用于范式补全的单样本神经跨语言迁移
计算与语言
2017-04-04 v1
摘要
我们提出了一种用于范式补全（即将词元映射至其词形变化形式的任务）的新型跨语言迁移方法，使用神经编码器-解码器模型，这是该单语任务中的 SOTA 方法。我们利用来自高资源语言的标注数据来提升低资源语言上的性能。在来自四个不同语系的 21 个语言对上的实验中，我们获得的准确率比无迁移时最高提升 58%，并表明甚至零样本和单样本学习也是可行的。我们进一步发现，语言相关度强烈影响迁移形态学知识的能力。
引用
@article{arxiv.1704.00052,
title = {One-Shot Neural Cross-Lingual Transfer for Paradigm Completion},
author = {Katharina Kann and Ryan Cotterell and Hinrich Schütze},
journal= {arXiv preprint arXiv:1704.00052},
year = {2017}
}
备注
Accepted at ACL 2017