UFAL CorPipe 在 CRAC 2022 上的表现：多语言模型用于共指消解的有效性
计算与语言
2024-10-17 v3
摘要
我们描述了在 CRAC 2022 多语言共指消解共享任务中的获胜提交。我们的系统首先进行提及检测，然后通过先行语最大化方法对检索到的跨度进行共指链接，并且这两个任务使用共享的 Transformer 权重进行联合微调。我们报告了微调一系列预训练模型的结果。本工作的核心是对多语言模型的微调。我们发现一个具有足够大编码器的大型多语言模型能够在所有数据集上全面提升性能，其益处不仅限于代表性不足的语言或类型学上相近的语言组。源代码可在 https://github.com/ufal/crac2022-corpipe 获取。
引用
@article{arxiv.2209.07278,
title = {\'UFAL CorPipe at CRAC 2022: Effectivity of Multilingual Models for Coreference Resolution},
author = {Milan Straka and Jana Straková},
journal= {arXiv preprint arXiv:2209.07278},
year = {2024}
}
备注
Accepted to CRAC 2022 (Fifth Workshop on Computational Models of Reference, Anaphora and Coreference)