Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2507.11832

帮助 | 高级搜索

计算机科学 > 计算与语言

arXiv:2507.11832 (cs)
[提交于 2025年7月16日 ]

标题: ILID:印度语言的原生脚本语言识别

标题: ILID: Native Script Language Identification for Indian Languages

Authors:Yash Ingle, Pruthwik Mishra
摘要: 语言识别任务是自然语言处理中的一个关键基础步骤。 通常它作为许多广泛使用的自然语言处理应用的预处理步骤,例如多语言机器翻译、信息检索、问答和文本摘要。 语言识别的核心挑战在于在嘈杂、简短和混合代码的环境中区分语言。 对于表现出词汇和语音相似性但又有明显差异的多种印度语言来说,这变得更加困难。 许多印度语言使用相同的文字系统,使得该任务更加具有挑战性。 在本文中,我们发布了一个包含23万条句子的数据集,其中包括英语和所有22种官方印度语言,并用语言标识符进行了标记,其中大多数语言的数据是新创建的。 我们还开发并发布了使用机器学习和深度学习最新方法的鲁棒基线模型,这些模型可以促进该领域研究。 我们的基线模型在语言识别任务上与最先进的模型相当。
摘要: The language identification task is a crucial fundamental step in NLP. Often it serves as a pre-processing step for widely used NLP applications such as multilingual machine translation, information retrieval, question and answering, and text summarization. The core challenge of language identification lies in distinguishing languages in noisy, short, and code-mixed environments. This becomes even harder in case of diverse Indian languages that exhibit lexical and phonetic similarities, but have distinct differences. Many Indian languages share the same script making the task even more challenging. In this paper, we release a dataset of 230K sentences consisting of English and all 22 official Indian languages labeled with their language identifiers where data in most languages are newly created. We also develop and release robust baseline models using state-of-the-art approaches in machine learning and deep learning that can aid the research in this field. Our baseline models are comparable to the state-of-the-art models for the language identification task.
评论: 8页,1图,7表,论文已被RANLP 2025接收
主题: 计算与语言 (cs.CL)
引用方式: arXiv:2507.11832 [cs.CL]
  (或者 arXiv:2507.11832v1 [cs.CL] 对于此版本)
  https://doi.org/10.48550/arXiv.2507.11832
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Pruthwik Mishra [查看电子邮件]
[v1] 星期三, 2025 年 7 月 16 日 01:39:32 UTC (261 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-07
切换浏览方式为:
cs.CL

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号