阿拉伯语维基百科专有名词变音标注：一个基准数据集
计算与语言
2025-06-24 v3
摘要
阿拉伯语维基百科中的专有名词经常缺少变音符号，这给发音和解释带来了歧义，尤其是对于外来音译的命名实体。尽管在阿拉伯语自然语言处理中，音译和变音标注已分别得到充分研究，但它们的交叉领域仍探索不足。在本文中，我们引入了一个新的、经过人工变音标注的阿拉伯语专有名词数据集，这些名词来源各异，并附有其对应的英语维基百科等效注释，同时介绍了我们创建该数据集所面临的挑战和遵循的指南。我们以 GPT-4o 为基准，测试其在给定未标注变音的阿拉伯语和英语形式下恢复完整变音标注的任务，并分析了其性能。该模型达到了 73% 的准确率，我们的结果既突显了该任务的难度，也表明了对改进模型和资源的需求。我们发布此数据集以促进对阿拉伯语维基百科专有名词变音标注的进一步研究。
引用
@article{arxiv.2505.02656,
title = {Proper Noun Diacritization for Arabic Wikipedia: A Benchmark Dataset},
author = {Rawan Bondok and Mayar Nassar and Salam Khalifa and Kurt Micallef and Nizar Habash},
journal= {arXiv preprint arXiv:2505.02656},
year = {2025}
}