Generalización compositiva en multilingüe
Análisis semántico sobre Wikidata

Ruixiang Cui, Rahul Aralikate, Brezo Cuaresma, y Daniel Hershcovich
Departamento de Ciencias de la Computación
Universidad de Copenhague, Dinamarca
{RC, raul, clorhidrato, DH}@di.ku.dk

Abstracto

análisis semántico (SP) permite a los humanos hacer palanca-
envejecer vastos recursos de conocimiento a través de la naturaleza
interacción. Sin embargo, los analizadores son en su mayoría de-
firmado y evaluado en recursos en inglés,
como CFQ (Keysers et al., 2020), el perro-
alquiler de referencia estándar basado en inglés
datos generados a partir de reglas gramaticales y ori-
dirigido hacia Freebase, un conocimiento obsoleto-
base de borde. Proponemos un método para crear un
plurilingüe, conjunto de datos paralelo de pregunta-consulta
pares, basado en Wikidata. Les presentamos
tal conjunto de datos, que llamamos multilingüe
Preguntas sobre composición de Wikidata (MCWQ),
y usarlo para analizar el gen composicional-
Eralización de analizadores semánticos en hebreo.,
canarés, Chino, e inglés. mientras dentro-
La generalización del lenguaje es comparable entre
idiomas, experimentos en cruz de tiro cero-
La transferencia lingüística demuestra que el intercambio lingüístico
la generalización compositiva falla, incluso con
codificación multilingüe previamente entrenada de última generación-
ers. Además, nuestra metodología, conjunto de datos,
y los resultados facilitarán futuras investigaciones sobre
SP en entornos más realistas y diversos que
ha sido posible con los recursos existentes.

1

Introducción

Analizadores semánticos basados ​​en bases de conocimiento
(KB) habilitar la respuesta a la pregunta de la base de conocimientos-
En g (KBQA) para preguntas complejas. muchos cemento-
Los analizadores de tic se basan en KB como Freebase
(Bollacker et al., 2008), DBpedia (Lehmann et al.,
2015), y Wikidata (Pellissier Tanon et al.,
2016), y los modelos pueden aprender a responder preguntas
sobre entidades y propiedades invisibles (Abundante y
tarde, 2017; Cheng y Lapata, 2018, Shen et al.,
2019; Sas et al., 2020). Una habilidad importante y deseada-
La calidad es la generalización compositiva: la capacidad.
Generalizar a combinaciones invisibles de elementos conocidos.
componentes (Oren et al., 2020; Kim y Lenzen,
2020).

937

Uno de los conjuntos de datos más utilizados para mea-
Asegurar la generalización compositiva en KBQA es
CFQ (Preguntas de base libre composicional; Keyser
et al., 2020), que fue generado usando gramática
normas, y está basado en Freebase, un anticuado y
KB sin mantenimiento solo en inglés. Si bien la necesidad de
expandir la tecnología lingüística a muchos idiomas
es ampliamente reconocido (Joshi et al., 2020), el
falta de un punto de referencia para la generalización compositiva-
ción en el análisis semántico multilingüe (SP) obstaculiza
KBQA en otros idiomas además del inglés. Más-
más, El progreso tanto en SP como en KB requiere
que los puntos de referencia se puedan reutilizar y adaptar para
métodos futuros.

Wikidata es una base de conocimientos multilingüe, con entidad y
etiquetas de propiedades en multitud de idiomas. Él
ha crecido continuamente a lo largo de los años y es un
complemento importante a Wikipedia. Mucho esfuerzo
Se ha realizado para migrar datos de Freebase a Wiki.-
datos (Pellissier Tanon et al., 2016; Diefenbach
et al., 2017; Hogan et al., 2021), pero solo en inglés-
inglés. Investigando la generalización compositiva
en SP multilingüe se requieren datos multilingües-
colocar, una brecha que abordamos en este trabajo.

Aprovechamos Wikidata y CFQ para crear
Preguntas de Wikidata sobre composición multilingüe
(MCWQ), un nuevo conjunto de datos multilingüe de compo-
preguntas posicionales basadas en Wikidata (ver figura-
ura 1 para un ejemplo). Más allá del inglés original,
una lengua indoeuropea que utiliza la escritura latina,
Creamos conjuntos de datos paralelos de preguntas en He.-
elaborar cerveza, canarés, y chino, que usan diferentes
escrituras y pertenecen a diferentes familias lingüísticas:
afroasiático, dravidiano, y chino-tibetano, respetar-
activamente. Nuestro conjunto de datos incluye preguntas en los cuatro
Idiomas y sus consultas SPARQL asociadas..

Nuestras contribuciones son:

• un método para migrar automáticamente un KBQA
conjunto de datos a otra KB y extenderlo a diversos
idiomas y dominios,

Transacciones de la Asociación de Lingüística Computacional, volumen. 10, páginas. 937–955, 2022. https://doi.org/10.1162/tacl a 00499
Editor de acciones: Emily Pitler. Lote de envío: 4/2022; Lote de revisión: 6/2022; Publicado 9/2022.
C(cid:2) 2022 Asociación de Lingüística Computacional. Distribuido bajo CC-BY 4.0 licencia.

yo

D
oh
w
norte
oh
a
d
mi
d

F
r
oh
metro
h

t
t

pag

:
/
/

d
i
r
mi
C
t
.

metro

i
t
.

mi
d
tu

/
t

a
C
yo
/

yo

a
r
t
i
C
mi
–
pag
d

F
/

d
oh

i
/

.

1
0
1
1
6
2

/
t

yo

a
C
_
a
_
0
0
4
9
9
2
0
4
2
5
8
8

/

/
t

yo

a
C
_
a
_
0
0
4
9
9
pag
d

.

F

b
y
gramo
tu
mi
s
t

t

oh
norte
0
7
S
mi
pag
mi
metro
b
mi
r
2
0
2
3

Los analizadores entrenados en CFQ transforman estas preguntas-
ciones en consultas SPARQL, que puede subseguir-
frecuentemente se ejecutará contra Freebase para responder
las preguntas originales (en este caso, ''Sí'').

el conjunto de prueba

CFQ utiliza la composición basada en distribución.-
Evaluación de nacionalidad (DBCA) método para generar
múltiples divisiones de prueba de tren con máxima divergencia
ejemplos en términos de compuestos, mientras principal-
manteniendo una baja divergencia en términos de primitivos
elementos (átomos). En estos compuestos máximos
divergencia (MCD) se divide,
es una estafa-
filtrado a ejemplos que contienen nuevos compuestos,
eso es, Nuevas formas de componer los átomos vistas.
durante el entrenamiento. Para medir gen composicional-
eralizaciones, las entidades nombradas en las preguntas son
anonimizados para que los modelos no puedan simplemente aprender el
relación entre entidades y propiedades. CFQ
contiene 239,357 pares de preguntas y respuestas en inglés,
que abarcan 49,320 patrones de preguntas y
34,921 Patrones de consulta SPARQL. Mesa 1 muestra
campos seleccionados de un ejemplo en CFQ. en su ex-
perimentos, Keysers y otros. (2020) hombre entrenado-
analizadores de tic que utilizan varias arquitecturas en varios
divisiones de prueba de tren. Demostraron una fuerte nega-
correlación positiva entre la precisión de los modelos (cor-
Rectitud de la consulta SPARQL generada completa.) y
divergencia compuesta a través de una variedad de sistemas
arquitecturas: todos los modelos se generalizaron mal en
los ajustes de alta divergencia, destacando la necesidad
para mejorar la generalización compositiva en SP.

Cuando se lanzó CFQ, base libre
ya había sido cerrado. En esa cuenta, a
nuestro conocimiento,
no hay datos de SP existentes-
establecer como objetivo la generalización compositiva que es
basado en un KB actualmente utilizable, cual estafa-
mantiene información actualizada. Por lo tanto, mi-
rallar el conjunto de datos a tal KB, a saber, Wikidatos,
en 3.

Además, sólo unos pocos estudios han evaluado
Rendimiento de los analizadores semánticos en un entorno multilingüe.
configuración, debido a la escasez de KBQA multilingüe
conjuntos de datos (Perevalov et al., 2022b). No compara-
Existe un punto de referencia para otros idiomas además de
Inglés, y por lo tanto no está claro si
Los resultados son generalizables a otros idiomas.. Com-
generalización posicional en tipológicamente distante
Los idiomas pueden plantear desafíos completamente diferentes.-
lentes, ya que estos idiomas pueden tener diferentes
formas de componer significado (Evans y Levinson,
2009). Creamos un conjunto de datos multilingüe de este tipo en
§4, aprovechando el multilingüismo de Wikidata.

Cifra 1: Un ejemplo del conjunto de datos MCWQ. El
La pregunta en cada idioma corresponde a la misma.
Consulta SPARQL de Wikidata, cual, tras la ejecución,
devuelve la respuesta (lo cual es positivo en este caso).

• un punto de referencia para medir la composición
generalización en SP para KBQA sobre Wiki-
datos en cuatro idiomas tipológicamente diversos,

• experimentos monolingües con diferentes SP
arquitecturas en cada uno de los cuatro idiomas,
demostrando genes similares dentro del lenguaje-
eralización, y

• experimentos multilingüísticos de disparo cero utilizando
codificadores multilingües previamente entrenados,
espectáculo-
extrayendo esa generalización compositiva de
El inglés a los otros idiomas falla..

Nuestro código para generar el conjunto de datos y para
los experimentos, así como el conjunto de datos en sí y
modelos entrenados, están disponibles públicamente en https://
github.com/coastalcph/seq2sparql.

2 Limitaciones del CFQ

CFQ (Keysers et al., 2020) es un conjunto de datos para mea-
asegurar la generalización compositiva en SP. es alquitrán-
recibe la tarea de analizar preguntas en inglés en
Consultas SPARQL ejecutables en Freebase KB
(Bollacker et al., 2008). CFQ contiene preguntas
como en la tabla 1, así como el siguiente inglés
pregunta (con entidades entre corchetes):

''Era [Artistas Unidos]
fundado por
[Señor. Arreglalo]la estrella, fundado por [D. W..
Griffith], fundado por [María Pickford],
y fundado por [El huésped estelar]'s
estrella?''

938

yo

D
oh
w
norte
oh
a
d
mi
d

F
r
oh
metro
h

t
t

pag

:
/
/

d
i
r
mi
C
t
.

metro

i
t
.

mi
d
tu

/
t

a
C
yo
/

yo

a
r
t
i
C
mi
–
pag
d

F
/

d
oh

i
/

.

1
0
1
1
6
2

/
t

yo

a
C
_
a
_
0
0
4
9
9
2
0
4
2
5
8
8

/

/
t

yo

a
C
_
a
_
0
0
4
9
9
pag
d

.

