak tugas NLP, seperti ringkasan, jawapan soalan, dan ekstraksi maklumat dan pemulihan. Pelbagai kaedah telah disarankan berdasarkan sumber pengetahuan luaran; bagaimanapun, sumber-sumber tersebut tidak sentiasa tersedia dalam semua bahasa dan pembelian mereka biasanya berfungsi dan sangat mahal. Perwakilan perkataan distribusi seperti penyembelihan perkataan yang belajar di atas korpra besar telah dipaparkan untuk menangkap hubungan perkataan sintaktik dan semantik. Model tersebut telah berkontribusi untuk meningkatkan prestasi beberapa tugas NLP. Dalam kertas ini, kita mengatasi masalah penyelesaian teks dalam bahasa Arab. Kami menggunakan kedua-dua ciri tradisional dan perwakilan distribusi. Yang penting, kita tidak bergantung pada mana-mana sumber luar dalam proses ini. pendekatan yang kami cadangkan menghasilkan prestasi seni pada set data piawai, ArbTE, mencapai ketepatan 76.2% dibandingkan dengan keadaan seni 69.3%.Abstract
Id-determinazzjoni tal-involviment testwali bejn it-testi hija importanti f’ħafna kompiti tal-NLP, bħas-sommarju, it-tweġiba għall-mistoqsijiet, u l-estrazzjoni u l-ġbir tal-informazzjoni. Ġew issuġġeriti diversi metodi bbażati fuq sorsi esterni ta’ għarfien; madankollu, dawn ir-riżorsi mhumiex dejjem disponibbli fil-lingwi kollha u l-akkwist tagħhom huwa tipikament ta’ xogħol u jiswa ħafna. Ir-rappreżentazzjonijiet tal-kliem distributtivi bħall-inkorporazzjonijiet tal-kliem imgħallma fuq korpra kbira ntwerew li jaqbdu relazzjonijiet sintattiċi u semantiċi tal-kliem. Such models have contributed to improving the performance of several NLP tasks. F’dan id-dokument, nindirizzaw il-problema tal-involviment testwali fl-Għarab. Aħna nużaw kemm il-karatteristiċi tradizzjonali kif ukoll ir-rappreżentazzjonijiet tad-distribuzzjoni. B’mod kruċjali, ma niddipendux fuq l-ebda riżorsi esterni fil-proċess. L-approċċ issuġġerit tagħna jagħti prestazzjoni avvanzata fuq sett ta’ dejta standard, ArbTE, li tikseb preċiżjoni ta’ 76.2 % meta mqabbel mal-avvanzat ta’ 69.3 %.Abstract
Het bepalen van de tekstuele samenhang tussen teksten is belangrijk bij veel NLP-taken, zoals samenvatting, vragenantwoord en informatie-extractie en -terugwinning. Er zijn verschillende methoden voorgesteld op basis van externe kennisbronnen; Dergelijke middelen zijn echter niet altijd beschikbaar in alle talen en de verwerving ervan is meestal moeizaam en zeer kostbaar. Distributionele woordrepresentaties zoals woordinsluitingen geleerd over grote corpora's zijn aangetoond om syntactische en semantische woordrelaties vast te leggen. Dergelijke modellen hebben bijgedragen aan het verbeteren van de prestaties van verschillende NLP-taken. In dit artikel behandelen we het probleem van tekstuele implicatie in het Arabisch. We gebruiken zowel traditionele kenmerken als distributierepresentaties. Belangrijk is dat we daarbij niet afhankelijk zijn van externe middelen. Onze voorgestelde aanpak levert state-of-the-art prestaties op op een standaard dataset, ArbTE, met een nauwkeurigheid van 76,2% in vergelijking met state-of-the-art van 69,3%.Abstract
