Improving Neural Network Performance by Injecting Background Knowledge : Detecting Code-switching and Borrowing in Algerian textsAlgerian texts

Wafia Adouane; Jean-Philippe Bernardy; Simon Dobnik

doi:10.18653/v1/W18-3203

Improving Neural Network Performance by Injecting Background Knowledge : Detecting Code-switching and Borrowing in Algerian textsAlgerian texts KCharselect unicode block name Name

Wafia Adouane, Jean-Philippe Bernardy, Simon Dobnik

Abstract

We explore the effect of injecting background knowledge to different deep neural network (DNN) configurations in order to mitigate the problem of the scarcity of annotated data when applying these models on datasets of low-resourced languages. The background knowledge is encoded in the form of lexicons and pre-trained sub-word embeddings. The DNN models are evaluated on the task of detecting code-switching and borrowing points in non-standardised user-generated Algerian texts. Overall results show that DNNs benefit from adding background knowledge. However, the gain varies between models and categories. The proposed DNN architectures are generic and could be applied to other low-resourced languages.

Abstract

Ons ondersoek die effek van die inprop van agtergrond kennis na verskillende diep neuralnetwerk (DNN) konfigurasies om die probleem van die skande van annotateerde data te verminder wanneer hierdie modele op datastelle van lae- hulpbron tale toewend word. Die agtergrond kennis is gekodeer in die vorm van leksikonies en vooraf onderwerp inbêding. Die DNN-modelles word uitgewerk op die taak van beskrywing van kode-wisseling en lêerpunte in nie-standaardgesinde gebruiker-genereerde Algeriese teks. Gewone resultate vertoon dat DNS voordeel van agtergrond kennis by voeg. Maar die verkry verander tussen modele en kategorie. Die voorgestelde DNN-arkitekturke is genereek en kon aanwend word na ander lae-hulpbron tale.

Abstract

የመደቡን እውቀት በተለየ ጥልቅ የኔትዌር መረብ (DNN) አገልግሎችን ለመስጠት የድህነቱ ዳታዎችን በመጠቀም ጊዜ የድህነቱን ጉዳት ማቅረብ እናደርጋለን፡፡ የመደቡን እውቀት በሙሉ ሊክሲዎች እና ቀድሞው የደብዳቤ ቃላት አካባቢ ነው፡፡ ዶሴ `%s'ን ማስፈጠር አልተቻለም፦ %s የውጤቶች መረጃዎች ነገር ግን ጥቅም በዓይነቶች መካከል ይለያያል፡፡ የተዘጋጀው DNN መዝገብ መሠረቶች የgeneric ናቸው እናም ለሌሎች ዝቅተኛ ቋንቋዎች ይደረጋሉ፡፡

Abstract

نستكشف تأثير حقن المعرفة الأساسية في تكوينات مختلفة للشبكة العصبية العميقة (DNN) من أجل التخفيف من مشكلة ندرة البيانات المشروحة عند تطبيق هذه النماذج على مجموعات البيانات الخاصة باللغات منخفضة الموارد. يتم ترميز المعلومات الأساسية في شكل معاجم وحفلات زفاف مدربة مسبقًا. يتم تقييم نماذج DNN على أساس مهمة الكشف عن تبديل الشفرة ونقاط الاستعارة في النصوص الجزائرية غير المعيارية التي ينشئها المستخدم. تظهر النتائج الإجمالية أن DNNs تستفيد من إضافة المعرفة الأساسية. ومع ذلك ، فإن الكسب يختلف بين النماذج والفئات. تعتبر بنى DNN المقترحة عامة ويمكن تطبيقها على اللغات الأخرى منخفضة الموارد.

Abstract

Biz arxa plan bilgisinin müxtəlif derin nöral ağ (DNN) konfigurasiyalarına istifadə etmək üçün bu modelləri aşağı ressoursal dillərin verilənlərin qurğularına istifadə edən məlumatların problemini azaltmaq üçün keşfetirik. Arkaplan bilgi leksikon və əvvəlcə təhsil edilmiş süb sözlərin içində kodlandırılır. DNN modelləri Alžir mətnlərində standartlaşdırılmış istifadəçilərin yaratdığı kodu-dəyişdirməyi və borc noktalarını tanıma görevi üzərində değerlendirilir. Növbəti sonuçlar arxa plan elmi əlavə etməkdən faydalanır. Lakin mənfəət modellər və kategoriyalar arasında dəyişir. Məsləhət edilən DNN arhitektarı generikdir və başqa düşük ressurslı dillərə istifadə edilə bilər.

Abstract

Изследваме ефекта от инжектирането на фонови знания в различни конфигурации на дълбока невронна мрежа (ДНН), за да смекчим проблема с недостига на анотирани данни при прилагането на тези модели върху набори от данни на езици с ниски ресурси. Базовите познания са кодирани под формата на лексикони и предварително обучени вграждания на поддуми. Моделите на ДНН се оценяват по задачата за откриване на точки за превключване на кодове и заемане в нестандартизирани алжирски текстове, генерирани от потребителите. Общите резултати показват, че ДНН се възползват от добавянето на основни познания. Въпреки това, печалбата варира между моделите и категориите. Предложените архитектури на DNN са общи и могат да бъдат приложени към други езици с ниски ресурси.

Abstract

আমরা বিভিন্ন নিউরেল নেটওয়ার্ক (ডিএনএন) কনফিগারেশনগুলোতে পটভূমির জ্ঞান প্রবেশ করার প্রভাব খুঁজে বের করি যাতে এই মডেলগুলো কম সম্পদের ভাষার ডাটাসেটে পটভূমির জ্ঞান লেক্সিকোন এবং পূর্ব প্রশিক্ষিত সাব-ওয়ার্ড বিভিন্ন সাবওয়ার্ডের মাধ্যমে এনকোড করা হয়েছে। ডিএনএন মডেলটি অstandardised ব্যবহারকারী উৎপাদন করা আলজেরিয়ান টেক্সটের মধ্যে কোড- switching এবং ঋণের বিন্দুকে সনাক্ত করার কাজে মূল্যায়ন করা হয়ে সাধারণ ফলাফল দেখাচ্ছে যে DNNs পটভূমির জ্ঞান যোগ করা থেকে সুবিধা। তবে মডেল এবং বিভাগের মধ্যে অর্জনের পার্থক্য। প্রস্তাবিত DNN কাঠামো সাধারণ এবং অন্যান্য কম সম্পদ ভাষায় প্রয়োগ করা যায়।

