CoAM：多词汇表达全类型语料库
计算与语言
2025-07-11 v3
摘要
多词汇表达（MWEs）指的是由多个单词组成的习语序列。MWE识别，即检测文本中的MWE，对于诸如机器翻译等下游任务至关重要，但现有的MWE数据集标注不一致、仅覆盖单一MWE类型，或规模有限。为实现可靠且全面的评估，我们创建了CoAM：多词汇表达全类型语料库，包含1.3K个句子，通过人工标注、人工审核和自动一致性检查等多步骤过程构建以提高数据质量。此外，就本数据集而言，CoAM的MWE首次标注了MWE类型，如名词和动词，使其能够进行细粒度错误分析。CoAM的标注采用我们开发的新型界面收集，后者允许轻松灵活地对任何形式的MWE进行标注。通过使用CoAM进行实验，我们发现微调的大型语言模型在DiMSUM数据集上取得的最先进性能的MWEasWSD模型之外表现更佳。此外，利用带有MWE类型标签的数据进行分析发现，动词MWE比名词MWE在各种方法中的识别更容易。
引用
@article{arxiv.2412.18151,
title = {CoAM: Corpus of All-Type Multiword Expressions},
author = {Yusuke Ide and Joshua Tanner and Adam Nohejl and Jacob Hoffman and Justin Vasselli and Hidetaka Kamigaito and Taro Watanabe},
journal= {arXiv preprint arXiv:2412.18151},
year = {2025}
}
备注
ACL 2025 main