本文首次全面研究了多语言大语言模型中的记忆化现象，分析了95种语言，提出了基于图的相关性指标，强调语言相似性对记忆化的影响，尤其在样本较少的语言中更为显著。

本文汇总多项跨语言自然语言处理研究：利用深度神经网络比较跨语言语音相似性，发现重叠较少的语言更易迁移，融合模型提升8%；提出RelateLM，借助相关语言缓解印度语料不足；将语言学概念用于低资源语言相似性分析；CLAMS评估显示单语LSTM语法表现常优于多语模型；多语表示可重建语言分类树并检测语义漂移；低资源语言表现较差；研究双语词汇识别及基于语言相似性选择迁移语言；ML-LMCL提升语音识别鲁棒性；分析相似语言分类。

本研究通过比较英语作为第二语言文本的结构特征和母语语言的类型学特征，证明了语言相似性可以跨语言转移。研究发现，可以直接从ESL文本中恢复母语类型学相似性结构，并预测目标语言的类型学特征。该方法在类型学预测任务上取得了72.2%的准确度，与依赖类型学资源的方法相当。