Abstract

We explore the effect of injecting background knowledge to different deep neural network (DNN) configurations in order to mitigate the problem of the scarcity of annotated data when applying these models on datasets of low-resourced languages. རྒྱབ་ལྗོངས་ཀྱི་ཤེས་ཚུལ་འདི་ལྟ་བུའི་དབྱིབས་སྟངས་དང་སྔོན་གྱིས་འཛུགས་པའི་ཨ་རིའི་ནང་གསལ་བཀོད་ཡོད། The DNN models are evaluated on the task of detecting code-switching and borrowing points in non-standardised user-generated Algerian texts. རྒྱབ་ལྗོངས་གནས་ཚུལ་ཁ་སྣོན་ནས་DNN་ལ་སྐྱོན་བྱེད་པ་མངོན་འཆར། ཡིན་ནའང་། གོ་སྐབས་མ་དཔེ་དབྱེ་བ་དང་དབྱེ་བ་གཉིས་དབར་གྱི་ཁྱད་པར་མ་འདུག གྲོས་འཆར་བཀོད་ཡོད་པའི་DNN བཟོ་བརྩིས་ཆ་དག་ནི་སྤྱིར་བཏང་བའི་སྐད་རིགས་གཞན་ཞིག་ལ་སྤྱོད་ཐུབ།

Abstract

Istražujemo učinak ubrizgavanja pozadinskih znanja u različite konfiguracije duboke neuralne mreže (DNN) kako bi se smanjili problem nedostatka annotiranih podataka kada se primjenjujemo ovih modela na sete podataka niskih resursa jezika. Pozadnje znanje je kodirano u obliku leksikona i predobučenih podriječja. Modeli DNN procjenjuju se na zadatku otkrivanja zamjene koda i pozajmljivanja tačka u nestandardizovanim korisničkim tekstima iz Algerije. Ukupni rezultati pokazuju da DNN koristi od dodavanja pozadinskih znanja. Međutim, dobit se razlikuje između modela i kategorija. Predložene arhitekture DNN su generične i mogu se primjenjivati na drugi jezici s niskim resursima.

Abstract

Exploram l'efecte d'injectar coneixements de fons a diferents configuracions de la xarxa neuronal profunda (DNN) per atenuar el problema de l'escassetat de dades anotates quan aplicam aquests models en conjunts de dades de llengües amb baixos recursos. El coneixement de fons està codificat en forma de lexicòns i incorporacions de paraules pré-entrenades. Els models DNN s'evaluen en la tasca de detectar els punts de canvi de codi i de préstec en textos algèrics no estandaritzats generats per l'usuari. Els resultats generals mostren que els DNN beneficien d'afegir coneixements de fons. Però el guany varie entre models i categories. Les arquitectures proposades del DNN són genèriques i podrien aplicar-se a altres llengües amb pocs recursos.

Abstract

Zkoumáme vliv vkládání pozadí znalostí do různých konfigurací hluboké neuronové sítě (DNN), abychom zmírnili problém nedostatku anotovaných dat při aplikaci těchto modelů na datové sady jazyků s nízkými zdroji. Základní znalosti jsou kódovány ve formě lexikonů a předškolených podslovních vložení. Modely DNN jsou vyhodnocovány za úkol detekce bodů přepínání kódu a výpůjček v nestandardizovaných uživatelsky generovaných alžírských textech. Celkové výsledky ukazují, že DNN těží z přidání pozadí znalostí. Přínos se však liší mezi modely a kategoriemi. Navrhované architektury DNN jsou obecné a mohou být aplikovány na jiné jazyky s nízkými zdroji.

Abstract

Vi undersøger effekten af at injicere baggrundsviden til forskellige dybe neurale netværk (DNN) konfigurationer for at afhjælpe problemet med knapheden på kommenterede data, når disse modeller anvendes på datasæt af lav ressource sprog. Baggrundsviden er indkodet i form af leksikoner og præ-trænede underordsindlejringer. DNN-modellerne evalueres med henblik på at detektere kodeskift og lånepunkter i ikke-standardiserede brugergenererede algeriske tekster. Samlede resultater viser, at DNN'er har gavn af at tilføje baggrundsviden. Men gevinsten varierer mellem modeller og kategorier. De foreslåede DNN-arkitekturer er generiske og kunne anvendes på andre sprog med lav ressource.

Abstract

Wir untersuchen den Effekt der Injektion von Hintergrundwissen in verschiedene Deep Neuronal Network (DNN)-Konfigurationen, um das Problem der Knappheit annotierter Daten zu verringern, wenn diese Modelle auf Datensätze von Sprachen mit geringen Ressourcen angewendet werden. Das Hintergrundwissen wird in Form von Lexikonen und vorgetrainierten Unterworteinbettungen codiert. Die DNN-Modelle werden auf die Aufgabe ausgewertet, Code-Switching- und Ausleihpunkte in nicht standardisierten benutzergenerierten algerischen Texten zu erkennen. Insgesamt zeigen die Ergebnisse, dass DNNs von der Hinzufügung von Hintergrundwissen profitieren. Der Gewinn variiert jedoch je nach Modell und Kategorie. Die vorgeschlagenen DNN-Architekturen sind generisch und könnten auf andere Sprachen mit geringen Ressourcen angewendet werden.

Abstract

Εξετάζουμε την επίδραση της εισαγωγής γνώσεων υποβάθρου σε διαφορετικές διαμορφώσεις βαθέων νευρωνικών δικτύων (προκειμένου να μετριαστεί το πρόβλημα της σπανιότητας σχολιασμένων δεδομένων κατά την εφαρμογή αυτών των μοντέλων σε σύνολα δεδομένων γλωσσών χαμηλής περιεκτικότητας. Η γνώση υποβάθρου κωδικοποιείται με τη μορφή λεξικών και προ-εκπαιδευμένων ενσωμάτωσης υπολέξεων. Τα μοντέλα DNN αξιολογούνται με σκοπό την ανίχνευση σημείων αλλαγής κώδικα και δανεισμού σε μη τυποποιημένα αλγερινά κείμενα που παράγονται από χρήστες. Τα συνολικά αποτελέσματα δείχνουν ότι τα DNN επωφελούνται από την προσθήκη γνώσεων υποβάθρου. Ωστόσο, το κέρδος ποικίλλει μεταξύ μοντέλων και κατηγοριών. Οι προτεινόμενες αρχιτεκτονικές είναι γενικές και θα μπορούσαν να εφαρμοστούν σε άλλες γλώσσες με χαμηλούς πόρους.