F

b
y
gramo
tu
mi
s
t

t

oh
norte
0
7
S
mi
pag
mi
metro
b
mi
r
2
0
2
3

campo CFQ

preguntaConCorchetes
preguntaPatternModEntities
preguntaConMids
chispa

sparqlPatternModEntidades

Contenido

Hizo ['Asesinato' Legendre]El actor masculino se casa. [Lillian Lugosi]
¿Se casó el actor masculino de M0 con M2?
¿m.0El actor masculino de h4y854 se casa con m..0hpnx3b
SELECCIONAR recuento(*) DÓNDE { ?x0 ns:actor de cine.film/ns:película.actuación
.personaje
ns:metro.0h4y854 . ?x0 ns:personas.persona.género ns:metro.05zppz . ?x0
ns:personas.persona.cónyuge s/ns:universo ficticio.matrimonio de
personajes de ficción. cónyuges ns:metro.0hpnx3b . FILTRAR ( ?x0 !=
ns:metro.0hpnx3b )}
SELECCIONAR recuento(*) DÓNDE { ?x0 ns:actor de cine.film/ns:película.actuación
.personaje
M0 . ?x0 ns:personas.persona.género ns:metro.05zppz . ?x0
ns:personas.persona.cónyuge s
/ns:universo ficticio.matrimonio de personajes ficticios.cónyuges M2
. FILTRAR
( ?x0 !=M2 )}

Mesa 1: Campos seleccionados en una entrada de CFQ. questionWithBrackets es la pregunta completa en inglés.
con entidades entre corchetes. questionPatternModEntities es la pregunta con entidades
reemplazado por marcadores de posición. En cuestiónConMids, los códigos de entidad (ID de máquinas de base libre; MID)
se dan en lugar de sus etiquetas. sparql es la consulta SPARQL totalmente ejecutable para la pregunta, y
en sparqlPatternModEntities los códigos de entidad se reemplazan por marcadores de posición.

3 Migración a Wikidata

Wikidata es ampliamente aceptado como reemplazo
para base libre. Se mantiene y repre activamente-
envía conocimientos en multitud de idiomas y
dominios, y también es compatible con SPARQL. Migrar
Consultas de base libre a Wikidata, sin embargo, no es trivial-
ial, ya que no existe un mapeo completo establecido entre
Las propiedades y entidades de las KB.. Un cambio obvio-
nativo de la migración sería una réplica de la
Proceso de generación de CFQ original pero con Wiki.-
datos como KB. Antes de profundizar en los detalles de
el proceso migratorio, Motivemos la decisión.-
sión de no seguir esa opción: La gramática utilizada
para generar CFQ no se puso a disposición de otros-
ers por Keysers et al.. (2020) y es prohibitivamente
demasiado complejo para aplicar ingeniería inversa. Nuestra migración
proceso, por otro lado, es general y puede simular-
Se puede aplicar de manera similar para migrar otros conjuntos de datos desde
Base libre a Wikidata. Finalmente, muchos competitivos
Se han desarrollado modelos con arquitectura especializada.
desarrollado para CFQ (Guo et al., 2020; Sentido
et al., 2021; Gay y col., 2021. Nuestros datos migrados-
El conjunto es formalmente similar y facilita su evaluación.-
uación y desarrollo de nuevos métodos..

3.1 Mapeo de propiedades

usos 51 propiedades únicas en sus consultas SPARQL,
principalmente pertenecientes al dominio cinematográfico.
Estas propiedades de Freebase no se pueden aplicar di-
directamente a Wikidata, que utiliza diferentes propiedades
códigos conocidos como códigos P (p.ej., P21). nosotros allí-
Por lo tanto, es necesario asignar las propiedades de Freebase a
Propiedades de Wikidata.

Como primer paso en el proceso migratorio, nosotros
compruebe qué propiedades de Freebase se utilizan en CFQ
tener las propiedades Wikidata correspondientes. Usando un
repositorio disponible públicamente que proporciona una información parcial
mapeo entre las KB,1 identificamos eso 22
fuera de 51 Las propiedades de base libre en CFQ pueden
ser asignado directamente a las propiedades de Wikidata.2
otro 29 requieren procesamiento adicional:

Catorce propiedades son lo contrario de otras.
propiedades, que no tienen contador Wikidata-
partes. Por ejemplo, ns:cine.director.pelicula
es el reverso de ns:película.película.dirigida por,
y sólo este último tiene mapeo Wikidata, P57.
Resolvemos el problema intercambiando las entidades.
alrededor de la propiedad.

El otro 15 las propiedades se ocupan de juzgar
si una entidad tiene una determinada cualidad. En CFQ,
?x1 y ns:El director de cine pregunta si ?x1
es un director. Wikidata no contiene tales
propiedades unarias. Por lo tanto, Necesitamos tratar estos

Como se puede observar en la tabla 1, la cláusula WHERE en un
La consulta SPARQL consta de una lista de triples., dónde
el segundo elemento en cada triplete es la propiedad
(p.ej., ns:personas.persona.genero). CFQ

1https://www.wikidata.org/wiki/Wikidata

:WikiProject Base libre/Mapeo.

2Si bien algunas propiedades de Freebase tienen múltiples cor-
propiedades de Wikidata que responden, consideramos una propiedad
mapeable siempre que tenga al menos un mapeo.

939

yo

D
oh
w
norte
oh
a
d
mi
d

F
r
oh
metro
h

t
t

pag

:
/
/

d
i
r
mi
C
t
.

metro

i
t
.

mi
d
tu

/
t

a
C
yo
/

yo

a
r
t
i
C
mi
–
pag
d

F
/

d
oh

i
/

.

1
0
1
1
6
2

/
t

yo

a
C
_
a
_
0
0
4
9
9
2
0
4
2
5
8
8

/

/
t

yo

a
C
_
a
_
0
0
4
9
9
pag
d

.

F

b
y
gramo
tu
mi
s
t

t

oh
norte
0
7
S
mi
pag
mi
metro
b
mi
r
2
0
2
3

Propiedades CFQ como entidades en Wikidata. por ejemplo-
amplio, el director es wd:Q2526255, entonces nosotros para-
formular la consulta como ?x1 ancho:P106 WD:
Q2526255, preguntando si ?ocupación de x1
(P106) es director. Además, sustituimos el
director de arte propiedad de CFQ con la com-
propiedad poser porque el primero no tiene equivalente-
alente en Wikidata. Finalmente, filtramos consultas
con marcas inversas sobre las propiedades, Por ejemplo,
?x0 ns:personas.persona.género M0, pendiente
a la incompatibilidad con la generación de preguntas
proceso (§3.2).

Después de filtrar, nos quedamos con 236,304 entradas
con solo propiedades totalmente mapeables: 98,7% de todos
entradas en CFQ. Además hacemos necesario
Modificación de sintaxis SPARQL para Wikidata.3

3.2 Sustitución de entidad

Una gran cantidad de entidades en Freebase están ausentes
en Wikidata. Por ejemplo, ninguna de las entidades
en mesa 1 existir en Wikidata. Además, a diferencia de
el caso de las propiedades, a nuestro conocimiento, allá
No existe un mapeo completo o incluso parcial de
ID de entidad de base libre (es decir., ID de máquinas de base libre,
MID, como por ejemplo:metro.05zppz) a Wikidata es-
ID de entidad (es decir., códigos Q, como por ejemplo:Q6581097).
Replicamos el proceso de puesta a tierra realizado
por Keysers et al.. (2020), lugar de la entidad sustituta-
titulares con códigos de entidades compatibles por ejecución-
ing las consultas contra Wikidata:

1. Reemplazo de marcadores de entidad con SPARQL
variables (p.ej., ?v0), obtenemos consultas que
devolver conjuntos de entidades candidatas compatibles
tareas en lugar de simplemente una respuesta para
una asignación dada de entidades.

2. Agregamos restricciones para que las entidades sean
distinto, para evitar redundancias sin sentido
(p.ej., debido a la conjunción de cláusulas idénticas).

3. Entidades especiales, representando nacionalidades
y géneros, son considerados parte de la
patrones de preguntas en CFQ (y no son re-
colocado con marcadores de posición). Antes de correr
las consultas, por lo tanto reemplazamos todas esas entidades
con los correspondientes códigos Q de Wikidata (en-
en lugar de variables).

4. Ejecutamos las consultas contra el Wikidata
consultar service4 para obtener la asignación satisfactoria-
mentos de combinaciones de entidades, con la cual
reemplazamos los marcadores de posición en sparql-
Campos PatternModEntities.

5. Finalmente, insertamos

los códigos Q en el
Preguntas en inglés en la preguntaCon-
Campo de medios y la entidad correspondiente.-
bels en la pregunta con corchetes para
obtener las preguntas en inglés para nuestro conjunto de datos.

A lo largo de este proceso, 52.5% de las consultas tienen
al menos una tarea satisfactoria. La resultante
Los pares de preguntas y consultas constituyen nuestros datos en inglés.-
colocar. Mantienen los patrones SPARQL en CFQ,
pero todas las consultas son ejecutables en Wikidata.

Obtenemos 124,187 pares pregunta-consulta, de
cual 67,523 son preguntas de sí/no y 56,664
son quienes- preguntas. Las respuestas esperadas de
Las preguntas de sí/no en este conjunto son todas "sí" debido a
nuestro proceso de asignación de entidades. Para hacer MCWQ
comparable al CFQ, que tiene efectos positivos y
respuestas negativas, probamos consultas alternativas
reemplazando entidades con otras de otras consultas
cuyos predicados precedentes son los mismos. Nuestro
resultados de muestreo negativos en 30,418 preguntas con
''sin respuestas.

3.3 Ejemplo de migración

Considere el patrón SPARQL de la tabla 1:

SELECCIONAR recuento(*) DÓNDE { ?x0 ns:Actor de películas.

película/ns:película.actuación.personaje M0 .

?x0 ns:personas.persona.género ns:metro.05zppz .

?x0 ns:personas.persona.cónyuge s/ns:

universo ficticio.

matrimonio de personajes de ficción.cónyuges
M2 . FILTRAR ( ?x0 !=M2 )}

Reemplazamos las propiedades y enti especiales.-
corbatas (aqui el genero masculino: ns:metro.05zppz →
wd:Q6581097):

SELECCIONAR recuento(*) DÓNDE {?x0 wdt:P453 M0 .?x0

wdt:P21:Q6581097 .
FILTRAR ( ?x0 !=M2 )}

?x0 wdt:P26M2 .

Luego reemplazamos los marcadores de posición. (p.ej., M0) con variedad-
capacidades y agregar restricciones para obtener solo una
asignación (lo cual es suficiente para nuestros propósitos)
con entidades distintas. La consulta resultante es:

3CFQ utiliza el recuento SELECT(*) DONDE consultar
si no preguntas, pero esta sintaxis no es compatible con Wiki-
datos. Lo reemplazamos con PREGUNTAR DÓNDE, destinado a booleano
consultas.

SELECCIONAR ?v0 ?v1 DONDE ?x0 wdt:P453 ?v0. ?x0

wdt:P21:Q6581097.

?x0 wdt:P26

?v1.

4https://consulta.wikidata.org/.

940

yo

D
oh
w
norte
oh
a
d
mi
d

F
r
oh
metro
h

t
t

pag

:
/
/

d
i
r
mi
C
t
.

metro

i
t
.

mi
d
tu

/
t

a
C
yo
/

yo

a
r
t
i
C
mi
–
pag
d

F
/

d
oh

i
/

.

1
0
1
1
6
2

/
t

yo

a
C
_
a
_
0
0
4
9
9
2
0
4
2
5
8
8

/

/
t

yo

a
C
_
a
_
0
0
4
9
9
pag
d

.

F

b
y
gramo
tu
mi
s
t

t

oh
norte
0
7
S
mi
pag
mi
metro
b
mi
r
2
0
2
3

FILTRAR ( ?x0 != ?v1 ). FILTRAR ( ?v0 !=

?v1 ) LÍMITE 1

Ejecutamos la consulta y obtenemos wd.:Q50807639
(Lohengrin) y wd:Q1560129 (Margarita
joswig) como respuestas satisfactorias para v0 y v1,
respectivamente. Tenga en cuenta que estos son diferentes de los
entidades en la pregunta original ('Asesinato' Legendre
y Lillian Lugosi)-en general, no hay guar-
apuesta a que las mismas entidades de CFQ serán
conservado en nuestro conjunto de datos. Luego volvemos a poner
estas respuestas en la consulta, y hacer necesidades-
sary modificación de sintaxis SPARQL para Wikidata.
La consulta final para esta entrada es:

PREGUNTE DONDE {?x0 wdt:P453 WD:Q50807639. ?x0 wdt:

P21:Q6581097
Q1560129 . FILTRAR ( ?x0 != wd:Q1560129 )}

?x0 wdt:P26:

.