Dette er viktig å bestemme tekstinnstillinga mellom tekstar i mange NLP- oppgåver, som sammendrag, spørsmåtvaring og utpakking av informasjon og henting. Dei fleire metodane er foreslått basert på eksterne kunnskjelder. Desse ressursane er imidlertid ikkje alltid tilgjengelege i alle språk, og hendinga deres er vanlegvis arbeidsgiver og veldig kost. Distribusjonelle ordrepresentasjonar som ordinnbygging lært over stor korpora er vist for å henta syntaktiske og semantiske ordforhold. Desse modeller har bidra til å forbetra utviklinga av fleire NLP- oppgåver. I denne papiret adresserer vi problemet med tekstinnhalding i arabisk. Vi bruker både tradisjonelle funksjonar og distribusjonelle representasjonar. Dette er avhengig av ingen eksterne ressurs i prosessen. Vårt foreslått tilnærming gjer tilstand til kunsthandlinga på eit standard datasett, ArbTE, og når det gjer noko nøyaktig 76,2 % sammenlignet med kunsthandlinga 69,3 %.Abstract
Określenie związku tekstowego między tekstami jest ważne w wielu zadaniach NLP, takich jak podsumowanie, odpowiadanie na pytania oraz ekstrakcja i pobieranie informacji. Zaproponowano różne metody oparte na zewnętrznych źródłach wiedzy; Jednakże takie zasoby nie zawsze są dostępne we wszystkich językach, a ich nabycie jest zazwyczaj pracowite i bardzo kosztowne. Wykazano, że reprezentacje słów dystrybucyjnych, takie jak osadzenia słów nauczone w dużych korpusach, przechwytują składniowe i semantyczne relacje słów. Takie modele przyczyniły się do poprawy wykonywania kilku zadań NLP. W niniejszym artykule poruszamy problem zaangażowania tekstowego w język arabski. Stosujemy zarówno tradycyjne cechy, jak i reprezentacje dystrybucyjne. Co istotne, nie zależymy w tym procesie od żadnych zasobów zewnętrznych. Nasze proponowane podejście zapewnia najnowocześniejszą wydajność na standardowym zbiorze danych ArbTE, osiągając dokładność 76,2% w porównaniu ze stanem techniki 69,3%.Abstract
Determinar a vinculação textual entre textos é importante em muitas tarefas de PNL, como sumarização, resposta a perguntas e extração e recuperação de informações. Vários métodos foram sugeridos com base em fontes externas de conhecimento; no entanto, esses recursos nem sempre estão disponíveis em todos os idiomas e sua aquisição costuma ser trabalhosa e muito cara. Representações de palavras de distribuição, como incorporações de palavras aprendidas em grandes corpora, mostraram capturar relacionamentos sintáticos e semânticos de palavras. Tais modelos têm contribuído para melhorar o desempenho de diversas tarefas de PNL. Neste artigo, abordamos o problema da vinculação textual em árabe. Empregamos recursos tradicionais e representações distributivas. Fundamentalmente, não dependemos de nenhum recurso externo no processo. Nossa abordagem sugerida produz desempenho de última geração em um conjunto de dados padrão, ArbTE, alcançando uma precisão de 76,2% em comparação com o estado da arte de 69,3%.Abstract
Determinarea implicației textuale între texte este importantă în multe sarcini PNL, cum ar fi rezumarea, răspunsul la întrebări și extragerea și recuperarea informațiilor. Au fost sugerate diferite metode bazate pe surse externe de cunoștințe; Cu toate acestea, astfel de resurse nu sunt întotdeauna disponibile în toate limbile, iar achiziția lor este de obicei laborioasă și foarte costisitoare. Reprezentările distribuționale de cuvinte, cum ar fi încorporările de cuvinte învățate peste corpore mari, au fost demonstrate pentru a capta relațiile sintactice și semantice cuvinte. Astfel de modele au contribuit la îmbunătățirea performanței mai multor sarcini ale PNL. În această lucrare abordăm problema implicării textuale în limba arabă. Utilizăm atât caracteristici tradiționale, cât și reprezentări distribuționale. În mod crucial, nu depindem de nicio resursă externă în acest proces. Abordarea noastră propusă oferă performanțe de ultimă generație pe un set de date standard, ArbTE, obținând o precizie de 76,2% comparativ cu cele de ultimă generație de 69,3%.Abstract