Abstract

Exploramos el efecto de inyectar conocimientos previos a diferentes configuraciones de redes neuronales profundas (DNN) para mitigar el problema de la escasez de datos anotados al aplicar estos modelos en conjuntos de datos de lenguajes de bajos recursos. Los conocimientos previos se codifican en forma de léxicos e incrustaciones de subpalabras previamente entrenadas. Los modelos DNN se evalúan con la tarea de detectar puntos de cambio de código y de préstamo en textos argelinos no estandarizados generados por los usuarios. Los resultados generales muestran que las DNN se benefician de la adición de conocimientos básicos. Sin embargo, la ganancia varía según los modelos y las categorías. Las arquitecturas DNN propuestas son genéricas y podrían aplicarse a otros lenguajes de bajos recursos.

Abstract

Uurime taustateadmiste süstimise mõju erinevatesse sügavneuravõrgu (DNN) konfiguratsioonidesse, et leevendada märgitud andmete nappuse probleemi nende mudelite rakendamisel vähese ressursiga keelte andmekogumitele. Taustteadmised on kodeeritud leksikonide ja eelnevalt koolitatud alamsõna manustamise vormis. DNNi mudeleid hinnatakse koodi vahetamise ja laenuvõtmise punktide tuvastamise ülesandeks mittestandardsetes kasutajate loodud Alžeeria tekstides. Üldised tulemused näitavad, et DNN-d saavad kasu taustteadmiste lisamisest. Kuid kasu varieerub mudelite ja kategooriate vahel. Kavandatud DNNi arhitektuurid on üldised ja neid saaks rakendada teiste vähese ressursiga keelte suhtes.

Abstract

ما تاثیر تزریق علم پشتیبانی را به شبکه عصبی (DNN) مختلف تحقیق می‌کنیم تا مشکل کوتاهی داده‌های ناشناخته در زمان استفاده از این مدلها روی مجموعه‌های داده‌های زبان‌های کم منابع کم کند. دانش پشتیبانی در شکل لکسیون و ابتدایی زیر کلمه پیش آموزش داده شده است. مدلهای DNN بر روی کار شناسایی تغییر دادن و قرض دادن کد در متن های الجریه تولید شده از کاربر غیر استانداردی ارزیابی می شوند. کل نتایج نشان می دهد که DNN از اضافه علم پشتیبانی سود می دهد. ولی سود بین مدل‌ها و گروه‌ها متفاوت می‌شود. معماری‌های DNN پیشنهاد معماری معمولی است و می‌تواند به زبان‌های کمتری استفاده شود.

Abstract

Tutkimme taustatiedon injektoinnin vaikutusta erilaisiin syv瓣hermoverkkokonfiguraatioihin, jotta voidaan lievent瓣瓣 merkint瓣tiedon niukkuutta sovellettaessa n瓣it瓣 malleja matalaresurssisten kielten tietoaineistoihin. Taustatieto koodataan sanastojen ja esikoulutettujen alasanaupotusten muodossa. DNN-malleja arvioidaan koodinvaihto- ja lainauspisteiden havaitsemiseksi standardoimattomissa k瓣ytt瓣jien luomissa algerialaisissa teksteiss瓣. Yleisesti ottaen tulokset osoittavat, ett瓣 DNN:t hy繹tyv瓣t taustatiedon lis瓣瓣misest瓣. Voitto vaihtelee kuitenkin mallien ja luokkien v瓣lill瓣. Ehdotetut DNN-arkkitehtuurit ovat yleisluonteisia ja niit瓣 voitaisiin soveltaa muihin v瓣h瓣varaisiin kieliin.

Abstract

Nous explorons l'effet de l'injection de connaissances de base dans différentes configurations de réseaux neuronaux profonds (DNN) afin d'atténuer le problème de la rareté des données annotées lors de l'application de ces modèles à des ensembles de données de langues peu ressources. Les connaissances de base sont codées sous forme de lexiques et d'intégrations de sous-mots pré-entraînées. Les modèles DNN sont évalués sur la base de la détection de la commutation de code et des points d'emprunt dans des textes algériens non normalisés générés par les utilisateurs. Les résultats globaux montrent que les DNN bénéficient de l'ajout de connaissances de base. Cependant, le gain varie selon les modèles et les catégories. Les architectures DNN proposées sont génériques et pourraient être appliquées à d'autres langages à faibles ressources.

Abstract

Déanaimid iniúchadh ar an éifeacht a bhíonn ag instealladh eolais chúlra do chumraíochtaí éagsúla líonraí néaracha domhain (DNN) chun fadhb ghanntanas sonraí anótáilte a mhaolú agus na samhlacha seo á gcur i bhfeidhm ar thacair sonraí de theangacha íseal-acmhainní. Ionchódaítear an t-eolas cúlra i bhfoirm foclóirí agus leabú fo-fhocail réamhoilte. Déantar samhlacha DNN a mheas ar an tasc a bhaineann le malartú cód agus pointí iasachtaithe a bhrath i dtéacsanna Ailgéire neamhchaighdeánaithe arna gineadh ag úsáideoirí. Léiríonn torthaí foriomlána go mbaineann DNNanna leas as eolas cúlra a chur leis. Mar sin féin, athraíonn an gnóthachan idir samhlacha agus catagóirí. Is ailtireachtaí cineálacha DNN atá beartaithe agus d’fhéadfaí iad a chur i bhfeidhm ar theangacha eile a bhfuil acmhainní ísle acu.

Abstract

Tuna ƙiƙira aikin injista ilmi na bakin bangon zuwa tsarin tsari masu nau'i na ƙarƙashin neura (DNN) don ya iya sauƙi wa halin data na haske idan ana amfani da waɗannan misãlai kan tsarin zane-zane-zane masu ƙaranci. The background knowledge is encoded in the form of lexicons and pre-trained sub-word embeddings. Ana ƙaddara misãlai na DNN kan aikin ka gane kodi-mai musanya da alama mai ɗauki cikin littãfin na mai amfani da bai da bane-bane ba. @ action: button Amma, amfanin ya sãɓã tsakanin misãlai da jini. An buƙata layuwar DNN da aka buƙata, su zama jeniya kuma an iya daidaita zuwa wasu harshen masu da ƙaranci-resource.