En cuanto a la pregunta en inglés, mapeamos el Gratis-
entidades base en el campo questionWithMids
con las etiquetas de las entidades Wikidata obtenidas.
Por lo tanto, la cuestión inglesa resultante de esto
el proceso es:

Hizo [Lohengrin] El actor masculino se casa.
[Margarete Joswig]?

Cifra 2: Distribución de complejidad de la división MCD1.
de CFQ (arriba) y MCWQ (abajo).

3.4 Estadísticas de conjuntos de datos

Comparamos las estadísticas de MCWQ con CFQ
en mesa 3. MCWQ tiene 29,312 pregunta única
patrones (entidades mod, verbos, etc.), eso es, 23.6%
de preguntas cubren todos los patrones de preguntas, com-
comparado con 20.6% en CFQ. Además, MCWQ
tiene 86,353 patrones de consulta únicos (mod enti-
corbatas), Resultando en 69.5% de casos que cubren
todos los patrones SPARQL, 18% superior al CFQ. Nuestro
Por lo tanto, el conjunto de datos plantea un desafío mayor para las empresas.-
SP posicional, y exhibe menos redundancia en
términos de patrones de consulta duplicados. no vale la pena-
ing ese porcentaje de consulta menos único en MCWQ
que el CFQ resulta de la pérdida durante el intercambio
las entidades en §3.1.

Ser desafiante desde el punto de vista compositivo, Keyser
et al. (2020) generó las divisiones de MCD para tener
alta divergencia compuesta manteniendo
baja divergencia atómica. Como los átomos en MCWQ son
mapeado desde CFQ al salir de la composi-
estructura funcional intacta, derivamos divisiones de prueba de tren
de nuestro conjunto de datos al inducir las divisiones de prueba de tren de
CFQ sobre el subconjunto correspondiente de instancias en
nuestro conjunto de datos.

La complejidad de las preguntas en CFQ es media.-
asegurado por la profundidad de recursividad y refleja el número

de aplicaciones de reglas utilizadas para generar una pregunta-
ción, que abarca la gramática, conocimiento,
inferencia, y reglas de resolución. Mientras cada pregunta-
La complejidad de la operación en MCWQ es la misma que la
preguntas del CFQ correspondientes, algunos no pueden ser
migrado (ver §3.1 y §3.2). Para verificar la com-
La divergencia de la libra no se ve afectada., comparamos
la distribución de complejidad de la pregunta de los dos
conjuntos de datos en una de las tres divisiones compositivas
(MCD1) En figura 2. El entrenamiento, desarrollo,
y conjuntos de prueba de la división en CFQ y MCWQ
seguir una tendencia similar en general. la fluctuación
en la complejidad de las preguntas del MCWQ
Las divisiones reflejan la distribución completa del conjunto de datos; consulte
Cifra 3.

Derivado de sus entidades y propiedades., CFQ
Las preguntas se limitan al ámbito de las películas.. El
entidades en MCWQ, sin embargo, en principio puede venir
desde cualquier dominio, gracias a nuestra entidad flexible
método de reemplazo. Aunque las propiedades de MCWQ
siguen siendo un subconjunto de los utilizados en CFQ, ellos son
principalmente en el dominio de las películas. También observamos un
algunas preguntas de la literatura, política, e historia
en MCWQ.

941

yo

D
oh
w
norte
oh
a
d
mi
d

F
r
oh
metro
h

t
t

pag

:
/
/

d
i
r
mi
C
t
.

metro

i
t
.

mi
d
tu

/
t

a
C
yo
/

yo

a
r
t
i
C
mi
–
pag
d

F
/

d
oh

i
/

.

1
0
1
1
6
2

/
t

yo

a
C
_
a
_
0
0
4
9
9
2
0
4
2
5
8
8

/

/
t

yo

a
C
_
a
_
0
0
4
9
9
pag
d

.

F

b
y
gramo
tu
mi
s
t

t

oh
norte
0
7
S
mi
pag
mi
metro
b
mi
r
2
0
2
3

yo

D
oh
w
norte
oh
a
d
mi
d

F
r
oh
metro
h

t
t

pag

:
/
/

d
i
r
mi
C
t
.

metro

i
t
.

mi
d
tu

/
t

a
C
yo
/

yo

a
r
t
i
C
mi
–
pag
d

F
/

d
oh

i
/

.

1
0
1
1
6
2

/
t

yo

a
C
_
a
_
0
0
4
9
9
2
0
4
2
5
8
8

/

/
t

yo

a
C
_
a
_
0
0
4
9
9
pag
d

.

F

b
y
gramo
tu
mi
s
t

t

oh
norte
0
7
S
mi
pag
mi
metro
b
mi
r
2
0
2
3

Mesa 2: El ejemplo de MCWQ de la figura 1. La pregunta en inglés se genera a partir del CFQ
entrada en la tabla 1 por el proceso de migración descrito en §3.3, y las preguntas en los otros idiomas
se traducen automáticamente (§4.1). La pregunta entre corchetes, preguntaPatternMod-
Entidades, chispa, y los campos sparqlPatternModEntities son análogos a los del CFQ.
recursionDepth (que cuantifica la complejidad de la pregunta) y respuesta esperada (cual
es la respuesta devuelta al ejecutar la consulta) se copian de la entrada CFQ.

CFQ

MCWQ

Preguntas unicas
Patrones de preguntas
Consultas únicas
Patrones de consulta

239,357

124,187

49,320 (20.6%)
228,149 (95.3%)
123,262 (51.5%)

29,312 (23.6%)

101,856 (82%)
86,353 (69.5%)

Si no preguntas
¿Qué?- preguntas

130,571 (54.6%)
108,786 (45.5%)

67,523 (54.4%)
56,664 (45.6%)

Mesa 3: Comparación de estadísticas de conjuntos de datos para MCWQ
y CFQ. Los porcentajes son relativos a todos los únicos.
preguntas. Los patrones de preguntas se refieren a mod enti-
corbatas, verbos, etc.. mientras que los patrones de consulta se refieren a mod
solo entidades.

4.1 Generando traducciones

Tanto los patrones de preguntas como las preguntas entre corchetes
se traducen por separado con Google Cloud Trans-
lation5 del inglés.6 Quedan consultas SPARQL
sin alterar, ya que tanto los ID de propiedad como de entidad son
independiente del idioma en Wikidata, cual estafa-
Contiene etiquetas en diferentes idiomas para cada uno.. Mesa 2
muestra un ejemplo de una pregunta en nuestro conjunto de datos
(que se genera a partir de la misma pregunta que

5https://nube.google.com/translate.
6Intentamos traducir las preguntas entre corchetes y sub-
posteriormente reemplace las entidades entre corchetes con marcadores de posición como
patrones de preguntas. En experimentos preliminares, Encontramos eso
la traducción separada de los patrones de preguntas es de mayor trans-
calidad de lacion. Por lo tanto, elegimos traducir la pregunta
patrones y preguntas entre corchetes individualmente.

Cifra 3: Distribución de complejidad de MCWQ, cosa-
asegurado por la profundidad de recursividad, comparado con el CFQ.

4 Generando preguntas multilingües

Para crear un conjunto de datos tipológicamente diverso, comenzar-
ing desde nuestro conjunto de datos en inglés (un indoeuropeo
idioma usando la escritura latina), usamos maquina
traducción a otros tres idiomas de diferentes-
familias ent (afroasiático, dravidiano, y chino-
tibetano), que utilizan diferentes scripts: hebreo,
canarés, y chino (§4.1). Para una comparación
a la traducción automática y una evaluación más realista-
uación con respecto a la composición SP, nosotros el hombre-
traducir generalmente un subconjunto de los conjuntos de prueba del
tres divisiones de MCD (§4.2) y evaluar la máquina
calidad de traducción (§4.3).

942

la instancia CFQ de la tabla 1), así como el
traducciones resultantes.

Como necesidad técnica adicional, añadimos
un signo de interrogación al final de cada pregunta-
traducción anterior (ya que el conjunto de datos original no
incluir signos de interrogación) y eliminar las preguntas finales-
marcas de referencia de la pregunta traducida antes
incluyéndolo en nuestro conjunto de datos. Consideramos que este paso es
esencial para la calidad de la traducción.

4.2 Conjunto de prueba de oro

CFQ y otros conjuntos de datos para evaluar la composición-
generalización posicional (Lago y Baroni, 2018;
Kim y Lenzen, 2020) se generan a partir de gramos-
Marte. Sin embargo, No se ha investigado cómo
Los modelos bien entrenados en ellos se generalizan a hu-
preguntas del hombre. Como un paso hacia ese objetivo,
Evaluamos si los modelos entrenados con auto-
Las preguntas generadas y traducidas automáticamente pueden
generalizar a preguntas traducidas por humanos de alta calidad-
ciones. Para ese propósito, obtenemos la intersección
de los conjuntos de prueba de las divisiones MCD (1,860 en-
intentos), y muestre dos preguntas traducidas con
preguntas de sí/no y dos con wh- preguntas para
cada nivel de complejidad (si está disponible). esta muestra,
denominado prueba-intersección-MT, tiene 155 entradas en
total. Los autores (un hablante nativo para cada
idioma) traducir manualmente las preguntas en inglés-
ciones al hebreo, canarés, y chino. Nosotros
término el conjunto de datos resultante prueba-intersección-oro.

4.3 Calidad de traducción

prueba-intersección-MT contra

Calculamos el BLEU (Papineni et al., 2002)
prueba-
puntuaciones de
intersección-oro usando SacreBLEU (Correo, 2018),
Resultando en 87.4, 76.6, y 82.8 para hebreo,
canarés, y chino, respectivamente. Esto indica
alta calidad de los resultados de la traducción automática.

Además, un autor para cada idioma
evalúa manualmente la calidad de la traducción para un sam-
pregunta formulada de cada nivel de complejidad de
el conjunto de datos completo (40 en total). Calificamos a la trans-
laciones en una escala del 1 al 5 para la fluidez y
preservación del significado, con 1 ser pobre, y 5 ser-
siendo óptimo. A pesar de problemas ocasionales de traducción,
principalmente atribuido a elección léxica o morfología-
acuerdo de cal, confirmamos que las traducciones son
de alta calidad. En todos los idiomas, encima 80% de
puntuación de ejemplos 3 o superior en fluidez y significado
preservación. La preservación del significado promedio.
partituras para hebreo, canarés, y los chinos son 4.4,

3.9, y 4.0, respectivamente. Para la fluidez, ellos son
3.6, 3.9, y 4.4, respectivamente.

como control, uno de los autores (un nativo
Inglés hablante) evaluó la fluidez en inglés para
la misma muestra de 40 preguntas. Solo 62% de
los patrones fueron calificados 3 o superior. mientras todo ingles
las preguntas son gramaticales, muchos sufren de pobreza
fluidez, remontándose a sus géneros automáticos-
ción usando reglas. Algunas traducciones tienen una calificación más alta
en términos de fluidez, principalmente debido al anotador le-
niencia (centrándose en las disfluencias que podrían resultar
de la traducción) y parafraseando lo antinatural
construcciones por el sistema MT (especialmente para
menores complejidades).

