Multilingual Coreference Resolution in Multiparty Dialogue

要約

エンティティ相互参照解決のための既存のマルチパーティ対話データセットは初期段階にあり、多くの課題がまだ解決されていません。
このタスクのために、テレビのトランスクリプトに基づいて大規模なデータセット、Multilingual Multiparty Coref (MMC) を作成します。
複数の言語でゴールド品質の字幕が利用できるため、アノテーションを再利用して、アノテーション投影を介して他の言語 (中国語とペルシア語) でシルバーの共参照解像度データを作成することを提案します。
ゴールド (英語) データでは、既製モデルの MMC でのパフォーマンスは比較的低く、MMC が以前のデータセットよりもマルチパーティの相互参照をより広範囲にカバーしていることを示唆しています。
シルバー データでは、データ拡張とゼロからのトレーニングの両方に使用して成功したことがわかり、ゼロショットのクロスリンガル設定を効果的にシミュレートします。

要約(オリジナル)

Existing multiparty dialogue datasets for entity coreference resolution are nascent, and many challenges are still unaddressed. We create a large-scale dataset, Multilingual Multiparty Coref (MMC), for this task based on TV transcripts. Due to the availability of gold-quality subtitles in multiple languages, we propose reusing the annotations to create silver coreference resolution data in other languages (Chinese and Farsi) via annotation projection. On the gold (English) data, off-the-shelf models perform relatively poorly on MMC, suggesting that MMC has broader coverage of multiparty coreference than prior datasets. On the silver data, we find success both using it for data augmentation and training from scratch, which effectively simulates the zero-shot cross-lingual setting.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google