Abstract

אנו חוקרים את ההשפעה של הזריקה של ידע רקע לתוכניות רשת עצבית עמוקה שונות (DNN) כדי להקל את הבעיה של חסר נתונים מועטפים כאשר אפשר להשתמש בדוגמנים אלה על קבוצות נתונים של שפות עם משאבים נמוכים. הידע הרקע מוצפן בצורה של לקסיקונים וקבוצות מתחת מילים מאומנות מראש. דוגמני הדנ"א מוערכים על המשימה לגלות נקודות החלפת קודים ולהשאיל טקסטים אלג'ריים לא סטנדרטיזציונים. תוצאות כלליות מראות שDNN יתרונות מההוספת ידע רקע. עם זאת, הרווח שונה בין דוגמנים וקטגוריות. The proposed DNN architectures are generic and could be applied to other low-resourced languages.

Abstract

हम कम संसाधन वाली भाषाओं के डेटासेट पर इन मॉडलों को लागू करते समय एनोटेट डेटा की कमी की समस्या को कम करने के लिए विभिन्न गहरे तंत्रिका नेटवर्क (डीएनएन) कॉन्फ़िगरेशन में पृष्ठभूमि ज्ञान को इंजेक्ट करने के प्रभाव का पता लगाते हैं। पृष्ठभूमि ज्ञान को शब्दकोशों और पूर्व-प्रशिक्षित उप-शब्द एम्बेडिंग के रूप में एन्कोड किया गया है। DNN मॉडल का मूल्यांकन कोड-स्विचिंग का पता लगाने और गैर-मानकीकृत उपयोगकर्ता-जनित अल्जीरियाई ग्रंथों में उधार लेने वाले बिंदुओं का पता लगाने के कार्य पर किया जाता है। कुल मिलाकर परिणाम बताते हैं कि DNNs पृष्ठभूमि ज्ञान जोड़ने से लाभ। हालांकि, लाभ मॉडल और श्रेणियों के बीच भिन्न होता है। प्रस्तावित DNN आर्किटेक्चर जेनेरिक हैं और अन्य कम संसाधन वाली भाषाओं पर लागू किए जा सकते हैं।

Abstract

Istražujemo učinak ubrizgavanja pozadinskih znanja u različite konfiguracije duboke neuronske mreže (DNN) kako bi se smanjili problem nedostatka annotiranih podataka kada se primjenjujemo ovih modela na nizak izvođenih jezika podataka. Pozadnje znanje kodirano je u obliku leksikona i predobučenih podriječja. Modeli DNN procjenjuju se na zadatku otkrivanja zamjene kodova i posuđujućih točka u tekstima Algerije koji nisu proizvedeni standardizirani korisnik. Ukupni rezultati pokazuju da DNN koristi od dodavanja pozadinskih znanja. Međutim, dobit se razlikuje između modela i kategorija. Predložene arhitekture DNN-a su generične i mogu se primjenjivati na drugi jezici s niskim resursima.

Abstract

Feltárjuk, hogy milyen hatással bír a háttér ismeretek injektálása különböző mélyneurális hálózatokba (DNN) annak érdekében, hogy enyhítsük a jegyzetelt adatok hiányának problémáját, amikor ezeket a modelleket alacsony forrású nyelvek adathalmazaira alkalmazzuk. A háttér ismereteket lexikonok és előre képzett alszó beágyazások formájában kódolják. A DNN modelleket a nem szabványosított, felhasználó által generált algériai szövegekben értékelik a kódkapcsoló és hitelfelvételi pontok felismerésének feladata alapján. Általános eredmények azt mutatják, hogy a DNN-ek előnyös a háttér-ismeretek hozzáadásából. A nyereség azonban modellek és kategóriák között eltérő. A javasolt DNN architektúrák általánosak, és más alacsony forrású nyelvekre is alkalmazhatók.

Abstract

Մենք ուսումնասիրում ենք հետագա գիտելիքների ներարտադրման ազդեցությունը տարբեր խորը նյարդային ցանցի (ԴՆԹ) կազմակերպություններին, որպեսզի նվազեցնենք annoտացված տվյալների բացակայության խնդիրը, երբ կիրառվում են այս մոդելները ցածր ռեսուրսների լեզուների տվյալ The background knowledge is encoded in the form of lexicons and pre-trained sub-word embeddings. ԴՆԹ մոդելները գնահատվում են կոդի փոխակերպման և վարկերի կետերի հայտնաբերման խնդիրը ոչ ստանդարտիզացված օգտագործողների կողմից ստեղծված ալգերիական տեքստներում: Ամբողջ արդյունքները ցույց են տալիս, որ ԴՆԹ-ները շահում են ֆոնդի գիտելիքների ավելացումից: However, the gain varies between models and categories. ԴՆԹ-ի առաջարկած ճարտարապետությունները ընդհանուր են և կարող են կիրառվել այլ ցածր ռեսուրսներ ունեցող լեզուների հետ:

Abstract

Kami mengeksplorasi efek dari menyuntik pengetahuan latar belakang ke konfigurasi jaringan saraf dalam (DNN) yang berbeda untuk mengurangi masalah kekurangan data yang dicatat ketika menerapkan model ini pada set data bahasa dengan sumber daya rendah. Pengetahuan latar belakang dikodifikasikan dalam bentuk leksikon dan pembangunan sub-kata terlatih sebelumnya. Model DNN diteliti pada tugas untuk mendeteksi kode-switching dan meminjam titik dalam teks algerian yang tidak standardisasi yang dibuat oleh pengguna. Hasil umum menunjukkan bahwa DNN berguna dari menambah pengetahuan latar belakang. Namun, keuntungan berbeda antara model dan kategori. Arkitektur DNN yang diusulkan adalah generik dan dapat diaplikasikan pada bahasa-bahasa lainnya dengan sumber daya rendah.

Abstract

Esploriamo l'effetto di iniettare conoscenze di base a diverse configurazioni di reti neurali profonde (DNN) al fine di mitigare il problema della scarsità di dati annotati quando si applicano questi modelli su set di dati di linguaggi a bassa risorsa. Le conoscenze di base sono codificate sotto forma di lessici e incorporazioni pre-addestrate sotto-parole. I modelli DNN sono valutati al fine di rilevare i punti di cambio di codice e di prestito in testi algerini non standardizzati generati dagli utenti. I risultati complessivi mostrano che le DNN traggono vantaggio dall'aggiunta di conoscenze di base. Tuttavia, il guadagno varia da modello a categoria. Le architetture DNN proposte sono generiche e potrebbero essere applicate ad altri linguaggi con scarse risorse.