Определение текстового влечения между текстами важно во многих задачах NLP, таких как обобщение, ответы на вопросы, извлечение и поиск информации. Были предложены различные методы, основанные на внешних источниках знаний; однако такие ресурсы не всегда имеются на всех языках, и их приобретение обычно является трудоемким и очень дорогостоящим. Было показано, что дистрибутивные представления слов, такие как вложения слов, изученные в больших корпусах, отражают синтаксические и семантические отношения слов. Такие модели способствовали улучшению выполнения нескольких задач NLP. В настоящем документе мы рассматриваем проблему текстового влечения на арабском языке. Мы используем как традиционные функции, так и дистрибьюторские представления. Чрезвычайно важно, что в этом процессе мы не зависим от каких-либо внешних ресурсов. Наш предлагаемый подход обеспечивает современные эксплуатационные характеристики на стандартном наборе данных, ArbTE, достигая точности 76,2% по сравнению с уровнем техники 69,3%.Abstract
පාළුවන් අතර පාළුවන් අතර විශේෂය නිර්ධාරණය කරන්න වැදගත් NLP වැඩේ වැදගත් වෙනවා, හරියට සංශ්ය, ප්රශ්න ප්රතික් වෙනස් විදියට ප්රශ්න විදියට ප්රශ්න විදියට ප්රශ්න වෙලා තියෙන්නේ පුළුවන් නමුත්, ඒ වගේ ප්රමාණය හැමදාම භාෂාවල් වලින් පුළුවන් නෑ ඒ වගේම ඔවුන්ගේ අල්ලගන්න පුළුවන් ව විදුලි වචන ප්රතිනිශේෂණය වගේ වචන සංවිධානය වගේ ලොකු කොර්පෝරා වලින් ඉගෙන ගත්ත වචන සංවිධානය සහ සැමැ මෙහෙම මොඩේල් එක්ක NLP වැඩක් ගොඩක් වැඩක් වැඩ කරන්න උදව් කරලා තියෙනවා. මේ පත්තරේ අපි අරාබික් වලින් ප්රශ්නය කරනවා. අපි පාරමාන්ය විශේෂය සහ විදුලි ප්රතිචාරයක් දෙන්නම් භාවිතා කරනවා. විශේෂයෙන්ම, අපි ප්රවේශනයේ කිසිම ප්රවේශයක් විශ්වාස කරන්නේ නෑ. අපේ ප්රශ්නයක් තියෙන්නේ විද්යාත්මක ක්රියාත්මක ක්රියාත්මක විද්යාපයක් ප්රමාණික දත්ත සූදානයක්, ArbTE යි, 76.2% ක්රියAbstract
Določanje besedilne povezave med besedili je pomembno pri številnih nalogah NLP, kot so povzetek, odgovor na vprašanja ter pridobivanje in iskanje informacij. Predlagane so bile različne metode, ki temeljijo na zunanjih virih znanja; Vendar pa takšni viri niso vedno na voljo v vseh jezikih in njihovo pridobivanje je običajno težko in zelo drago. Distribucijske predstavitve besed, kot so vgradnje besed, ki se učijo v velikih korpusih, so pokazale, da zajemajo sintaktične in semantične besedne odnose. Takšni modeli so prispevali k izboljšanju izvajanja več nalog novega delovnega programa. V prispevku obravnavamo problem besedilnega vključevanja v arabščini. Uporabljamo tako tradicionalne značilnosti kot distribucijske reprezentacije. Ključnega pomena je, da v procesu nismo odvisni od nobenih zunanjih virov. Naš predlagani pristop zagotavlja najsodobnejšo zmogljivost standardnega nabora podatkov ArbTE, kar dosega 76,2% natančnost v primerjavi z 69,3%.Abstract
