تعبیه‌سازی واژگان چندزبانه ۲۰۲۲
Cross-Lingual Word Embeddings 2022

بخش اعظم پردازش زبان طبیعی (NLP) به پردازش زبان انگلیسی اختصاص دارد، و در حالی که پشتیبانی فناوری زبانی خوبی برای (گونه‌های استاندارد) زبان انگلیسی وجود دارد، پشتیبانی از زبان‌هایی مانند آلبانیایی، برمه‌ای یا سبوانو – و بیشتر زبان‌های دیگر – همچنان محدود است. توانایی ایجاد پلی برای این شکاف دیجیتالی، هم به دلایل علمی و دموکراتیک مهم است و هم پتانسیل رشد عظیمی را نشان می‌دهد. یک چالش کلیدی برای تحقق این امر، یادگیری هم‌تراز کردن واحدهای حامل معنای اساسی زبان‌های مختلف است.

در این کتاب، نویسندگان به بررسی و بحث در مورد کارهای اخیر و گذشته در زمینه یادگیری نظارت‌شده و بدون نظارت چنین هم‌ترازی‌هایی می‌پردازند. به طور خاص، کتاب بر روی اصطلاحا «تعبیه‌های واژگانی چندزبانه» تمرکز دارد. هدف از این بررسی، ایجاد یک دیدگاه سیستماتیک، با استفاده از نمادگذاری‌های سازگار و ارائه روش‌های موجود در قالبی قابل مقایسه است، به طوری که مقایسه رویکردهای بسیار متفاوت را آسان کند. نویسندگان با انجام این کار، روابط گزارش‌نشده‌ی قبلی بین این روش‌ها را مشخص می‌کنند و قادر به ارائه ادبیات رو به رشد سریع در قالبی بسیار فشرده هستند. علاوه بر این، نویسندگان در مورد بهترین راه برای ارزیابی روش‌های تعبیه واژگانی چندزبانه بحث می‌کنند و منابع موجود برای دانشجویان و محققان علاقه‌مند به این موضوع را بررسی می‌کنند.

The majority of natural language processing (NLP) is English language processing, and while there is good language technology support for (standard varieties of) English, support for Albanian, Burmese, or Cebuano–and most other languages–remains limited. Being able to bridge this digital divide is important for scientific and democratic reasons but also represents an enormous growth potential. A key challenge for this to happen is learning to align basic meaning-bearing units of different languages.

In this book, the authors survey and discuss recent and historical work on supervised and unsupervised learning of such alignments. Specifically, the book focuses on so-called cross-lingual word embeddings. The survey is intended to be systematic, using consistent notation and putting the available methods on comparable form, making it easy to compare wildly different approaches. In so doing, the authors establish previously unreported relations between these methods and are able to present a fast-growing literature in a very compact way. Furthermore, the authors discuss how best to evaluate cross-lingual word embedding methods and survey the resources available for students and researchers interested in this topic.