Abstract

私たちは、低資源言語のデータセットにこれらのモデルを適用する際に、注釈付きデータの不足の問題を軽減するために、異なる深部ニューラルネットワーク（ DNN ）構成に背景知識を注入する効果を探求します。背景知識は、辞書と事前にトレーニングされたサブワード埋め込みの形式でエンコードされています。DNNモデルは、標準化されていないユーザーが生成したアルジェリア語テキストのコードスイッチングおよび借用ポイントを検出するタスクで評価されます。全体的な結果は、DNNがバックグラウンドナレッジを追加することで恩恵を受けることを示しています。ただし、機種やカテゴリによって利得が異なる。提案されているDNNアーキテクチャは一般的であり、他の低リソース言語に適用することができます。

Abstract

Awakdone background DNN modeler DNN politenessoffpolite"), and when there is a change ("assertive architecture

Abstract

ჩვენ განსხვავებთ ფონური ცნობილების ინტექტირებას განსხვავებული ნეიროლური ქსელის კონფიგურაციების ეფექტის გამოყენება, როცა ამოწერებული მონაცემების პრობლემას შემცირებად, როცა ეს მოდელები დაყენებ ფონის მეცნიერება კოდირებულია ლექსიკონის ფორმაში და წინ შესწავლა საბეჭდონის შემდეგ. Name საერთო წარმოდგენება ჩვენებს, რომ DNN- ების გამოსახულება ფონური ცოდლების დამატებით. მაგრამ, მოდელები და კატეგორიაები შორის განსხვავებულია. პროგრამეტრებული DNN არქტიქტიქტიქტიქტიკები არიან განსაკუთრებულია და შეიძლება დააყენება სხვა ცოტა რესურსურსური ენაში.

Abstract

Біз аясының мәліметін түрлі невралдық желінің (DNN) баптауларына инжекциялауының эффектін зерттеп, бұл үлгілерді бағытталған тілдердің деректер қорларына қолдану үшін белгіленген деректер қорларының қажеттігін Аясының білімі лексикондар мен алдындағы суб- сөздерді ендіру пішінде кодтады. DNN үлгілері алжир мәтіндерінде код ауыстыру мен артық нүктелерін анықтау тапсырмасында бағалады. Барлық нәтижелер аясының білімдерін қосуға мүмкіндік береді. Бірақ үлгілер мен санаттар арасындағы жетістік айырылады. Келтірілген DNN архитектуралары жалпы және басқа жеткілікті тілдерге қолданылады.

Abstract

우리는 배경지식을 서로 다른 깊이신경망(DNN) 설정에 주입하는 효과에 대해 연구하여 저자원 언어의 데이터 집합에 이러한 모델을 적용할 때 주석 데이터가 희소한 문제를 완화시켰다.배경 지식은 어휘와 미리 훈련된 자어가 삽입된 형식으로 인코딩된다.DNN 모델의 평가 임무는 비표준화된 사용자가 생성한 알제리 텍스트의 코드 변환과 대여점을 검사하는 것이다.전체적인 결과에 따르면 DNN은 배경 지식을 추가하는 데 도움이 된다.그러나 차종과 유형에 따라 수익이 다르다.제시된 DNN 체계 구조는 통용되고 다른 자원이 부족한 언어에 적용될 수 있다.

Abstract

Tiriame, kaip įdiegti fonines žinias skirtingoms giliųjų nervų tinklo (DNN) konfigūracijoms, siekiant sušvelninti anotuotų duomenų trūkumo problem ą taikant šiuos modelius mažai išteklių turinčių kalbų duomenų rinkiniuose. The background knowledge is encoded in the form of lexicons and pre-trained sub-word embeddings. The DNN models are evaluated on the task of detecting code-switching and borrowing points in non-standardised user-generated Algerian texts. Iš bendrų rezultatų matyti, kad DNN naudinga įdiegti žinias. Tačiau pelnas skiriasi tarp modelių ir kategorijų. Siūlomos DNR architektūros yra bendros ir galėtų būti taikomos kitoms mažai išteklių turinčioms kalboms.

Abstract

Го истражуваме ефектот на инјектирање на знаење од позадина на различни длабоки нервни мрежи (ДНН) конфигурации со цел да го олесниме проблемот со недостатокот на анотирани податоци при апликацијата на овие модели на датотеките на јазици со ниски ресурси. Подложното знаење е кодирано во форма на лексикони и предобучени подзборови. ДНН-моделите се проценуваат на задачата да се откријат точки за промена на код и позајмување во нестандардизираните алгериски тексти генерирани од корисниците. Вкупните резултати покажуваат дека ДНН имаат корист од додавањето на подложно знаење. Сепак, добивката се разликува меѓу моделите и категориите. Предложените архитектури на ДНН се генерални и може да се применат на други јазици со ниски ресурси.

Abstract

വ്യത്യസ്ത നെയുറല്‍ വര്‍ക്കിലേക്ക് പശ്ചാത്തലത്തിലെ അറിവ് ഇഞ്ചെക്കുന്നതിന്റെ പ്രഭാവം നമ്മള്‍ പരിശോധിക്കുന്നു. ഈ മോഡലുകള്‍ കുറഞ്ഞ വിഭവങ്ങളുടെ ഭ പശ്ചാത്തലത്തിന്റെ അറിവ് ലെക്സിക്കന്‍മാരുടെ രീതിയിലും മുമ്പ് പഠിപ്പിക്കപ്പെട്ട സബ്‌വാര്‍ഡിന്‍റെ കോഡ്- മാറ്റുന്നതിനും കടം ചെയ്യുന്നതിനും ജോലിയില്‍ DNN മോഡലുകള്‍ പരിശോധിക്കപ്പെടുന്നു പശ്ചാത്തലത്തിലെ അറിവ് ചേര്‍ക്കുന്നതില്‍ നിന്നും DNNs ഉപകാരം കാണിക്കുന്നതാണ് മൊത്തം ഫലങ് എന്നാലും മോഡലുകള്‍ക്കും വിഭാഗങ്ങള്‍ക്കും തമ്മിലുള്ള ലാഭങ്ങള്‍ വ്യത്യസ്തമാണ്. നിര്‍ദ്ദേശിക്കപ്പെട്ട DNN ആര്‍ക്കിട്ടറുകള്‍ സാധാരണ ഭാഷകളാണ്. മറ്റു ചെറിയ വിഭവങ്ങള്‍ക്കും പ്രയോഗിക്കാന്‍ സ

Abstract

Бид эдгээр загваруудыг бага эрчим хүчний хэлний өгөгдлийн сангийн хэлбэрээр хэрэглэх үед өөр гүн гүнзгий сэтгэл зүйн сүлжээнд инжекцийн мэдлэгийг инжекцийн нөлөөг судалж байна. Өмнөх мэдлэг нь лексиконууд болон аль боловсруулсан суб-үг нэвтрүүлэх хэлбэрээр кодлогддог. DNN загварууд нь Алжир биш стандарттайгаар хэрэглэгчийн бий болгосон текстүүдийн код-шилжүүлэх болон ургамал цэгүүдийг олох ажил дээр үнэлдэг. Ихэнх үр дүнд ДНХ-ын мэдлэг нэмэгдэхээс ашигтай байдаг. Гэхдээ зардал нь загвар болон категорийн хоорондын ялгаатай. ДНХ архитектурууд ерөнхийдөө байдаг бөгөөд бусад бага хамааралтай хэл дээр ашиглаж болно.