Aqoonsiga qoraalka la xidhiidha qoraalka waxaa muhiim ah shaqada NLP oo badan, tusaale ahaan summarinta, jawaabta su'aalka, iyo soo bixinta macluumaadka iyo soo celinta. Waxaa lagu soo jeediyey qaabooyin kala duduwan oo ku saleysan sourceoyinka aqoonta dibadda ah; Si kastaba ha ahaatee, rasmiga caynkaas ah mar walba ma heli karo luqadaha oo dhan, helitaankooduna waa mid caadi ah oo aad u qiimo badan. Qoraalka warqadda kala qaybsan, tusaale ahaan warqada wax ka baran karta shirkadda badan, waxaa lagu tusay inay qabsadaan xiriirka isku xiriirka iyo hadalka semantika ah. Tusaaladan oo kale waxay ku contributeen hagaajinta sameynta shaqaalaha qaar ka mid ah ee NLP. Warqadan, dhibaatada ku saabsan aqoonta qoraalka ee afka Carabiga. Waxaynu shaqaynaynaa noocyo caadi ah iyo noocyo qaybsan. Crucially, we do not depend on any external resources in the process. Dhaqdhaqaaqa la soo jeeday ayaa soo saara xaaladda farshaxanka oo ku saabsan saxda danbiyada standardka ah, ArbTE, oo gaadhaya saxda 76.2% oo la barbarbaranayo xaalada farshaxanka 69.3%.Abstract
Përcaktimi i përfshirjes tekstuale midis teksteve është i rëndësishëm në shumë detyra të NLP-së, të tilla si përmbledhje, përgjigje pyetjesh dhe nxjerrje dhe marrja e informacionit. Metoda të ndryshme janë sugjeruar bazuar në burimet e jashtme të njohurive; however, such resources are not always available in all languages and their acquisition is typically laborious and very costly. Përfaqësuesit e fjalëve shpërndarëse të tilla si përfshirjet e fjalëve të mësuara mbi korpra të mëdha janë treguar për të kapur marrëdhënie sintaktike dhe semantike fjalësh. Modelet e tilla kanë kontribuar në përmirësimin e performancës së disa detyrave të NLP. Në këtë letër, ne trajtojmë problem in e përfshirjes tekstuale në arabisht. Ne përdorim si karakteristikat tradicionale dhe përfaqësimet shpërndarëse. Crucially, we do not depend on any external resources in the process. Përqasja jonë e sugjeruar jep shfaqjen më të lartë të një grupi të dhënash standarte, ArbTE, duke arritur një saktësi prej 76.2% krahasuar me gjendjen më të lartë të 69.3%.Abstract
Otkrivanje tekstualnog prisluškivanja između tekstova je važno u mnogim zadacima NLP-a, kao što su sažetanje, odgovor na pitanja, i izvlačenje informacija i uzgajanje. Predloženi su različite metode na temelju vanjskih izvora znanja; Međutim, takvi resursi nisu uvek dostupni na svim jezicima, a njihova prikupljanja je obično radna i jako skupa. Predstavljanja distribucijskih reèi kao što su reèi ukljuèene preko velike korporacije pokazale su da ukljuèuju sintaktiène i semantiène veze reèi. Takvi modeli su doprineli da poboljšaju provedbu nekoliko zadataka NLP-a. U ovom papiru rješavamo problem tekstualne želje na arapskom. Mi zapošljavamo i tradicionalne karakteristike i raspodjelne predstave. U suštini, mi ne zavisimo od bilo kakvih vanjskih resursa u tom procesu. Naš predloženi pristup pruža stanje učinkovitosti umjetnosti na standardnom setu podataka, ArbTE, ostvarivši tačnost 76,2 % u usporedbi sa stanjem umjetnosti 69,3 %.Abstract