5 experimentos

Si bien las arquitecturas especializadas han logrado
resultados de última generación en CFQ (Guo et al., 2020,
2021; Gay y col., 2021), estos enfoques son
Inglés- o específico de Freebase. Por lo tanto, experimentamos-
elemento con secuencia a secuencia (seq2seq) modificación-
los, entre los cuales T5 (Rafael y col., 2020) ha sido
demostrado tener el mejor rendimiento en CFQ (Herzig et al.,
2021). Evaluamos estos modelos para cada LAN.-
calibre por separado (§5.1), y posteriormente evaluar
su generalización compositiva translingüística
(§5.2).

5.1 Experimentos monolingües

Evaluamos el análisis monolingüe de seis modelos.
rendimiento en las tres divisiones de MCD y un aleatorio
división de MCWQ. Como lo hicieron Keysers et al.. (2020),
Las entidades están enmascaradas durante el entrenamiento., excepto aquellos
que son parte de los patrones de preguntas (géneros y
nacionalidades).

Experimentamos con dos arquitecturas seq2seq.
en MCWQ para cada idioma, con la misma hy-
parámetros ajustados por Keysers et al.. (2020) en
la división aleatoria del CFQ: LSTM (Hochreiter y
Schmidhuber, 1997) con mecanismo de atención
(Bahdanau et al., 2015) y trans evolucionada-
anterior (Entonces et al., 2019), ambos implementados usando
Tensor2Tensor (Vaswani et al., 2018). Separado
Los modelos se entrenan y evalúan por idioma.,
con inicializado aleatoriamente (no preentrenado) en-
codificadores. Entrenamos un modelo para cada uno de los tres.
Divisiones MCD más una división aleatoria para cada idioma.
También experimentamos con lenguaje previamente entrenado.
modelos (PLM), para evaluar si son multilingües
PLM, mBERTO (Devlin et al., 2019) y mT5

943

yo

D
oh
w
norte
oh
a
d
mi
d

F
r
oh
metro
h

t
t

pag

:
/
/

d
i
r
mi
C
t
.

metro

i
t
.

mi
d
tu

/
t

a
C
yo
/

yo

a
r
t
i
C
mi
–
pag
d

F
/

d
oh

i
/

.

1
0
1
1
6
2

/
t

yo

a
C
_
a
_
0
0
4
9
9
2
0
4
2
5
8
8

/

/
t

yo

a
C
_
a
_
0
0
4
9
9
pag
d

.

F

b
y
gramo
tu
mi
s
t

t

oh
norte
0
7
S
mi
pag
mi
metro
b
mi
r
2
0
2
3

MCD1

MCD2

MCD3

MCDmedia

Aleatorio

Coincidencia exacta (%)

En

Él

kn

Z h

En

Él

kn

Z h

En

Él

kn

Z h

En

Él

kn

Z h

En

Él

kn

Z h

LSTM+Atención
mi. Transformador
mBERTO
base T5+RIR
mT5-pequeño+RIR
mT5-base+RIR

38.2
53.3
49.5
57.4
77.6
55.5

29.3
35
38.7
–
57.8
59.5

27.1
30.7
34.4
–
55
49.1

26.1
31
35.6
–
52.8
30.2

6.3
16.5
13.4
14.6
13
27.7

5.6
8.7
11.4
–
12.6
16.6

9.9
11.9
12.3
–
8.2
16.6

7.5
10.2
15.1
–
21.1
23

13.6
18.2
17
12.3
24.3
18.2

11.5
13
18
–
17.5
23.4

15.7
18.1
18.1
–
31.4
30.5

15.1
15.5
19.4
–
34.9
35.6

19.4
29.3
26.6
28.1
38.3
33.8

15.5
18.9
22.7
–
29.3
33.2

17.6
20.2
21.6
–
31.5
32.1

16.2
18.9
23.4
–
36.3
29.6

96.6
99
98.7
98.5
98.6
99.1

80.8
90.4
91
–
90
90.6

88.7
93.7
95.1
–
93.8
94.2

86.8
92.2
93.3
–
91.8
92.2

Mesa 4: Evaluación monolingüe: Precisiones de coincidencia exacta en MCWQ. MCDmean es la media acumulada-
picante de las tres divisiones de MCD. Aleatorio representa una división aleatoria de MCWQ. Este es un límite superior
sobre el rendimiento mostrado sólo para comparación. Como las puntuaciones SPARQL BLEU están altamente correlacionadas con
precisiones en este experimento, aquí solo mostramos este último.

(Xue et al., 2020), son tan efectivos para monolin-
generalización compositiva gual como inglés-
sólo PLM que utiliza la biblioteca Transformers (Lobo
et al., 2020).

Para mBERT, afinamos un multicased
Codificador L-12 H-768 A-12 y un codificador aleatorio.
decodificador inicializado de la misma arquitectura. Nosotros
entrenar para 100 épocas con paciencia de 25, lote
tamaño de 128, y tasa de aprendizaje de 5 × 10−5 con un
decaimiento lineal.

Para T5, ajustamos la base T5 en MCWQ
Inglés, y mT5-small y mT5-base en
cada idioma por separado. Usamos el hy predeterminado-
configuración de parámetros excepto probar dos aprendizaje
tarifas, 5e-4 y 3e-5 (ver resultados a continuación). SPARQL
Las consultas se procesan previamente mediante interconexión reversible.-
mediar representaciones (RIR), mostrado anteriormente
(Herzig et al., 2021) para facilitar la composición
generalización para T5. Ajustamos todos los modelos para
50k pasos.

Usamos seis GPU Titan RTX para entrenar, con
tamaño de lote de 36 para base T5, 24 para mT5-
pequeño, y 12 para base mT5. Usamos dos
semillas aleatorias para base T5. Se necesita 384 horas
para finalizar una ronda de pequeños experimentos mT5,
120 horas para T5-base, y 592 horas para
base mT5.

Además de la precisión de coincidencia exacta, nosotros reportamos
las puntuaciones BLEU de las predicciones calculadas
con SacreBLEU, como una gran parte de la generación-
consultas borradas es parcialmente (pero no completamente) correcto.

Resultados Los resultados se muestran en la tabla. 4. Mientras
Los modelos se generalizan casi perfectamente en el azar.
dividido para los cuatro idiomas, las divisiones de MCD son
mucho más duro, con las precisiones medias más altas
de 38.3%, 33.2%, 32.1%, y 36.3% para ingles,
hebreo, canarés, y chino, respectivamente. Para
comparación, en CFQ, T5-base+RIR tiene una ac-
curaduría de 60.8% en MCDmedia (Herzig et al.,

2021). Una de las razones de esta disminución en el rendimiento
son los datos de entrenamiento más pequeños: El conjunto de datos MCWQ
tiene 52.5% el tamaño del CFQ. Además, MCWQ
tiene menos redundancia que CFQ en términos de dupli-
cate preguntas y patrones SPARQL, representación
La estrategia potencial de los modelos de simplemente memorizar
patrones menos efectivos.

Contrariamente a lo esperado, La base mT5 no
supera al mT5-pequeño. Durante el entrenamiento, nosotros
Se descubrió que la base mT5 alcanzó la pérdida mínima temprano
(después de 1k pasos). Al cambiar la tasa de aprendizaje de
el valor predeterminado 3e-5 a 5e-4, parece que hemos terminado-
ven el minimo local. Entrenamiento mT5-pequeño
con una tasa de aprendizaje de 5e−4 también se obtiene mejor por-
rendimiento. Además, el tamaño de lote que utilizamos para
La base mT5 puede no ser óptima, pero podríamos
No experimente con lotes de mayor tamaño debido a
limitaciones de recursos.

Comparación del rendimiento entre idiomas,
mT5-base funciona mejor en hebreo y kan-
nada on average, mientras que mT5-small tiene lo mejor
Rendimiento en inglés y chino.. debido a re-
limitaciones de fuente, no pudimos mirar más profundamente
en el efecto de los hiperparámetros o evaluar
modelos más grandes. Sin embargo, nuestros experimentos muestran
que si bien la composición multilingüe generaliza-
ción es un desafío para los analizadores semánticos seq2seq,
La generalización dentro del lenguaje es comparable-
entre idiomas. Sin embargo, El inglés siempre es
Lo más fácil (al menos marginalmente). Una causa potencial
es que la mayoría de los lenguajes de consulta semánticos eran iniciales-
Diseñado inicialmente para representar y recuperar datos almacenados.
en bases de datos en ingles, y por lo tanto tener un sesgo hacia
Inglés. Como consecuencia, La sintaxis SPARQL está más cerca
al inglés que al hebreo, canarés, y chino.
Si bien los errores de traducción pueden tener un efecto como
Bueno, Hemos visto en §4.3 que la calidad de la traducción
es alto.

Para investigar más, trazamos la complejidad
distribución de predicciones verdaderas (exactamente coincidente

944

yo

D
oh
w
norte
oh
a
d
mi
d

F
r
oh
metro
h

t
t

pag

:
/
/

d
i
r
mi
C
t
.

metro

i
t
.

mi
d
tu

/
t

a
C
yo
/

yo

a
r
t
i
C
mi
–
pag
d

F
/

d
oh

i
/

.

1
0
1
1
6
2

/
t

yo

a
C
_
a
_
0
0
4
9
9
2
0
4
2
5
8
8

/

/
t

yo

a
C
_
a
_
0
0
4
9
9
pag
d

.

F

b
y
gramo
tu
mi
s
t

t

oh
norte
0
7
S
mi
pag
mi
metro
b
mi
r
2
0
2
3

MCDmedia

Aleatorio

AZUL ESPECIAL

En

Él

kn

Z h

En

Él

kn

Z h

mT5-pequeño+RIR
mT5-base+RIR

87.5
86.4

53.8
46.4

53.2
46

59
52.7

99.9
99.9

60.4
63.2

59.9
63.5

63.8
70.6

Coincidencia exacta (%)

mT5-pequeño+RIR
mT5-base+RIR

38.3
33.8

0.2
0.4

0.3
0.7

0.2
1.5

98.6
99.1

0.5
1.1

0.4
0.9

1.1
7.2

Mesa 5: Puntuaciones BLEU medias y ac de coincidencia exacta-
curaciones en las tres divisiones de MCD y en un azar
dividido en una experiencia de transferencia interlingüística sin disparos-
comentarios sobre MCWQ. El texto gris representa el
Desempeño monolingüe de los modelos en inglés.,
dado como referencia (las precisiones de coincidencia exacta
se copian de la tabla 4). El texto negro indica
las actuaciones de transferencia interlingüística zero-shot
en hebreo, canarés, y chino de un modelo
entrenado en ingles. Mientras que las puntuaciones para individ-
Las divisiones duales de MCD se omiten por brevedad., en los tres
MCD se divide, las precisiones están a continuación 1% (excepto
en MCD2 Chino, ser 4%).

et al., 2020; Sherborne y Lapata, 2022). Ser-
Causa traducción de conjuntos de datos y entrenamiento KBQA.
los sistemas son caros, es beneficioso aprovechar
PLM multilingües, ajustado a los datos en inglés,
para generar consultas SPARQL a través de Wikidata
se le dieron preguntas en lenguaje natural en diferentes idiomas-
calibres. Si bien la generalización compositiva es
difícil incluso en un entorno monolingüe, es entre-
Estamos intentando investigar si los PLM multilingües
se puede transferir en SP multilingüe a través de Wikidata.
Los modelos simples seq2seq T5/mT5 realizan el motivo-
hábilmente bien (> 30% exactitud) en SP monolingüe
en algunas divisiones (ver §5.1). Investigamos si
las representaciones multilingües aprendidas de tales
Los modelos permiten la generalización compositiva incluso
sin formación en el idioma de destino. Usamos mT5-
pequeño+RIR y mT5-base+RIR, los dos mejores
modelos entrenados y evaluados en inglés desde
experimentos previos,
predecir por el otro
idiomas.