Abstract

Kami mengeksplorasi kesan menyuntik pengetahuan latar belakang ke konfigurasi rangkaian saraf dalam (DNN) berbeza untuk mengurangi masalah kekurangan data yang dicatat apabila melaksanakan model ini pada set data bahasa sumber rendah. Pengetahuan latar belakang dikodifikasi dalam bentuk leksikon dan penyelesaian sub-kata terlatih. Model DNN diteliti pada tugas mengesan titik penyukaran-kod dan pinjaman dalam teks Algeria yang tidak dijana oleh pengguna yang tidak piawai. Keputusan umum menunjukkan bahawa DNN berguna daripada menambah pengetahuan latar belakang. Namun, keuntungan berbeza antara model dan kategori. Arkitektur DNN yang dicadangkan adalah generik dan boleh dilaksanakan pada bahasa-bahasa lain yang mempunyai sumber rendah.

Abstract

Aħna nesploraw l-effett tal-injezzjoni tal-għarfien tal-isfond f’konfigurazzjonijiet differenti tan-netwerk newrali profond (DNN) sabiex itaffu l-problema tal-iskarsezza tad-dejta annotata meta jiġu applikati dawn il-mudelli fuq settijiet ta’ dejta ta’ lingwi b’riżorsi baxxi. L-għarfien ta’ sfond huwa kkodifikat fil-forma ta’ lexicons u inkorporazzjonijiet ta’ subkliem imħarrġa minn qabel. Il-mudelli tad-DNN huma evalwati fuq il-kompitu li jinstabu punti ta’ skambju tal-kodiċi u ta’ self f’testi Alġerijani mhux standardizzati ġġenerati mill-utenti. Ir-riżultati globali juru li d-DNNs jibbenefikaw miż-żieda fl-għarfien tal-isfond. Madankollu, il-qligħ ivarja bejn mudelli u kategoriji. L-arkitetturi tad-DNN proposti huma ġeneriċi u jistgħu jiġu applikati għal lingwi oħra b’riżorsi baxxi.

Abstract

We onderzoeken het effect van het injecteren van achtergrondkennis naar verschillende deep neural network (DNN) configuraties om het probleem van de schaarste aan geannoteerde gegevens te verminderen bij het toepassen van deze modellen op datasets van lage resources talen. De achtergrondkennis wordt gecodeerd in de vorm van lexicons en voorgetrainde sub-woord embeddings. De DNN-modellen worden geëvalueerd met het oog op het detecteren van code-switching- en leningspunten in niet-gestandaardiseerde door gebruikers gegenereerde Algerijnse teksten. Uit de algemene resultaten blijkt dat DNN's baat hebben bij het toevoegen van achtergrondkennis. De winst verschilt echter per model en categorie. De voorgestelde DNN-architecturen zijn generiek en kunnen worden toegepast op andere talen met lage resources.

Abstract

Vi undersøker effekten for å injesera bakgrunnsinnskap til ulike dype neuralnettverk (DNN) oppsett for å redusera problemet med feil av oppmerkte data når dei brukar desse modelane på datasett av låg ressurserte språk. Bakgrunnsinnstillingane er koda i form av leksikon og før- trenga underordinnlegging. DNN-modellen er evaluert på oppgåva for å finna kodbytt og lånpunktar i ikkje-standardiserte brukargenererte algeriske tekstar. Generelt resultat viser at DNN brukar til å leggja til bakgrunnsverktøy. Dette varierer likevel mellom modeller og kategoriar. Den foreslåde DNN-arkitekturane er generiske og kan brukast til andre låg ressurserte språk.

Abstract

Badamy wpływ wstrzykiwania wiedzy podstawowej do różnych konfiguracji głębokiej sieci neuronowej (DNN) w celu złagodzenia problemu braku adnotacji danych podczas stosowania tych modeli na zbiorach danych języków o niskich zasobach. Wiedza podstawowa jest zakodowana w postaci leksykonów i wstępnie przeszkolonych osadzeń podsłowowych. Modele DNN są oceniane pod kątem wykrywania punktów przełączania kodu i pożyczania w niestandardowych tekstach algierskich generowanych przez użytkowników. Ogólne wyniki pokazują, że DNN korzystają z dodawania wiedzy podstawowej. Jednak zysk różni się w zależności od modeli i kategorii. Proponowane architektury DNN są ogólne i mogą być stosowane do innych języków o niskich zasobach.

Abstract

Exploramos o efeito de injetar conhecimento de fundo em diferentes configurações de redes neurais profundas (DNN) para mitigar o problema da escassez de dados anotados ao aplicar esses modelos em conjuntos de dados de linguagens com poucos recursos. O conhecimento de fundo é codificado na forma de léxicos e embeddings de subpalavras pré-treinados. Os modelos DNN são avaliados na tarefa de detecção de troca de código e pontos de empréstimo em textos argelinos não padronizados gerados pelo usuário. Os resultados gerais mostram que as DNNs se beneficiam da adição de conhecimento prévio. No entanto, o ganho varia entre modelos e categorias. As arquiteturas DNN propostas são genéricas e podem ser aplicadas a outras linguagens de poucos recursos.

Abstract

Explorăm efectul injectării cunoștințelor de fundal în diferite configurații ale rețelelor neurale profunde (DNN) pentru a atenua problema deficitului de date adnotate atunci când aplicăm aceste modele pe seturi de date ale limbajelor cu resurse reduse. Cunoștințele de fundal sunt codificate sub formă de lexicoane și încorporări pre-instruite sub-cuvânt. Modelele DNN sunt evaluate în funcție de sarcina detectării punctelor de schimbare a codului și de împrumut în texte algeriene generate de utilizatori nestandardizate. Rezultatele generale arată că DNN beneficiază de adăugarea de cunoștințe de fond. Cu toate acestea, câștigul variază între modele și categorii. Arhitecturile DNN propuse sunt generice și ar putea fi aplicate altor limbi cu resurse reduse.