Att bestämma textens innebörd mellan texter är viktigt i många NLP-uppgifter, såsom sammanfattning, frågesvar och informationsutvinning och hämtning. Olika metoder har föreslagits utifrån externa kunskapskällor. Sådana resurser är dock inte alltid tillgängliga på alla språk och deras förvärv är vanligtvis mödosamt och mycket kostsamt. Distributionella ordrepresentationer såsom ordinbäddningar som lärts sig över stora korpora har visat sig fånga syntaktiska och semantiska ordrelationer. Sådana modeller har bidragit till att förbättra genomförandet av flera uppgifter inom den nationella handlingsplanen. I den här uppsatsen tar vi upp problemet med textinnehåll på arabiska. Vi använder oss av både traditionella funktioner och distributiva representationer. Det viktigaste är att vi inte är beroende av några externa resurser i processen. Vårt föreslagna tillvägagångssätt ger toppmodern prestanda på en standarddatauppsättning, ArbTE, och uppnår en noggrannhet på 76,2% jämfört med toppmodern 69,3%.Abstract
Kugundua maarifa ya maandishi kati ya maandishi ni muhimu katika kazi nyingi za NLP, kama vile muhtasari, majibu ya maswali, na utoaji habari na kurudishwa kwa taarifa. Njia mbalimbali zimependekezwa kutokana na vyanzo vya ufahamu wa nje; however, such resources are not always available in all languages and their acquisition is typically laborious and very costly. Maandamano ya neno la usambazaji kama vile maneno yaliyojifunza katika makampuni makubwa yameonyesha kushikilia uhusiano wa kisasa na maneno ya sekunde. Mfano huu umechangia katika kuboresha utendaji wa kazi kadhaa za NLP. Katika karatasi hii, tunazungumzia tatizo la maarifa ya kimasili kwa Kiarabu. Tunajiri vipengele vya kitamaduni na uwakilishi wa usambazaji. Kwa hakika, hatutegemea rasilimali yoyote ya nje katika mchakato huo. Matokeo yetu yaliyopendekezwa yanatoa hali ya utendaji wa sanaa kwenye seti ya takwimu za kawaida, ArbTE, kupata uhakika wa asilimia 76.2 ukilinganisha na hali ya sanaa 69.3.Abstract
உரைகளுக்கிடையில் உள்ள உரையாடல் அறிவிப்பு முக்கியமானது, சுருக்கம், கேள்வி பதில், மற்றும் தகவல் பெறுதல் மற்றும் மீட்டப்படும் போன்ற பல N வெளி அறிவு மூலங்களை அடிப்படையில் பரிந்துரைக்கப்பட்டுள்ளது; ஆனால், இவ்வாறு வளங்கள் எப்போதும் எல்லா மொழிகளிலும் கிடைக்கவில்லை மற்றும் அவர்களின் பெறுதல் வழக்கமாக வேலையா பெரிய நிறுவனத்திற்கு மேல் கற்றப்பட்ட வார்த்தைகள் போன்ற பங்கீட்டு வார்த்தை குறிப்பிடும் ஒத்திசைவு மற்றும் அர இவ்வாறு மாதிரிகள் பல NLP பணிகளின் செயல்பாட்டை மேம்படுத்த உதவியுள்ளது. இந்த காகிதத்தில், நாம் அரபி மொழியில் நிரல் அறிவிப்பவரின் பிரச்சனையை விளக்குகிறோம். நாம் மரபார்ந்த தன்மைகளையும் பங்கீட்டு பிரதிநிதிகளையும் வேலை செய்கிறோம். நாங்கள் செயல்பாட்டில் எந்த வெளி வளங்களையும் சார்ந்திருக்கவில்லை. நம்முடைய பரிந்துரைப்படுத்தல் செயல்பாடு ஒரு நிலையான தரவு அமைப்பில் கலை செயல்பாட்டின் நிலையை வெளியிடுகிறது, ஆர்பெட், 69.3% கலைக்கு ஒபAbstract
Metinler arasyndaky metin meýdançasyny takyklamak NLP zadynyň köpüsi möhüm, sumlaşdyrma, soragy jogaplama we maglumat tapmaky we gaýd etmek ýaly. Daşarydaky bilim çeşmelerine daýat edilen dürli yöntemler maslahat edildi; Ýöne şeýle çeşmeler hemişe ähli dillerde mejbur däl, we olaryň alany hemişe işgär we gaty deň. Büyük korpora üzerinde öğrenilen kelime içerikleri gibi dağıtıcı kelime ifadeleri sintaktik ve semantik kelime ilişkilerini yakalamak için gösterildi. Bütin nusgalar birnäçe NLP işiniň täzeliklerini gowdurmagy kömekleyärdi. Bu kagyzda biz tekst daşlygyň meselesini arabça çözýäris. Biz däpli düzenli özellikleri we dağıtım şeklinde işleýäris. Adatça, prosesde daşarydaky çeşmelere baglanmaýarys. Biziň teklipimiz dinimiz, ArbTE standart maglumat düzümlerinde sungatyň durumyny 76.2 % derejesini 69.3 % sungatyň durumyna görä ulalýar.Abstract
