Sharif大学科技学院 发布 HomoRich 数据集, 应用在 自然语言处理、同形异义词消歧 领域

Sharif大学科技学院 本次发布的数据集 HomoRich, HomoRich数据集是由Sharif大学科技学院的计算机工程系的研究人员创建的，旨在解决低资源语言中同形异义词消歧问题。该数据集是首个也是最大的波斯语同形异义词数据集，包含528,891条注音波斯语句子，涵盖了285个同形异义词，每个词都有多个发音。数据集是通过半自动流程构建的，结合了人工和语言模型（LLM）生成的句子，并从多个波斯语语料库中收集了数据。数据集的创建过程包括文本语料库的收集、同形异义词的识别、句子生成和注音。HomoRich数据集的应用领域主要包括提高同形异义词消歧的准确性，以及为低延迟的实时应用（如屏幕阅读器）开发快速、基于规则的语音转换系统。

查看HomoRich

Dataset card 内容： 

Files and versions 内容： 

关于 arXiv , arXiv 是一个免费分发服务和开放获取的学术文章档案库，涵盖了物理学、数学、计算机科学、定量生物学、定量金融、统计学、电气工程和系统科学以及经济学等领域。该网站上的材料并未经过 arXiv 的同行评审。