Abstract

Исследуем эффект впрыскивания фоновых знаний в различные конфигурации глубоких нейронных сетей (ДНС) с целью смягчения проблемы дефицита аннотированных данных при применении этих моделей к наборам данных малоресурсных языков. Фоновые знания кодируются в виде лексиконов и предварительно обученных вложений подслов. Модели DNN оцениваются по задаче обнаружения точек переключения и заимствования кода в нестандартизированных пользовательских алжирских текстах. Общие результаты показывают, что DNN извлекают выгоду из добавления фоновых знаний. Тем не менее, прирост варьируется между моделями и категориями. Предлагаемые архитектуры DNN являются общими и могут применяться к другим языкам с ограниченными ресурсами.

Abstract

අපි පිටිපස්සේ දන්නවගේ ප්‍රශ්නයක් පස්සේ දැනගන්නේ වෙනස් ගොඩක් න්‍යූරල් ජාලය (DNN) සංවිධානය සඳහා ප්‍රශ්නයක් පරික්ෂා කරනවා මේ මොඩේ පිටිපස්සේ දන්නවය ලෙක්සිකන්ස් වර්ගය සහ ප්‍රීක්ෂණිත සබ- වර්ගය සම්බන්ඩින්ග් වර්ගයේ සංකේතනය ක Name සම්පූර්ණ ප්‍රතිප්‍රතිප්‍රතිප්‍රතිප්‍රතිප්‍රතිප්‍රතිප්‍රතිප්‍රතිප්‍රතිප්‍රතිප්‍ර නමුත්, මොඩේල් එක්ක වර්ගයක් අතර වෙනස් වෙනවා. ප්‍රයෝජනය කරපු DNN ස්තූතිය සාමාන්‍ය භාෂාවක් වගේම ප්‍රයෝජනය කරන්න පුළුවන්.

Abstract

Raziskujemo učinek vbrizganja osnovnega znanja v različne konfiguracije globokega nevronskega omrežja (DNN), da bi ublažili problem pomanjkanja označenih podatkov pri uporabi teh modelov na naborih podatkov jezikov z nizkimi viri. Osnovno znanje je kodirano v obliki leksikonov in vnaprej usposobljenih vdelav podbesed. Modeli DNN se ocenjujejo na podlagi naloge odkrivanja preklapljanja kod in točk izposojanja v nestandardiziranih alžirskih besedilih, ki jih ustvarijo uporabniki. Splošni rezultati kažejo, da imajo DNN koristi od dodajanja osnovnega znanja. Vendar pa se dobiček razlikuje med modeli in kategorijami. Predlagane arhitekture DNN so splošne in se lahko uporabljajo za druge jezike z nizkimi viri.

Abstract

Waxaynu baaraynaa saameynta ku soo rida aqoonta bakhtiga ee ku qoran shabakadda neurada kala duduwan (DNN) si aan u fududayno dhibaatada dhibaatada dhibaatada taariikhda marka lagu codsanayo modelladan sawirada luuqadaha hoose-resourceed. Aqoonta aasaasiga ah waxaa ku qoran qaabka lexicada iyo qoraalka hoose-tababarida. Tusaalada DNN waxaa lagu qiimeeyaa shaqada ku baaraandegista codsiga iyo goobaha amaahda lagu amaahanayo qoraalka qoraalka Algerian ee aan la standardisey. Arimaha dhamaantooda waxay muujiyaan in DNNs waxey ka faa’iido ku leedahay kordhinta aqoonta bakhtiga. Si kastaba ha ahaatee faa'iidadu way kala duwan yihiin noocyada iyo noocyada. Arkitiyeyaasha la soo jeeday DNN waa wax caadi ah, waxaana lagu codsan karaa luqado kale oo aan la isticmaalin karin.

Abstract

Ne eksplorojmë efektin e injektimit të njohurive të sfondit në konfigurime të ndryshme të rrjetit nervor të thellë (DNN) me qëllim që të lehtësojmë problem in e mungesës së të dhënave të anotuara kur aplikojmë këto modele në grupe të dhënash të gjuhëve me burime të ulta. Njohja e sfondit është e koduar në form ën e lexikonëve dhe përfshirjeve të paratrajnuara të nënfjalëve. Modelet e DNN-së vlerësohen në detyrën e zbulimit të pikave të ndërrimit të kodit dhe të huazimit në tekstet algjeriane të gjeneruar nga përdoruesit jo të standartizuar. Rezultatet e përgjithshme tregojnë se DNN përfitojnë nga shtimi i njohurive të sfondit. Megjithatë, fitimi ndryshon midis modeleve dhe kategorive. Arkitekturat e propozuara të DNN janë gjenerike dhe mund të aplikohen në gjuhë të tjera me burime të ulta.

Abstract

Istražujemo učinak ubrizgavanja pozadinskih znanja u različite konfiguracije duboke neuralne mreže (DNN) kako bi se smanjili problem nedostatka annotiranih podataka kada se primjenjujemo ovih modela na sete podataka niskih resursa jezika. Pozadnje znanje je kodirano u obliku leksikona i predobučenih podriječja. DNN modeli se procjenjuju na zadatku otkrivanja zamjene kodova i pozajmljivanja tačka u nestandardizovanim korisničkim tekstima iz Algerije. Generalni rezultati pokazuju da DNN koristi od dodavanja pozadinskih znanja. Međutim, dobit se razlikuje između modela i kategorija. Predložene arhitekture DNN su generične i mogu se primjenjivati na druge niske resurse jezike.

Abstract

Vi undersöker effekten av att injicera bakgrundskunskap till olika konfigurationer av deep neural network (DNN) för att mildra problemet med bristen på kommenterade data när dessa modeller tillämpas på datauppsättningar av lågresursspråk. Bakgrundskunskapen kodas i form av lexikon och förkunskaper av underord. DNN-modellerna utvärderas utifrån uppgiften att upptäcka kodbytes- och lånepunkter i icke-standardiserade användargenererade algeriska texter. Sammantaget visar resultaten att DNN drar nytta av att lägga till bakgrundskunskap. Vinsten varierar dock mellan modeller och kategorier. De föreslagna DNN-arkitekturerna är generiska och skulle kunna tillämpas på andra lågresursspråk.

