UD-NewsCrawl 树库：大规模他加禄语句法标注项目的反思与挑战
计算与语言
2025-05-28 v1
摘要
本文介绍了 UD-NewsCrawl，这是迄今为止最大的他加禄语树库，包含根据通用依存关系框架手动标注的 15.6k 个树。我们详细阐述了树库的开发过程，包括数据收集、预处理、手动标注和质量保证程序。我们使用多个基于 Transformer 的模型提供了基线评估，以评估最先进的依存句法分析器在他加禄语上的性能。我们还强调了他加禄语因其独特的语法特性而在句法分析中面临的挑战，并讨论了其对标注该树库的影响。我们期望 UD-NewsCrawl 和我们的基线模型实现能成为推进他加禄语等低资源语言计算语言学研究的宝贵资源。
引用
@article{arxiv.2505.20428,
title = {The UD-NewsCrawl Treebank: Reflections and Challenges from a Large-scale Tagalog Syntactic Annotation Project},
author = {Angelina A. Aquino and Lester James V. Miranda and Elsie Marie T. Or},
journal= {arXiv preprint arXiv:2505.20428},
year = {2025}
}
备注
Link to treebank: https://huggingface.co/datasets/UD-Filipino/UD_Tagalog-NewsCrawl ; All authors contributed equally in this work