Resultados Los resultados se muestran en la tabla. 5. Ambos
BLEU y precisión de coincidencia exacta de lo previsto
Las consultas SPARQL caen drásticamente cuando el modelo
se evalúa en hebreo, canarés, y chino.
mT5-small+RIR logra 38.3% precisión en
MCDmedio Inglés, pero menos que 0.3% en tiro cero
análisis de tres idiomas distintos del inglés.

Incluso dejando de lado la evaluación de la composicionalidad,
como se ve en la división aleatoria, la coincidencia exacta ac-
La curaduría en el entorno translingüístico de tiro cero es

Cifra 4: Número de pre correctos de dos modelos mT5-
los tres MCD se dividen en
dicciones resumiendo
experimentos monolingües, trazado por nivel de complejidad.
Cada línea representa un idioma.. Mientras que mT5-pequeño
generaliza mejor en general, La base mT5 es mejor en
menores complejidades (que requieren menos composición
generalización).

el oro SPARQL) por idioma por los dos mejores
sistemas en la figura 4. Somos testigos de una situación casi lineal
deterioro del rendimiento desde el nivel de complejidad 19. Nosotros
descubre que mT5-base es mejor que mT5-small
en menor complejidad a pesar de la super-
rendimiento general anterior. Curiosamente, traducido
Las preguntas parecen hacer que los analizadores generalicen.
mejor a mayor complejidad, como se muestra en el
cifra. Para mT5-pequeño, los tres no ingleses
Los modelos analizan con éxito más preguntas dentro
la complejidad oscila entre 46 y 50 que la del inglés, para
base mT5 44–50. Como se analiza en §4.3,
Las preguntas traducidas automáticamente tienden a tener mayor
fluidez que las preguntas en inglés; nosotros conjeturamos
que tal método de suavizado ayuda al analizador
comprender y aprender de una mayor complejidad
preguntas.

5.2 Análisis multilingüe de disparo cero

SP multilingüe Zero-shot ha sido testigo de nuevas
avanza con el desarrollo de PLM (shao

945

yo

D
oh
w
norte
oh
a
d
mi
d

F
r
oh
metro
h

t
t

pag

:
/
/

d
i
r
mi
C
t
.

metro

i
t
.

mi
d
tu

/
t

a
C
yo
/

yo

a
r
t
i
C
mi
–
pag
d

F
/

d
oh

i
/

.

1
0
1
1
6
2

/
t

yo

a
C
_
a
_
0
0
4
9
9
2
0
4
2
5
8
8

/

/
t

yo

a
C
_
a
_
0
0
4
9
9
pag
d

.

F

b
y
gramo
tu
mi
s
t

t

oh
norte
0
7
S
mi
pag
mi
metro
b
mi
r
2
0
2
3

permanece bajo. Las puntuaciones BLEU relativamente altas pueden
atribuirse al reducido vocabulario general
utilizado en consultas SPARQL. Curiosamente, mientras
mT5-base+RIR en MCDmean English no
supera a mT5-pequeño+RIR,
rinde mejor
rendimiento en la configuración de disparo cero. Para el-
elaborar cerveza, canarés, y chino, las precisiones son
0.2%, 0.4%, y 1.3% más alto, respectivamente. Para
base mT5, El chino es un poco más fácil que el Kan.-
nada y hebreo para analizar en la configuración de disparo cero,
superando 1.1% y 0.8%.

Para concluir, transferencia interlingüística zero-shot
del ingles al hebreo, canarés, y chino
no puede generar consultas válidas en MCWQ. Y noche-
La causa potencial de dicha transferencia fallida es que
los cuatro idiomas en MCWQ pertenecen a diferentes
familias lingüísticas y tienen baja simulación lingüística-
ilaridades. Queda por investigar si
dicha transferencia entre idiomas será más efectiva
en idiomas relacionados, como del inglés al
Alemán (Lin et al., 2019).

6 Análisis

6.1 Evaluación con Gold Translation

La mayoría de los datos de generalización compositiva existentes.-
se centra en SP (Lago y Baroni, 2018; kim
y lentejas, 2020; Keysers et al., 2020). Estos
Los conjuntos de datos se componen de LAN artificial.-
idioma o en inglés usando reglas gramaticales. Con
prueba-intersección-oro propuesta en §4.2, nosotros en-
Investigar si los modelos pueden generalizarse a partir de
un conjunto de datos sintético traducido automáticamente a un
conjunto de datos traducido manualmente.

Utilizamos los modelos monolingües entrenados en
tres divisiones de MCD para analizar test-intersection-gold.
En mesa 6, presentamos las puntuaciones medias de BLEU y
precisión de coincidencia exacta del SPARQL previsto
consultas. No hay ninguna diferencia sustancial-
entre las actuaciones en la intersección de dos
conjuntos, excepto kannada, que tiene un 4% acumular-
caída picante en promedio. Estos resultados atestiguan que
MCWQ tiene una calidad de traducción suficientemente alta.-
idad y que los modelos entrenados con tales sintéticos
Los datos se pueden utilizar para generalizar a alta calidad.
preguntas traducidas manualmente.

6.2 Errores de categorización

En un análisis empírico, categorizamos lo típico
errores de predicción en prueba-intersección-oro y
prueba-intersección-MT en seis tipos: accesorio faltante-
erty, propiedad extra, propiedad equivocada (donde el

AZUL ESPECIAL

En

Él

kn

Z h

En

Él

kn

Z h

prueba-intersección-MT

prueba-intersección-oro

mT5-pequeño+RIR
mT5-base+RIR

86.1
85.5

82.5
83.7

78.9
81.8

85.1
83.2

Coincidencia exacta (%)

mT5-pequeño+RIR
mT5-base+RIR

45.6
40.4

35.7
41.9

32.7
40.2

38.5
38.7

–
–

–
–

81.8
83.8

77.7
80.9

86
83.8

35.9
41.1

28.2
34

39.8
38.9

Mesa 6: Puntuaciones BLEU medias y precisiones de
modelos monolingües (§5.1) en la intersección de prueba-
MT y prueba-intersección-oro. Los números son
promediado sobre la exactitud de las predicciones
de los modelos monolingües entrenados en tres
MCD se divide. En general, no hay diferencia sustancial-
diferencia entre las actuaciones de los dos
conjuntos de intersecciones, demostrando la confiabilidad de
evaluación de datos traducidos automáticamente en este caso.

Cifra 5: Número de errores por categoría en diferentes-
predicciones SPARQL ent test-intersection-MT y
prueba-intersección-oro, promediado en monolingües
Modelos mT5-small+RIR entrenados en los tres MCD
se divide. El número total de elementos en cada conjunto de prueba es 155.

dos conjuntos de propiedades tienen el mismo número de propiedades-
erties, pero los elementos no coinciden), desaparecido
entidad, entidad extra y entidad incorrecta (de nuevo, mismo
número de entidades pero diferentes conjuntos de entidades). Nosotros
trazar el número medio de errores por categoría, como
así como el número de predicciones con múltiples
errores, En figura 5 para monolingüe mT5-pequeño
modelos. En general, Las predicciones del modelo tienden a tener
Más propiedades y entidades faltantes que extra.
unos. Idiomas diferentes, sin embargo, variar en er-
tipos de errores. Por ejemplo, en hebreo, modelos hacen
más errores de propiedad/entidad faltantes que otros
idiomas; pero en kannada hacen más ex-
errores de propiedad/entidad que los demás. Acerca de
70 fuera de 155 los ejemplos contienen múltiples
errores para todos los idiomas, con Kannada teniendo
un poco más.

946

yo

D
oh
w
norte
oh
a
d
mi
d

F
r
oh
metro
h

t
t

pag

:
/
/

d
i
r
mi
C
t
.

metro

i
t
.

mi
d
tu

/
t

a
C
yo
/

yo

a
r
t
i
C
mi
–
pag
d

F
/

d
oh

i
/

.

1
0
1
1
6
2

/
t

yo

a
C
_
a
_
0
0
4
9
9
2
0
4
2
5
8
8

/

/
t

yo

a
C
_
a
_
0
0
4
9
9
pag
d

.

F

b
y
gramo
tu
mi
s
t

t

oh
norte
0
7
S
mi
pag
mi
metro
b
mi
r
2
0
2
3

Cifra 7: Ejemplo de un error que refleja incorrecto
estructura del argumento predicado. wdt:P57 es director
y wdt:P58 es guionista. Los triples incorrectos son
se muestra en rojo y los triples fallidos en azul.

marcadores de posición. En el ejemplo mostrado en la Figura 7,
vemos que el modelo genera M1 wdt:P57
M2 en lugar de M0 wdt:P57M2, En cual-
indica una estructura predicado-argumento incorrecta
interpretación.

7 Trabajo relacionado

Generalización compositiva Composicional
La generalización ha sido testigo de grandes avances.
en años recientes. ESCANEAR (Lago y Baroni, 2018),
un conjunto de datos sintéticos que consta de lenguaje natural
y pares de comandos, es un conjunto de datos temprano diseñado
evaluar sistemáticamente el gen de las redes neuronales-
capacidad de eralización. CFQ y COGS son dos más
puntos de referencia realistas después de SCAN. Hay
varios enfoques desarrollados para mejorar la com-
generalización posicional, Por ejemplo, mediante el uso
decodificación poset jerárquica (Guo et al., 2020),
combinando consultas relevantes (Das et al., 2021)
usando representación de intervalo (Herzig y Berant,
2021), y codificación de gráficos (Gay y col., 2021).
Además del lenguaje puro, la evaluación de
La generalización compositiva se ha ampliado.
a los subtítulos de imágenes y al lenguaje situado en-
de pie (Nikolaus et al., 2019; Ruis et al., 2020).
Gen compositivo multilingüe y translingüe-
La digitalización es un campo importante y desafiante.
a lo que nuestro artículo pretende acercar a los investigadores
atención.

lectura

a máquina

Base de conocimientos Respuesta a preguntas Com-
mondadura
comprensión
(Rajpurkar et al., 2016; Joshi et al., 2017; shao
et al., 2018; Dua et al., 2019; d'Hoffschmidt
et al., 2020), KBQA es menos diversa en términos de
conjuntos de datos. Conjuntos de datos como WebQuestions (tarde
et al., 2013), Preguntas simples (Bordes et al., 2015),
Preguntas web complejas (Talmor y Berant, 2018),
FreebaseQA (Jiang et al., 2019), GrialQA (Gu
et al., 2021), CFQ y *CFQ (Tsárkov et al., 2021)
fueron propuestos en Freebase, un ahora descontinuado
KB. PreguntasSimples2Wikidata (Diefenbach et al.,

Cifra 6: Número de errores por categoría en diferentes-
predicciones SPARQL multilingües de tiro cero en
prueba-intersección-MT, promediado en mT5-small+
Modelos RIR entrenados en las tres divisiones de MCD en En-
inglés. Además, el error medio cuenta en inglés
Los conjuntos se dan para comparar.. El numero total de
elementos en cada conjunto de prueba es 155.

Comparación de errores en prueba-intersección-oro y
prueba-intersección-MT, encontramos propiedades faltantes
son más comunes en oro para todos los idiomas. Para
Hebreo y kannada, propiedades extra y enti-
Las corbatas también son más comunes en oro.. Sin embargo, para
Chino, estas y las entidades faltantes son menos com-
mon en oro en comparación con MT.

