SALMA：阿拉伯语义项标注语料库与词义消歧基准
计算与语言
2023-10-31 v1
摘要
SALMA是首个阿拉伯语义项标注语料库，包含约34K个词符，均完成了义项标注。该语料库同时使用两套不同的义项词库（Modern与Ghani）进行标注。SALMA的新颖性在于词符与义项的关联方式：并非将词符仅链接至单一目标义项，而是将词符关联多个义项并为每个义项提供分数。我们开发了一款基于网页的智能标注工具，以支持针对给定词对多个义项进行打分。除义项标注外，我们还使用六类命名实体对该语料库进行了标注。我们使用多种指标（Kappa、线性加权Kappa、二次加权Kappa、平均绝对误差与均方根误差）评估了标注质量，结果显示标注者间一致性极高。为基于SALMA语料库建立词义消歧基线，我们采用目标义项验证开发了端到端词义消歧系统，并用该系统评估了文献中三种目标义项验证模型。我们的较优模型在Modern词库下准确率达84.2%，在Ghani词库下达78.7%。完整语料库与标注工具均已开源并公开于https://sina.birzeit.edu/salma/。
引用
@article{arxiv.2310.19029,
title = {SALMA: Arabic Sense-Annotated Corpus and WSD Benchmarks},
author = {Mustafa Jarrar and Sanad Malaysha and Tymaa Hammouda and Mohammed Khalilia},
journal= {arXiv preprint arXiv:2310.19029},
year = {2023}
}