Abstract

Tunafahamu athari ya kuingiza maarifa ya baka kwa mitandao mbalimbali ya ubongo (DNN) ili kupunguza tatizo la tatizo la ukosefu wa taarifa zilizotajwa wakati wa kutumia mifano hii kwenye seti za taarifa za lugha za chini zenye rasilimali. Ujuzi wa nyuma umewekwa katika aina ya lexico na maeneo ya ujumbe wa maneno. Mradi wa DNN unavutiwa katika jukumu la kutafuta mabadiliko na kubadilisha kodi katika vituo ambavyo vinavyotengenezwa na watumiaji wa Algeria. Matokeo ya jumla yanaonyesha kuwa matumizi ya DNN yanasaidia kuongeza ufahamu wa baka. Hata hivyo, mafanikio yanatofautiana kati ya mifano na makundi. Majengo yanayopendekezwa na DNN ni ya kawaida na yanaweza kutumiwa kwa lugha nyingine zenye rasilimali ndogo.

Abstract

இந்த மாதிரிகளை குறைந்த மூலத்தின் தகவல் அமைப்புகளில் பயன்படுத்தும் போது பின்னணி அறிவை வெவ்வேறு ஆழமான புதிய பிணையத்தில் உள்ளிடும் விளைவு பின்னணி அறிவு லெக்ஸிக்கன்கள் வடிவத்தில் மற்றும் முன் பயிற்சி துணை வார்த்தைகள் உள்ளடக்கப்பட்டது. DNN மாதிரிகள் குறியீடு- மாற்றுதல் மற்றும் கடன் புள்ளிகளை கண்டுபிடிக்கும் செயல்பாட்டில் மதிப்பிடப்படுகிறது இயல்பாக்கப்படாத மொத்த முடிவுகள் DNNs பின்னணி அறிவை சேர்க்கும் பயன்பாடுகளை காட்டுகிறது. ஆனால், அதிகாரம் மாதிரிகளுக்கும் வகைகளுக்கும் இடையே மாறுபடுகிறது. The proposed DNN architectures are generic and could be applied to other low-resourced languages.

Abstract

Arkaplan bilgilerini d체힊체rmek 체챌in, bu modelleri i흫 az bolan dillerde 체첵tgetmek 체챌in farkl캇 n채yral 힊ebeke (DNN) konfigurasi첵alaryna etkinle첵채ris. Arkaplan bilgi arkalanm캇힊 DNN modelleri Algeri첵any흫 metinlerinde k철d 체첵tgetmek we almak noktalaryny tanamak g철rerinde de흫lendiril첵채r. Hemme netijesi arkaplan bilgileri eklemekden DNN 체챌in faydalandyr첵andygyny g철rkez. 횦철ne gazan챌 nusgalar we kategori첵alar arasynda 체첵tge힊첵채r. H채zirki DNN arhitektarlary generiki we be 첵leki 첵okary dereje dillere uygulanabilir.

Abstract

ہم پچھلے علم کو مختلف اندھیرے نیورل نیورل نیٹ ورک (DNN) کی سازونٹیوں میں انجینٹ کرنے کے اثر کا تحقیق کرتے ہیں تاکہ ان مدلوں کو کم رسسورٹ زبانوں کے ڈیٹ سٹوں پر لازم کریں جب انجینٹ ڈیٹ ڈیٹ سٹوں کی مشکل کم کریں پچھلی علم لکسانز اور پہلے آموزش کی زیر کلمات ابڈینگ کی شکل میں کوڈ کیا جاتا ہے. DNN نمڈلوں کو کوڈ-سوچینگ اور قرض پوئنٹوں کی تلاش کی کوڈ کے ذریعہ مطابق کیا جاتا ہے۔ تمام نتائج دکھاتے ہیں کہ DNS پچھلے علم کے ساتھ فائدہ اضافہ کرنے سے فائدہ اٹھاتے ہیں لیکن مزدوری مدل اور کاٹیوں کے درمیان مختلف ہے. پیشنهاد DNN معماری عمومی ہیں اور دوسری کم رسورس زبانوں پر لازم کر سکتے ہیں.

Abstract

Biz bu modellarni kamaytirish uchun boshqa neyron tarmoq (DNN) moslamalariga o'zgartirish natijasini ko'ra olamiz. Name Name @ info: whatsthis Lekin, muvaffaqiyatli modellar va turlari orasidagi ajoyib turadi. Aniqlanadigan DNN maktablari umumiy va boshqa murakkab boʻlgan tillarda qoʻllaniladi.

Abstract

Chúng ta sẽ khám phá hiệu quả của việc tiêm kiến thức nền vào cấu hình mạng thần kinh sâu khác nhau (DNS) để giảm thiểu vấn đề về sự khan hiếm dữ liệu được ghi chú khi áp dụng những mô- đun này trên các ngôn ngữ ít nguồn. Nền hiểu biết được mã hóa bằng ngôn ngữ có thể được đào tạo và sự nhúng đầu từ. Các mẫu DNS được đánh giá về nhiệm vụ phát hiện điểm chuyển đổi mã và vay mượn trong các văn bản Algeri chưa được bố trí. Kết quả tổng hợp cho thấy DNS có lợi khi thêm kiến thức nền. Nhưng lợi nhuận khác nhau giữa mẫu và hạng. Các kiến trúc DNS đã đề nghị là mẫu rộng và có thể áp dụng cho các ngôn ngữ nghèo khổ khác.

Abstract

论背景注深神经网络 (DNN) 之效,以缓低资源言数集上宜用此注数稀缺。背景以词典、训练子词嵌编码。 DNN质料者,检测非标准化用户生成阿尔及利亚文本代码切换借点也。总体结果表明,DNN 从添背景受益。然益以型号类而异。议者 DNN 体系结构通用,可施于他资匮之语。

Anthology ID:: W18-3203
Volume:: Proceedings of the Third Workshop on Computational Approaches to Linguistic Code-Switching
Month:: July
Year:: 2018
Address:: Melbourne, Australia
Venues:: ACL | WS
SIG:
Publisher:: Association for Computational Linguistics
Note:
Pages:: 20–28
Language:
URL:: https://aclanthology.org/W18-3203
DOI:: 10.18653/v1/W18-3203
Bibkey:
Cite (ACL):: Wafia Adouane, Jean-Philippe Bernardy, and Simon Dobnik. 2018. Improving Neural Network Performance by Injecting Background Knowledge : Detecting Code-switching and Borrowing in Algerian textsAlgerian texts. In Proceedings of the Third Workshop on Computational Approaches to Linguistic Code-Switching, pages 20–28, Melbourne, Australia. Association for Computational Linguistics.
Cite (Informal):: Improving Neural Network Performance by Injecting Background Knowledge : Detecting Code-switching and Borrowing in Algerian textsAlgerian texts (Adouane et al., 2018)
Copy Citation:
PDF:: https://aclanthology.org/W18-3203.pdf
Terminologies:

PDF Cite Search Translate