En figura 6 trazamos las estadísticas de error para cero-
transferencia usando mT5-small
disparo multilingüe
modelos. Podemos ver que hay drásticamente más
ocurrencias de errores. Tanto para lo que falta como para lo que sobra
propiedad/entidad,
los números son aproximadamente el doble
los de experimentos monolingües. El número
de errores de propiedad/entidad incorrecta siguen siendo similares,
debido a la dificultad de incluso predecir un conjunto de
el tamaño correcto en esta configuración. Para los tres objetivos
idiomas, casi todas las predicciones contienen múltiples-
errores simples. Las estadísticas indican la variedad y
omnipresencia de errores.

6.3 Otras observaciones

También encontramos que, relativamente, los analizadores realizan
bien en preguntas cortas en los cuatro idiomas.
Esto es de esperarse ya que la composicionalidad de estos
preguntas es inherentemente bajo. En otros idiomas
que ingles, Los modelos funcionan bien cuando
traducciones son fieles. En ocasiones cuando ellos
son menos fieles o fluidos pero aun así generan cor-
consultas correctas, Nuestra hipótesis es que la traducción actúa.
como regularizadores de datos, especialmente en mayor com-
plejidades, como se demuestra en la figura 4.

Entre errores de entidad incorrecta, los más comunes
La causa entre idiomas es la mezcla de entidades.

947

yo

D
oh
w
norte
oh
a
d
mi
d

F
r
oh
metro
h

t
t

pag

:
/
/

d
i
r
mi
C
t
.

metro

i
t
.

mi
d
tu

/
t

a
C
yo
/

yo

a
r
t
i
C
mi
–
pag
d

F
/

d
oh

i
/

.

1
0
1
1
6
2

/
t

yo

a
C
_
a
_
0
0
4
9
9
2
0
4
2
5
8
8

/

/
t

yo

a
C
_
a
_
0
0
4
9
9
pag
d

.

F

b
y
gramo
tu
mi
s
t

t

oh
norte
0
7
S
mi
pag
mi
metro
b
mi
r
2
0
2
3

2017) y preguntas secuenciales complejas (saha
et al., 2018) están basados ​​en Wikidata, pero, me gusta más
otros, son conjuntos de datos monolingües en inglés.
Relacionado con nuestro trabajo está RuBQ (Corablinov y
Braslavski, 2020; Rybin et al., 2021), Un inglés-
Conjunto de datos ruso para KBQA a través de Wikidata. Mientras
el conjunto de datos es bilingüe, utiliza preguntas colaborativas-
ciones y no está diseñado para la composicionalidad
análisis. Recientemente, Thorne y otros. (2021) propuesto
WIKINLDB, un KBQA en inglés basado en Wikidata
conjunto de datos, centrándose en la escalabilidad en lugar de la composición-
sicionalidad. Otros conjuntos de datos relacionados incluyen QALM
(Kaffee y cols., 2019), un conjunto de datos para multilingüe
respuesta a preguntas sobre un conjunto de diferentes populares
gráficos de conocimiento, destinado a ayudar a determinar la
multilingüismo de esos gráficos de conocimiento. simí-
mucho, QALD-9 (Ngomo, 2018) y QALD-9-plus
(Perevalov et al., 2022a) apoyar el desarrollo-
mento de sistemas multilingües de respuesta a preguntas,
vinculado a DBpedia y Wikidata, respectivamente. El
El objetivo de ambos conjuntos de datos es ampliar los sistemas de control de calidad para
más idiomas en lugar de mejorar la composición-
nacionalidad. KQA Pro (Cao et al., 2022), un concurrente
trabaja para nosotros, es un conjunto de datos KBQA en inglés sobre
Wikidata con un enfoque en el razonamiento compositivo.
Wikidata se ha aprovechado en muchos programas de PNL.
Tareas como la resolución de correferencia. (en diciembre
et al., 2019), análisis semántico de marcos (Sas et al.,
2020), vinculación de entidades (Según Ravi et al., 2021),
y reconocimiento de entidad nombrada (Nie et al., 2021).
En cuanto a KBQA, todo el potencial de Wikidata es
aún por explorar.

Plurilingüe
y modelado multilingüe
Puntos de referencia como XGLUE (Liang et al., 2020)
y EXTREMO (Hu et al., 2020) centrarse en múltiples-
Tareas de clasificación y generación lingüística.. Cruz-
El aprendizaje lingüístico se ha estudiado en múltiples
campos, como el análisis de sentimientos (Abdalla y
primero, 2017), clasificación de documentos (dong y
de Melo, 2019), Etiquetado de punto de venta (Kim y cols., 2017),
y análisis sintáctico (Rasooli y Collins, 2017).
En años recientes, Los PLM multilingües han sido un
herramienta principal para extender las aplicaciones de PNL a
idiomas de bajos recursos, como estos modelos amelio-
Calificar la necesidad de entrenar modelos individuales para cada uno.
idioma, para los cuales puede haber menos datos disponibles.
Varios estudios han intentado explorar la
limitaciones de tales modelos en términos prácticos.
usabilidad para lenguajes de bajos recursos (Wu y
Dragar, 2020), y también los elementos subyacentes
que hacen viable el aprendizaje por transferencia translingüe

(Fragancias y Schütze, 2020). Más allá de estos PLM,
Otros trabajos se centran en mejorar el interlingüismo.
aprender haciendo cambios particulares en el
arquitectura codificador-decodificador, como agregar
Adaptadores para sintonizar con información específica. (casa de arte
et al., 2020b; Pfeiffer et al., 2020).

Para SP multilingüe, Sherborne y Lapata
(2022) exploró SP de disparo cero alineando latentes
representaciones. SP multilingüe Zero-shot tiene
También se ha estudiado en el modelado de diálogo. (Nicosia
et al., 2021). Yang y otros. (2021) presente aumenta-
Métodos de interpretación para la teoría de la representación del discurso.
(Liu et al., 2021b). Oepen et al. (2020) explorar
SP entre marcos y entre idiomas para la media-
representaciones. A lo mejor de nuestro conocimiento,
nuestro trabajo es el primero en estudiar idiomas cruzados
transferir aprendizaje en KBQA.

8 Limitaciones

MCWQ se basa en CFQ, una base de reglas generada
conjunto de datos, y por eso tiene la propiedad antinatural heredada.-
ness en pares pregunta-consulta de alta complejidad.
En segundo lugar, utilizamos la traducción automática para hacer
MCWQ multilingüe. Aunque este es el domi-
Enfoque nant para generar conjuntos de datos multilingües.
(Ruder et al., 2021) y hemos proporcionado ev-
Identidades de que MCWQ tiene una traducción razonable.
precisión y fluidez con la evaluación humana y
experimentos comparativos en §4.3 y §5.1, mamá-
Sin embargo, la traducción china crearía sub-
artefactos de traducción estándar (Artetxe et al.,
2020a). Una alternativa es escribir reglas para los tiempos.-
traducción de placa. La cantidad de trabajo posiblemente
reducirse haciendo referencia a un trabajo reciente (Goodwin
et al., 2021) en el que se proporcionan reglas en inglés
para el análisis de dependencia sintáctica en las preguntas de CFQ-
campos de ción.

Además, la suposición de que una base de conocimiento en inglés
es una conceptualización “canónica” no está justificada,
como los hablantes de otras lenguas pueden saber y preocuparse
sobre otras entidades y relaciones (Liu et al.,
2021a; Hershcovich et al., 2022a). Por lo tanto,
El trabajo futuro debe crear conjuntos de datos SP multilingües.
obteniendo preguntas de hablantes nativos en lugar de
que traducirlos.

9 Conclusión

El campo de KBQA se ha saturado con
trabajar en ingles, debido tanto al desafío inherente-
Las distancias a la hora de traducir conjuntos de datos y la dependencia de
Bases de datos solo en inglés. En este trabajo, presentamos un

948

yo

D
oh
w
norte
oh
a
d
mi
d

F
r
oh
metro
h

t
t

pag

:
/
/

d
i
r
mi
C
t
.

metro

i
t
.

mi
d
tu

/
t

a
C
yo
/

yo

a
r
t
i
C
mi
–
pag
d

F
/

d
oh

i
/

.

1
0
1
1
6
2

/
t

yo

a
C
_
a
_
0
0
4
9
9
2
0
4
2
5
8
8

/

/
t

yo

a
C
_
a
_
0
0
4
9
9
pag
d

.

F

b
y
gramo
tu
mi
s
t

t

oh
norte
0
7
S
mi
pag
mi
metro
b
mi
r
2
0
2
3

MCWQ mT5-base+RIR

Referencias

Información

Unidad

1. Modelo disponible públicamente?
2. Es hora de entrenar el modelo final.
3. Tiempo para todos los experimentos.
4. Consumo de energía
5. Ubicación para cálculos
6. Mezcla energética en la ubicación
7. CO2eq para el modelo final
8. CO2eq para todos los experimentos

Sí
592 horas
1315 horas
2209.2 kWh
Dinamarca
191 gCO2eq/ kWh
189.96 kg
421.96 kg

Mesa 7: Tarjeta modelo de desempeño climático para
mT5-base+RIR ajustado en todas las divisiones y
idiomas.

método para migrar el conjunto de datos CFQ existente
a Wikidata y creó un desafiante multilin-
conjunto de datos gual, MCWQ,
orientación composicional
generalización en multilingüe y translingüe
SP. En nuestros experimentos, observamos que pre-
Los modelos lingüísticos multilingües entrenados luchan por
transferir y generalizar composicionalmente a lo largo
idiomas. Nuestro conjunto de datos facilitará la construcción
analizadores semánticos multilingües robustos al servir
como punto de referencia para la evaluación del interlingüismo
generalización compositiva.

10 Impacto medioambiental

Siguiendo la práctica consciente del clima propuesta
por Hershcovich et al.. (2022b), presentamos un cli-
tarjeta de modelo de rendimiento mate en la tabla 7. ''Tiempo
para entrenar el modelo final '' es la suma de las divisiones y
Idiomas para mT5-base+RIR, mientras que "Es hora de
todos los experimentos'' también incluye los experimentos
con el T5-base+RIR solo en inglés en todos
se divide. Aunque la obra no tiene pos directo-
impacto ambiental activo, mejor entendimiento
de generalización compositiva, resultante de
nuestro trabajo, facilitará un modelado más eficiente
y por tanto reducir las emisiones a largo plazo.

Expresiones de gratitud

Los autores agradecen a Anders Søgaard y Miryam.
de Lhoneux por sus comentarios y sugerencias.,
así como los editores de TACL y varias rondas de
revisores por su evaluación constructiva. Este
El proyecto ha recibido financiación de la Unión Europea.
El horizonte de la Unión 2020 investigación e innovación
programa de Marie Skłodowska-Curie
acuerdo de subvención No. 801199 (Brezo Cuaresma).

Mohamed Abdalla y Graeme Hirst. 2017.
Análisis de sentimiento multilingüe sin (bien)
traducción. En Actas del Octavo En-
Conferencia Conjunta Internacional sobre Lan Natural-
Procesamiento de calibre (Volumen 1: Artículos largos),
páginas 506–515, Taipéi, Taiwán. Federación Asiática-
ción del procesamiento del lenguaje natural.

