Multilingual Event Extraction from Historical Newspaper Adverts

要約

NLP 手法は、歴史家が手動で実行可能な量よりも大量のテキスト資料を分析するのに役立ちます。
ただし、そのような方法の開発には大きな課題が伴います。
まず、注釈付きの大規模な履歴データセットを取得するのは困難です。ドメインの専門家だけがデータセットに確実にラベルを付けることができるからです。
第 2 に、入手可能な既製の NLP モデルのほとんどは現代語のテキストでトレーニングされているため、歴史的なコーパスに適用すると効果が大幅に低下します。
これは、あまり研究されていないタスクや英語以外の言語の場合に特に問題になります。
この論文は、歴史文書の新しい領域からイベントを抽出するというこれまで研究されていないタスクに焦点を当てながら、これらの課題に取り組みます。
奴隷から解放された奴隷化された人々を報道する近世植民地時代の新聞広告で構成された、英語、フランス語、オランダ語の新しい多言語データセットを紹介します。
1) 注釈付きデータが乏しい場合でも、抽出的 QA タスクとして問題を定式化し、現代言語用の既存のデータセットとモデルを活用することで、驚くほど良い結果を達成することが可能です。
2) 歴史的言語の言語をまたがる低リソース学習は非常に困難であり、実際には歴史的データセットを対象言語に機械翻訳することが最もパフォーマンスの高いソリューションとなることがよくあります。

要約(オリジナル)

NLP methods can aid historians in analyzing textual materials in greater volumes than manually feasible. Developing such methods poses substantial challenges though. First, acquiring large, annotated historical datasets is difficult, as only domain experts can reliably label them. Second, most available off-the-shelf NLP models are trained on modern language texts, rendering them significantly less effective when applied to historical corpora. This is particularly problematic for less well studied tasks, and for languages other than English. This paper addresses these challenges while focusing on the under-explored task of event extraction from a novel domain of historical texts. We introduce a new multilingual dataset in English, French, and Dutch composed of newspaper ads from the early modern colonial period reporting on enslaved people who liberated themselves from enslavement. We find that: 1) even with scarce annotated data, it is possible to achieve surprisingly good results by formulating the problem as an extractive QA task and leveraging existing datasets and models for modern languages; and 2) cross-lingual low-resource learning for historical languages is highly challenging, and machine translation of the historical datasets to the considered target languages is, in practice, often the best-performing solution.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google