پیغام کے درمیان تفصیل کا ارادہ مقرر کرنا بہت سی NLP کاموں میں اہم ہے، جیسے ذخیره، سوال جواب، اور اطلاعات اٹھانے اور اٹھانے کے لئے۔ مختلف طریقے پیشنهاد کیے گئے ہیں باہر علم سراسر پر، لیکن ایسے منابع ہمیشہ ہر زبان میں موجود نہیں ہیں اور ان کا خریدن معمولاً عمدہ اور بہت خرید ہے۔ تبدیلی کلمات کی تعریفیں جیسے کلمات کے مطابق بڑے کورپورا پر سکھایا گیا ہے، سینٹکتیک اور سیمانٹیکی کلمات رابطہ حاصل کرنے کے لئے دکھائی گئی ہیں۔ چند NLP کے کاموں کی عمدگی کو بہتر کرنے کے لئے اس طرح کی مدلکوں نے کمائی ہے۔ اس کاغذ میں، ہم عربی زبان میں تفصیل کے مسئلہ میں مشکل کریں گے۔ ہم دونوں سنتی خصوصیات اور تقسیم نمائندوں کو استعمال کرتے ہیں۔ اچھا ہے، ہم پرسس میں کسی خارجی سرمایہ پر اعتماد نہیں کرتے۔ ہماری پیشنهاد کی تقریبا ایک ایسے مقدار ڈیٹ سٹ پر آربٹی کے مقابلہ میں 76.2% کی صحیح حاصل کرتا ہے۔69.3% کی حالت کے مقابلہ میں۔Abstract
Name Tashqi maʼlumot manbasiga asoslangan har xil usullar talab qilindi; Lekin, bu rasmlar har doim hamma tillarda mavjud emas va ularning hayoti oddiy ishlayapti va juda qiymatdir. Distributional word representations such as word embeddings learned over large corpora have been shown to capture syntactic and semantic word relationships. Bu modellar bir nechta NLP vazifalarni bajarishga qoʻllashadi. Bu qogʻozda biz arabda ma'lumot matnning muammolarini boshqaramiz. Biz tabiiy xususiyatlarni va tarqatish xususiyatlarini ishlaymiz. Biz jarayonining tashqi rasmlariga ishlatmaymiz. Bizning soʻzlarimiz, andoza maʼlumotlar sohasida sanat bajarish holatiga ega, ArbTE, 69.3% sananing davrida davomida 76.2% imkoniyatini bajaradi.Abstract
Việc xác định tỷ lệ cấu trúc giữa các văn bản là quan trọng trong nhiều nhiệm vụ lập trình, câu hỏi trả lời, và thu thập thông tin. Đã có nhiều phương pháp được đề nghị dựa trên kiến thức bên ngoài; Tuy nhiên, nguồn tài nguyên đó không phải lúc nào cũng có trong mọi ngôn ngữ và việc kiếm được nó thường rất tốn kém và tốn kém. Các biểu tượng từ phân chia như sự tham ô từ học trên cơ thể lớn đã được cho thấy để nắm bắt các mối quan hệ từ ngữ pháp và ngữ pháp. Những mẫu này đã góp phần cải thiện khả năng thực hiện nhiều công việc chọc giận tư gia. Trong tờ giấy này, chúng tôi giải quyết vấn đề kết cấu bằng tiếng Ả Rập. Chúng tôi sử dụng cả các biểu tượng truyền thống và phân phát. Đặc biệt là chúng ta không phụ thuộc vào nguồn tài nguyên bên ngoài trong quá trình này. Cách tiếp cận đề nghị của chúng ta cung cấp hiệu suất nghệ thuật cao trên một bộ dữ liệu tiêu chuẩn, Arbor, để đạt được độ chính xác của mọi phương thức trên mà so với kỷ lục 69.3 =.Abstract
定文本间文本蕴涵在诸NLP务甚重,如摘要,问答及信息提取检索。 外知所以立方也。 然此资非常以所有给语文,且取其常费力,而费用甚高。 分布词言,如于大语料库上学词嵌已证得句法语义词。 有助于数NLP之能。 本文中,论阿拉伯语中文本蕴涵。 同时特征布。 至要者,不恃外资。 臣等议法于格数集ArbTE上生最先进之性,成76.2%之准确率,而最先进之准确率为69.3%。- Anthology ID:
- W17-1322
- Volume:
- Proceedings of the Third Arabic Natural Language Processing Workshop
- Month:
- April
- Year:
- 2017
- Address:
- Valencia, Spain
- Venues:
- WANLP | WS
- SIG:
- SEMITIC
- Publisher:
- Association for Computational Linguistics
- Note:
- Pages:
- 185–190
- Language:
- URL:
- https://aclanthology.org/W17-1322
- DOI:
- 10.18653/v1/W17-1322
- Bibkey:
- Cite (ACL):
- Nada Almarwani and Mona Diab. 2017. Arabic Textual Entailment with Word EmbeddingsArabic Textual Entailment with Word Embeddings. In Proceedings of the Third Arabic Natural Language Processing Workshop, pages 185–190, Valencia, Spain. Association for Computational Linguistics.