Rahul Aralikate, Brezo Cuaresma, Ana Valeria
González, Daniel Herschcovich, Chen Qiu,
Anders Sandholm, Michael Ringaard, y
Anders Sogaard. 2019. Correferencia gratificante
resolutores por ser consistentes con el conocimiento mundial-
borde. En Actas de la 2019 Conferencia
sobre métodos empíricos en lenguaje natural
Procesamiento y IX Conjunción Internacional
Conferencia sobre procesamiento del lenguaje natural
(EMNLP-IJCNLP), páginas 1229–1235, Hong Kong,
Porcelana. Asociación de Lin Computacional-
guísticos. https://doi.org/10.18653/v1
/D19-1118

Mikel Artetxe, Gorka Lavaka,

y eneko
aguirre. 2020a. Artefactos de traducción en cruz.-
transferir aprendizaje. En procedimientos de
lingual
el 2020 Conferencia sobre métodos empíricos
en procesamiento del lenguaje natural (EMNLP),
páginas 7674–7684, En línea. Asociación para Com-
Lingüística putacional. https://doi.org/10
.18653/v1/2020.emnlp-main.618

Mikel Artetxe, Sebastián Ruder, y dani
Yogatama. 2020b. Sobre la translingüística-
ferabilidad de representaciones monolingües. En
Actas de la 58ª Reunión Anual de
la Asociación de Lingüística Computacional,
páginas 4623–4637, En línea. Asociación para Com-
Lingüística putacional. https://doi.org
/10.18653/v1/2020.acl-main.421

Dzmitry Bahdanau, Kyung Hyun Cho, y yoshua
bengio. 2015. Traducción automática neuronal por
aprender juntos a alinear y traducir. en 3ro
Conferencia Internacional sobre Aprendizaje Repre-
sentaciones, ICLR 2015.

Jonathan Berant, Andrés Chou, Roy Frosty, y
Percy Liang. 2013. Análisis semántico gratuito-
base de pares de preguntas y respuestas. En curso-
cosas de
el 2013 Conferencia sobre Empirismo
Métodos en el procesamiento del lenguaje natural,
páginas 1533–1544, seattle, Washington, EE.UU.
Asociación de Lingüística Computacional.

949

yo

D
oh
w
norte
oh
a
d
mi
d

F
r
oh
metro
h

t
t

pag

:
/
/

d
i
r
mi
C
t
.

metro

i
t
.

mi
d
tu

/
t

a
C
yo
/

yo

a
r
t
i
C
mi
–
pag
d

F
/

d
oh

i
/

.

1
0
1
1
6
2

/
t

yo

a
C
_
a
_
0
0
4
9
9
2
0
4
2
5
8
8

/

/
t

yo

a
C
_
a
_
0
0
4
9
9
pag
d

.

F

b
y
gramo
tu
mi
s
t

t

oh
norte
0
7
S
mi
pag
mi
metro
b
mi
r
2
0
2
3

Kurt Bollacker, Colin Evans, Praveen Paritosh,
Tim Sturge, y jamie taylor. 2008. base libre:
Una base de datos gráfica creada en colaboración para
estructurando el conocimiento humano. En procedimientos
del 2008 Conversión internacional ACM SIGMOD-
Conferencia sobre Gestión de Datos, SIGMOD '08,
páginas 1247–1250, Nueva York, Nueva York, EE.UU. también-
ciación para maquinaria informática. https://
doi.org/10.1145/1376616.1376746

Antonio Bordes, Nicolás Usunier, Sumit Chopra,
y Jason Weston. 2015. Sencillo a gran escala
preguntas y respuestas con redes de memoria.
arXiv preimpresión arXiv:1506.02075.

Shulin Cao, Jiaxin Shi, Pan de Liang Ming, Lunyiu
NO, Yutong Xiang, Retención de plomo, Juanzi Li, Bin él,
y Hanwang Zhang. 2022. KQA profesional: Un conjunto de datos
con programas de composición explícitos para com-
Respuestas complejas a preguntas sobre la base de conocimientos..
En actas de la 60.ª reunión anual de
la Asociación de Lingüística Computacional
(Volumen 1: Artículos largos), páginas 6101–6119,
Dublín, Irlanda. Asociación de Computación
Lingüística. https://doi.org/10.18653
/v1/2022.acl-long.422

Jianpeng Cheng y Mirella Lapata. 2018.
Análisis semántico neuronal débilmente supervisado
con un ranking generativo. En procedimientos de
la 22ª Conferencia sobre Computación Natural
Aprendizaje de idiomas, páginas 356–367, Bruselas,
Bélgica. Asociación de Lin Computacional-
guísticos. https://doi.org/10.18653/v1
/K18-1035

Rajarshi Das, Manzil Zaheer, Estiércol tailandés, ameya
dios, Ethan Pérez, Jay Yoon Lee, Lizhen
Broncearse, Lázaros Polimenaco,
y andres
McCallum. 2021. Razonamiento basado en casos para nat-
consultas en lenguaje natural sobre bases de conocimiento.
En procedimientos de
el 2021 Conferencia sobre
Métodos empíricos en Natural Language Pro-
cesando, páginas 9594–9611, En línea y Punta
Caná, República Dominicana. Asociación para
Ligüística computacional.

Jacob Devlin, Ming-Wei Chang, Kenton Lee, y
Kristina Toutanova. 2019. BERT: Pre-entrenamiento
de transformadores bidireccionales profundos para el lenguaje
comprensión. En procedimientos de
el 2019
Conferencia del Capítulo Norteamericano
de la Asociación de Linguis Computacional-
tics: Tecnologías del lenguaje humano, Volumen 1
(Artículos largos y cortos), páginas 4171–4186,

Mineápolis, Minnesota. Asociación para Com-
Lingüística putacional.

Martín d'Hoffschmidt, Wacim Belblidia, Quintín
Enrique, Tom Brendl'e, y Máximo Vidal.
2020. FCuad: respuesta a preguntas en francés
conjunto de datos. En hallazgos de
la Asociación para
Ligüística computacional: EMNLP 2020,
páginas 1193–1208, En línea. Asociación para Com-
Lingüística putacional. https://doi.org/10
.18653/v1/2020.hallazgos-emnlp.107

Dennis Diefenbach, Thomas Pellissier Tanon,
k. singh, y P. Marzo. 2017. Preguntar un-
Responder puntos de referencia para Wikidata. En interna-
Conferencia Internacional sobre Web Semántica.

Xin Dong y Gerard de Melo. 2019. Un robusto
marco de autoaprendizaje para textos multilingües
clasificación. En Actas de la 2019 Estafa-
Conferencia sobre métodos empíricos en Lan Natural.-
Procesamiento de idiomas y la IX Internacional
Conferencia conjunta sobre lenguaje natural Pro-
cesando (EMNLP-IJCNLP), páginas 6306–6310,
Hong Kong, Porcelana. Asociación de Computación-
lingüística nacional. https://doi.org/10
.18653/v1/D19-1658

Dheeru Dua, Yizhong Wang, Pradeep Dasigi,
Gabriel Stanovsky, Samer Singh, y mate
jardinero. 2019. GOTA: una lectura comprender-
punto de referencia de sion que requiere razonamiento discreto
sobre párrafos. En Actas de la 2019
Conferencia del Capítulo Norteamericano
de la Asociación de Linguis Computacional-
tics: Tecnologías del lenguaje humano, Volumen 1
(Artículos largos y cortos), páginas 2368–2378,
Mineápolis, Minnesota. Asociación para Com-
Lingüística putacional.

Philipp Dufter y Hinrich Schütze. 2020. Iden-
elementos tificantes esenciales para multilin de BERT-
calidad. En Actas de la 2020 Conferencia
sobre métodos empíricos en lenguaje natural
Procesando (EMNLP), páginas 4423–4437, En línea.
Asociación de Lingüística Computacional.
https://doi.org/10.18653/v1/2020
.emnlp-principal.358

Nicholas Evans y Stephen C.. levinson.
2009. El mito de los universales del lenguaje: Lan-
La diversidad lingüística y su importancia para el conocimiento.-
ciencia tiva. Ciencias del comportamiento y del cerebro,
32(5):429–448. https://doi.org/10.1017
/S0140525X0999094X

950

yo

D
oh
w
norte
oh
a
d
mi
d

F
r
oh
metro
h

t
t

pag

:
/
/

d
i
r
mi
C
t
.

metro

i
t
.

mi
d
tu

/
t

a
C
yo
/

yo

a
r
t
i
C
mi
–
pag
d

F
/

d
oh

i
/

.

1
0
1
1
6
2

/
t

yo

a
C
_
a
_
0
0
4
9
9
2
0
4
2
5
8
8

/

/
t

yo

a
C
_
a
_
0
0
4
9
9
pag
d

.

F

b
y
gramo
tu
mi
s
t

t

oh
norte
0
7
S
mi
pag
mi
metro
b
mi
r
2
0
2
3

Yu Gai, Paras

jainista, Wendi Zhang,

Joseph
González, Canción del amanecer, y Ion Estoica. 2021.
La decodificación de gráficos fundamentada mejora la composición-
generalización cional en la respuesta a preguntas. En
Hallazgos de la Asociación de Computación
Lingüística: EMNLP 2021, páginas 1829–1838,
Punta Cana, República Dominicana. Asociación
para Lingüística Computacional. https://doi
.org/10.18653/v1/2021.hallazgos
-emnlp.157

Emily Goodwin, Siva Reddy, timothy j..
O'Donnell, y Dzmitry Bahdanau. 2021. Com-
generalización posicional en el análisis de dependencias.

Yu Gu, Sue Kase, Michelle Vanni, Brian Sadler,
Percy Liang, Xifeng Yan, y tu su. 2021.
Más allá de iid: Tres niveles de generalización
para responder preguntas sobre bases de conocimiento.
En las actas de la conferencia web 2021,
páginas 3477–3488. https://doi.org/10
.1145/3442381.3449992

Yinuo Guo, Zeqi Lin, Jian-Guang Lou, y
Dong Mei Zhang. 2020. Poset jerárquico
decodificación para la generalización compositiva en
idioma. Avances en Neurología
Información
Sistemas de procesamiento, 33:6913–6924.

Yinuo Guo, Hualei Zhu, Zeqi Lin, En Chen,
Jian-Guang Lou, y Dongmei Zhang. 2021.
Revisando la retrotraducción iterativa del
perspectiva de la generalización compositiva. En
AAAI'21.

Daniel Hershcovich, Estela Frank, Brezo
Prestado, Miryam de Lhoneux, Mostafa Abdou,
Stephanie Brandl, Emanuele Bugliarello, laura
Cabello Piqueras, Ilias Chalkidis, Ruixiang
Cual, Constanza Fierro, Katerina Margatina,
Phillip Rust, y Anders Sogaard. 2022a. Chal-
Lentes y estrategias en PNL intercultural. En
Actas de la 60ª Reunión Anual de
la Asociación de Lingüística Computacional
(Volumen 1: Artículos largos), páginas 6997–7013,
Dublín, Irlanda. Asociación de Computación
Lingüística. https://doi.org/10.18653
/v1/2022.acl-long.482

Daniel Hershcovich, Nicolás Webersinke,
Matías Kraus, Julia Anna Bingler, y marcos
Leipzig. 2022b. Hacia la conciencia climática
en la investigación de PNL. arXiv preimpresión arXiv:2205.
05071.

Jonathan Herzig y Jonathan Berant. 2017. nuevo-
análisis semántico real sobre múltiples conocimientos-

951

la 55ª edición anual
bases. En procedimientos de
la Asociación de Computación-
reunión de
lingüística nacional (Volumen 2: Artículos breves),
páginas 623–628, vancouver, Canada. asociación-
ción para la Lingüística Computacional. https://
doi.org/10.18653/v1/P17-2098

Jonathan Herzig y Jonathan Berant. 2021.
Análisis semántico basado en span para composición
generalización. En actas de la 59.ª An.-
Reunión anual de la Asociación de Computa-
Lingüística Internacional y la XI Internacional
Conferencia conjunta sobre el proceso del lenguaje natural-
En g (Volumen 1: Artículos largos), páginas 908–921,
En línea. Asociación de Lin Computacional-
guísticos. https://doi.org/10.18653/v1
/2021.acl-long.74

Jonathan Herzig, Peter Shaw, Ming-Wei Chang,
Kelvin Gu, Panupong Pasupat, y yuanes
zhang. 2021. Desbloqueo del gen compositivo-
generalización en modelos previamente entrenados utilizando inter-
mediar representaciones. arXiv preimpresión arXiv:
2104.07478.

