PERCEPT:首个大规模波斯语-英语代码混合语料库发布,赋能多语言NLP研究
摘要:PERCEPT是首个公开的大规模波斯语-英语代码混合语料库,标注了通用依存关系(UD)词性(POS)标签。该语料库包含6800条来自X、Instagram和Digikala的社交媒体帖子,并采用大语言模型辅助的自动标注框架,确保了标注的高可靠性。PERCEPT的发布填补了波斯语-英语代码混合语言资源匮乏的空白,为多语言NLP模型开发及语言学分析提供了重要支持。
波斯语-英语代码混合语料库PERCEPT发布
核心突破
- 首个大规模波斯语-英语代码混合语料库:PERCEPT是首个公开的、标注了通用依存关系(UD)词性(POS)标签的波斯语-英语代码混合语料库,填补了该领域的空白。
- 多平台数据来源:数据来源于X、Instagram和Digikala等社交媒体平台,涵盖了多种互动场景。
- LLM辅助标注框架:采用大语言模型辅助的自动标注方法,确保了标注的高准确性和一致性。
技术亮点
- 数据规模与质量:6800条高质量标注数据,为多语言NLP研究提供了丰富的资源。
- 标注可靠性:通过人工评估,PERCEPT的自动标注结果与黄金标准标注高度一致,证明了其可靠性。
- 多维度分析:基于PERCEPT,研究人员首次对波斯语-英语代码混合现象进行了多平台、多维度的语言学分析,揭示了不同平台的语言使用模式差异。
行业影响
- 多语言NLP模型开发:PERCEPT为开发更精准的波斯语-英语代码混合NLP模型提供了关键数据支持。
- 语言学研究:为波斯语-英语代码混合现象的语言学分析提供了新的视角和研究工具。
- 跨文化交流:促进波斯语和英语之间的跨文化交流与理解。
开发者建议
- 数据应用:建议NLP研究人员和开发者利用PERCEPT进行模型训练和评估,提升代码混合语言处理的性能。
- 扩展研究:鼓励基于PERCEPT进行更深入的语言学和社会语言学研究,探索代码混合现象的更多维度。
原文出处
https://github.com/kalhorghazal/PERCEPT
—— 完 ——消息来源:ArXiv NLP/LLM (cs.CL) (2026-08-12)
主题标签: #多语言NLP #波斯语 #代码混合 #LLM #语料库
编辑部与事实核查说明:本篇专刊由智客前沿资讯管线根据官方技术公告、学术论文及开源工程文档整理编译,经算法实体核验与人工编辑审校后发布。若发现技术事实纰漏,欢迎依据勘误方针或一键向编辑部发送勘误反馈。
社区整体评论区