- Cite (Informal):
- Arabic Textual Entailment with Word EmbeddingsArabic Textual Entailment with Word Embeddings (Almarwani & Diab, 2017)
- Copy Citation:
- PDF:
- https://aclanthology.org/W17-1322.pdf
- Terminologies:
Export citation
@inproceedings{almarwani-diab-2017-arabic,
title = "Arabic Textual Entailment with Word Embeddings{A}rabic Textual Entailment with Word Embeddings",
author = "Almarwani, Nada and
Diab, Mona",
booktitle = "Proceedings of the Third {A}rabic Natural Language Processing Workshop",
month = apr,
year = "2017",
address = "Valencia, Spain",
publisher = "Association for Computational Linguistics",
url = "https://aclanthology.org/W17-1322",
doi = "10.18653/v1/W17-1322",
pages = "185--190",
}
<?xml version="1.0" encoding="UTF-8"?>
<modsCollection xmlns="http://www.loc.gov/mods/v3">
<mods ID="almarwani-diab-2017-arabic">
<titleInfo>
<title>Arabic Textual Entailment with Word EmbeddingsArabic Textual Entailment with Word Embeddings</title>
</titleInfo>
<name type="personal">
<namePart type="given">Nada</namePart>
<namePart type="family">Almarwani</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Mona</namePart>
<namePart type="family">Diab</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<originInfo>
<dateIssued>2017-04</dateIssued>
</originInfo>
<typeOfResource>text</typeOfResource>
<relatedItem type="host">
<titleInfo>
<title>Proceedings of the Third Arabic Natural Language Processing Workshop</title>
</titleInfo>
<originInfo>
<publisher>Association for Computational Linguistics</publisher>
<place>
<placeTerm type="text">Valencia, Spain</placeTerm>
</place>
</originInfo>
<genre authority="marcgt">conference publication</genre>
</relatedItem>
<identifier type="citekey">almarwani-diab-2017-arabic</identifier>
<identifier type="doi">10.18653/v1/W17-1322</identifier>
<location>
<url>https://aclanthology.org/W17-1322</url>
</location>
<part>
<date>2017-04</date>
<extent unit="page">
<start>185</start>
<end>190</end>
</extent>
</part>
</mods>
</modsCollection>
%0 Conference Proceedings %T Arabic Textual Entailment with Word EmbeddingsArabic Textual Entailment with Word Embeddings %A Almarwani, Nada %A Diab, Mona %S Proceedings of the Third Arabic Natural Language Processing Workshop %D 2017 %8 April %I Association for Computational Linguistics %C Valencia, Spain %F almarwani-diab-2017-arabic %R 10.18653/v1/W17-1322 %U https://aclanthology.org/W17-1322 %U https://doi.org/10.18653/v1/W17-1322 %P 185-190
Markdown (Informal)
[Arabic Textual Entailment with Word EmbeddingsArabic Textual Entailment with Word Embeddings](https://aclanthology.org/W17-1322) (Almarwani & Diab, 2017)
- Arabic Textual Entailment with Word EmbeddingsArabic Textual Entailment with Word Embeddings (Almarwani & Diab, 2017)
ACL
- Nada Almarwani and Mona Diab. 2017. Arabic Textual Entailment with Word EmbeddingsArabic Textual Entailment with Word Embeddings. In Proceedings of the Third Arabic Natural Language Processing Workshop, pages 185–190, Valencia, Spain. Association for Computational Linguistics.