Projekteja vuodessa
Abstrakti
Text normalization methods have been commonly applied to historical language or user-generated content, but less often to dialectal transcriptions. In this paper, we introduce dialect-to-standard normalization - i.e., mapping phonetic transcriptions from different dialects to the orthographic norm of the standard variety - as a distinct sentence-level character transduction task and provide a large-scale analysis of dialect-to-standard normalization methods. To this end, we compile a multilingual dataset covering four languages: Finnish, Norwegian, Swiss German and Slovene. For the two biggest corpora, we provide three different data splits corresponding to different use cases for automatic normalization. We evaluate the most successful sequence-to-sequence model architectures proposed for text normalization tasks using different tokenization approaches and context sizes. We find that a character-level Transformer trained on sliding windows of three words works best for Finnish, Swiss German and Slovene, whereas the pre-trained byT5 model using full sentences obtains the best results for Norwegian. Finally, we perform an error analysis to evaluate the effect of different data splits on model performance.
Alkuperäiskieli | englanti |
---|---|
Otsikko | Findings of the Association for Computational Linguistics : EMNLP 2023 |
Toimittajat | Houda Bouamor, Juan Pino, Kalika Bali |
Sivumäärä | 15 |
Julkaisupaikka | Stroudsburg |
Kustantaja | The Association for Computational Linguistics |
Julkaisupäivä | 1 jouluk. 2023 |
Sivut | 13814-13828 |
ISBN (elektroninen) | 979-8-89176-061-5 |
DOI - pysyväislinkit | |
Tila | Julkaistu - 1 jouluk. 2023 |
OKM-julkaisutyyppi | A4 Artikkeli konferenssijulkaisuussa |
Tapahtuma | The 2023 Conference on Empirical Methods in Natural Language Processing (EMNLP 2023) - , Singapore Kesto: 6 jouluk. 2023 → 10 jouluk. 2023 https://2023.emnlp.org |
Tieteenalat
- 113 Tietojenkäsittely- ja informaatiotieteet
- 6121 Kielitieteet
Projektit
- 1 Aktiivinen
-
CorCoDial: CorCoDial - Tekstikorpuksiin perustuva laskennallinen murretutkimus: konekäännöstekniikoiden hyödyntäminen murrealueiden ja murrepiirteiden löytämisessä, visualisoinnissa ja tulkitsemisessa
Scherrer, Y. (Projektinjohtaja), Tiedemann, J. (Projektinjohtaja), Mickus, T. (osallistuja), Miletic Haddad, A. (osallistuja), Psaltaki, E. (osallistuja), Roemling, D. (osallistuja), Siewert, J. (osallistuja) & Siewert, J. (osallistuja)
Suomen Akatemia Projektilaskutus
01/09/2021 → 31/08/2025
Projekti: Suomen Akatemia: Akatemiahanke