SemRel2024：14 种语言的语义文本相关数据集收集
内容提要
该文汇总多项语义相似度与相关性研究，涵盖STR-2022的5500个英文句对比较注释框架、SimRelUz低资源语言语义模型评估、含五个数据集及首个开放词库的俄语语义相关性资源、QuaRel概念框架与零样本模型、塔塔尔语和越南语低资源评估资源，以及SRL语料自动构建、RelateLM跨语言迁移和基于主观注释的句子相关性学习模型。
延伸解读
低资源语言语义评估的资源现状
文章汇总了乌兹别克语、塔塔尔语、越南语等低资源语言的语义评估数据集，如SimRelUz、塔塔尔语相似性和相关性数据集、越南语ViCon和ViSim-400。这些资源填补了低资源语言在语义模型评估上的空白，使研究者能够检验模型在资源匮乏场景下的鲁棒性。同时，俄语语义相关性资源包含五个数据集和首个开放词库，展示了多语言资源建设的多样性。
跨语言迁移与数据增强策略
针对印度语言文本资源不足的问题，RelateLM利用相关语言作为中间媒介，通过音译和数据增强将低资源语言文本转化到高资源语言，提升多语言模型适用性。类似地，SRL语料自动构建方法借助高质量机器翻译和多语种BERT，在四种语言间导入一致的谓词和角色注释，实验表明弱势语言表现得到提高。这些方法为低资源语言处理提供了可复用的技术路径。
语义相关性建模的框架与监督方法
文章介绍了QuaRel概念框架及其两个模型QuaSP+和QuaSP+Zero，后者展现零样本能力，在QuaRel上显著优于现有工具。此外，基于主观注释的监督学习方法利用大规模背景知识语料库中的共现统计信息，从相关性偏好训练样本中学习语义模型，该方法独立于语料库，适用于任何足够大的非结构化文本集合，并可为特定用户或用户组拟合模型，实验证明其有效且竞争力强。
Q&A
STR-2022数据集是什么？它有什么特点？
STR-2022是一个包含5,500个英文句子对的数据集，使用比较注释框架手动注释，得出精细的分数，用于探索相关性和评估自动句子表示方法及下游的自然语言处理任务。
SimRelUz数据集用于什么目的？
SimRelUz数据集用于评估语义模型的鲁棒性和低资源语言的语义关系。
俄语语义相关性有哪些语言资源？
俄语语义相关性有5种不同规模和目的的语言资源，其中四个旨在评估计算语义相关性的系统，另一个旨在生成第一个俄语开放的分布式词库，其中包含了大规模的众包研究表明其高准确性。
QuaRel数据集是什么？有哪些相关模型？
QuaRel是一个数据集，适用于此类问题的简单灵活的概念框架、逻辑表达式以及用于此任务的两个新模型：第一个模型（称为QuaSP+）在QuaRel上显着优于现有工具，第二个模型（QuaSP + Zero）展现了零样本能力。
塔塔尔语有哪些评估资源？
塔塔尔语的评估资源包含用于评估语义模型的相似性和相关性数据集，以及包含类比问题的模型数据集，用于探索语言建模的语义、语法和形态方面。
越南语语义相似性评估有哪些数据集？
越南语语义相似性评估有两个新颖的数据集：ViCon和ViSim-400。ViCon包括了各种词类中的同义词和反义词对，ViSim-400则提供了人工评定的五种语义关系的相似程度。
RelateLM方法是什么？它用于解决什么问题？
RelateLM是一种利用相关语言作为中间媒介的方法，通过音译和数据增强等技术，将限制资源语言文本转化到具备足够语料的相关语言中间站，从而提高多语言模型的适用性。它用于解决印度语言中不足文本资源的问题。
如何自动构建SRL语料库？
本研究提出了一种自动构建四种语言的SRL语料库的方法，并使用高质量的机器翻译和多语种BERT模型在这四种语言之间导入一致的谓词和角色注释，经过实验表明这种方法使得弱势语言的表现得到了提高。