Sepp Hochreiter y Jürgen Schmidhuber. 1997.
Memoria larga a corto plazo. Computación neuronal,
9(8):1735–1780. https://doi.org/10.1162
/neco.1997.9.8.1735

Aidan Hogan, Eva Blomqvist, Michael Cochez,
claudia d'amato, Gerardo de Melo, Claudio
Gutiérrez, José Emilio Labra Gayo, S. Kirrane,
Sebastián Neumaier, Axel Polleres, R. Navigli,
Axel-Cyril La Luna, SabbirM. Rashid,
Anisa Rula, Lucas Schmelzeisen, Juan Sequeda,
Steffen Staab, y Antoine Zimmermann. 2021.
el
Gráficos de conocimiento. Comunicaciones de
ACM, 64:96–104. https://doi.org/10
.1145/3418294

Jun Jie Hu, Sebastián Ruder, Aditya Siddhant,
Graham Neubig, Orhan Firat, y melvin
Johnson. 2020. EXTREMO: Una masivamente
punto de referencia multitarea multilingüe para evaluación-
generalización translingüística. En el Inter-
Conferencia nacional sobre aprendizaje automático,
páginas 4411–4421. PMLR.

Kelvin Jiang, Diácono Wu, y hui

Jiang.
2019. FreebaseQA: Un nuevo dato factoide de control de calidad
establecer pares de preguntas y respuestas de estilo trivia coincidentes
con base libre. En procedimientos de
el 2019
Conferencia del Capítulo Norteamericano
de la Asociación de Linguis Computacional-
tics: Tecnologías del lenguaje humano, Volumen 1

yo

D
oh
w
norte
oh
a
d
mi
d

F
r
oh
metro
h

t
t

pag

:
/
/

d
i
r
mi
C
t
.

metro

i
t
.

mi
d
tu

/
t

a
C
yo
/

yo

a
r
t
i
C
mi
–
pag
d

F
/

d
oh

i
/

.

1
0
1
1
6
2

/
t

yo

a
C
_
a
_
0
0
4
9
9
2
0
4
2
5
8
8

/

/
t

yo

a
C
_
a
_
0
0
4
9
9
pag
d

.

F

b
y
gramo
tu
mi
s
t

t

oh
norte
0
7
S
mi
pag
mi
metro
b
mi
r
2
0
2
3

(Artículos largos y cortos), páginas 318–323,
Mineápolis, Minnesota. Asociación para Com-
Lingüística putacional.

Mandar Joshi, Eunsol Choi, Daniel Soldadura, y
Lucas Zettlemoyer. 2017. CuriosidadesQA: Un gran
escalar el conjunto de datos de desafío supervisado a distancia para
comprensión lectora. En Actas de la
55ª Reunión Anual de la Asociación de
Ligüística computacional (Volumen 1: Largo
Documentos), páginas 1601–1611, vancouver, Canada.
Asociación de Lingüística Computacional.
https://doi.org/10.18653/v1/P17
-1147

Joshi Pratik, Sebastián Santy, Amar Budhiraja,
Kalika Bali, y Monojit Choudhury. 2020.
El estado y destino de la diversidad lingüística y en-
inclusión en el mundo de la PNL. En procedimientos de
la 58ª Reunión Anual de la Asociación de
Ligüística computacional, páginas 6282–6293,
En línea. Asociación de Lin Computacional-
guísticos. https://doi.org/10.18653/v1
/2020.acl-main.560

Café Lucie-Aim'ee, Kemele M. endris, elena
simple, y María-Esther Vidal. 2019. Rango-
Crear gráficos de conocimiento capturando conocimiento.
sobre idiomas y etiquetas. En procedimientos de
la Décima Conferencia Internacional sobre el Conocimiento-
captura de borde, K-CAP 2019, Marina Del Rey,
California, EE.UU, 19 al 21 de noviembre, 2019. ACM.
https://doi.org/10.1145/3360901
.3364443

Manoj Prabhakar Kannan Ravi, Kuldeep Singh,
Isaías Onando Mulang', Saeedeh Shekarpour,
Johannes Hoffart, y Jens Lehmann. 2021.
cholan: Un enfoque modular para los nervios.
enlace de entidades en Wikipedia y Wikidata.
la 16ª Conferencia de
En procedimientos de
el Capítulo Europeo de
la Asociación
para Lingüística Computacional: Volumen principal,
páginas 504–514, En línea. Asociación para Com-
Lingüística putacional. https://doi.org
/10.18653/v1/2021.eacl-main.40

Daniel Keysers, Natanael Sch¨arli, escalas nathan,
Hylke Buisman, Daniel Furrer, Sergi Kashubin,
Nikola Momchev, Danila Sinopálnikova, lucas
Stafiniák, Tibor Tihon, Dmitri Tsarkov, xiao
Wang, Marc van Zee, y Olivier Bousquet.
2020. Medición de la generalización composicional.-
ción: Un método integral sobre realista.

datos. En Conferencia Internacional sobre Aprendizaje
Representaciones.

Joo Kyung Kim, Young-Bum Kim, Ruhi Sarikaya,
y Eric Fosler-Lussier. 2017. multilingüe
transferencia de aprendizaje para etiquetado POS sin cruz-
recursos lingüísticos. En Actas de la 2017
Jornada sobre Métodos Empíricos en Natu-
Procesamiento del lenguaje oral, páginas 2832–2838,
Copenhague, Dinamarca. Asociación para Com-
Lingüística putacional.

Najoung Kim y Tal Linzen. 2020. Dientes: A
desafío de generalización compositiva basado
sobre interpretación semántica. En procedimientos de
el 2020 Conferencia sobre métodos empíricos
en procesamiento del lenguaje natural (EMNLP),
páginas 9087–9105, En línea. Asociación para
Ligüística computacional.

Vladislav Korablinov y Pavel Braslavski.
2020. RuBQ: Un conjunto de datos ruso para cuestionar
respondiendo a través de Wikidata. En Se Internacional-
Conferencia web mantic. https://doi.org
/10.1007/978-3-030-62466-8_7

Brenden M. Lago y Marco Baroni. 2018.
Generalización sin sistematicidad: Sobre el
habilidades de composición de secuencia a secuencia
redes recurrentes. En Actas del 35
Conferencia internacional sobre aprendizaje automático-
En g, ICML 2018, Stockholmsm¨assan, Existencias-
encina, Suecia, 10 al 15 de julio, 2018, volumen 80 de
Actas de investigación sobre aprendizaje automático,
páginas 2879–2888. PMLR.

Jens Lehman, Robert Isele, Max Jakob, Anja
Jentzsch, Dimitris Kontokostas, Pablo N.
Sebastián Hellmann, mohamed
Mendes,
morsey, Patricio van Kleef, S¨oren Auer, y
Christian Bizer. 2015. DBpedia – un gran-
escala, base de conocimientos multilingüe extraída
de Wikipedia. Web semántica, 6(2):167–195.
https://doi.org/10.3233/SW-140134

Yaobo Liang, Nan Duan, Yeyun Gong, Ning Wu,
Fenfei Guo, Weizhen Qi, Ming Gong, linjun
shou, Daxin Jiang, Guihong Cao, Xiao Dong
Admirador, Ruo Fei Zhang, Rahul Agrawal, Eduardo
Cual, Sining Wei, Reclutamiento Taroon, Ying Qiao,
Jiun-Hung Chen, Winnie Wu, Shuguang Liu,
fan yang, Daniel Campos, Rangan Majumder,
y Ming Zhou. 2020. XPEGAMENTO: un nuevo banco-
para la formación previa en varios idiomas,
marcar conjunto de datos
comprensión y generación. En procedimientos
del 2020 Conferencia sobre métodos empíricos

952

yo

D
oh
w
norte
oh
a
d
mi
d

F
r
oh
metro
h

t
t

pag

:
/
/

d
i
r
mi
C
t
.

metro

i
t
.

mi
d
tu

/
t

a
C
yo
/

yo

a
r
t
i
C
mi
–
pag
d

F
/

d
oh

i
/

.

1
0
1
1
6
2

/
t

yo

a
C
_
a
_
0
0
4
9
9
2
0
4
2
5
8
8

/

/
t

yo

a
C
_
a
_
0
0
4
9
9
pag
d

.

F

b
y
gramo
tu
mi
s
t

t

oh
norte
0
7
S
mi
pag
mi
metro
b
mi
r
2
0
2
3

en procesamiento del lenguaje natural (EMNLP),
páginas 6008–6018, En línea. Asociación para
Ligüística computacional. https://doi.org
/10.18653/v1/2020.emnlp-main.484

(CONLL), páginas 87–98, Hong Kong, Porcelana.
Asociación de Lingüística Computacional.
https://doi.org/10.18653/v1/K19
-1009

Yu Hsiang Lin, Chian-Yu Chen, Juan Lee, Zirui
li, Yuyan Zhang, Mengzhou Xia, sruti
Rijhwani, Junxian He, Zhang Zhisong, Xuezhe
Mamá, Antonios Anastasopoulos, Patricio Littell,
y Graham Neubig. 2019. Eligiendo trans-
fer idiomas para interlingüismo
aprendiendo. En
Actas de la 57ª Reunión Anual de
la Asociación de Lingüística Computacional,
páginas 3125–3135, Florencia, Italia. Asociación
para Lingüística Computacional.

Fangyu Liu, Emanuele Bugliarello, Eduardo
María Ponti, Siva Reddy, Nigel Collier, y
Desmond Elliott. 2021a. Visualmente conectado a tierra
razonamiento entre idiomas y culturas. En profesional-
cesiones de la 2021 Conferencia sobre Empiri-
Métodos cal en el procesamiento del lenguaje natural,
páginas 10467–10485, En línea y Punta Cana,
República Dominicana. Asociación de Computación-
lingüística nacional.

Jiang Ming Liu, Shay B.. cohen, Mirella Lapata,
y johan bos. 2021b. Discurso universal
Análisis de la estructura de representación. Computa-
lingüística nacional, 47(2):445–476.

tambor tambor. 2018. 9º desafío en cuestión
respondiendo sobre datos vinculados (stand-9). Idioma,
7(1):58–64.

Nicosia Massimo, Zhongdi Qu, y Yasemín
Altún. 2021. Traducir & Llenar: Mejorando cero-
disparo de análisis semántico multilingüe con syn-
datos estéticos. En hallazgos de
la Asociación
para Lingüística Computacional: EMNLP 2021,
páginas 3272–3284, Punta Cana, dominicano
República. Asociación de Lin Computacional-
guísticos. https://doi.org/10.18653/v1
/2021.hallazgos-emnlp.279

Binling No, Ruixue Ding, Pengjun Xie, fei
Huang, Chen Qian, y Luo Si. 2021.
Reconocimiento de entidades nombradas consciente del conocimiento con
aliviar la heterogeneidad. Actas de la
Conferencia AAAI sobre Inteligencia Artificial.

Media Nikolaus, Mostafa Abdou, Mateo Lamm,
Rahul Aralikate, y Desmond Elliott. 2019.
Generalización compositiva en cap de imagen.-
cionando. En actas de la 23ª Conferencia
sobre el aprendizaje computacional del lenguaje natural

Stephan Oepen, Noche de Omrí, Lasha Abzianidze,
Johan Bos, Jan Hajic, Daniel Hershcovich, Papelera
li, Tim O'Gorman, Nianwen Xue, y daniel
zeman. 2020. MRP 2020: El segundo compartido
tarea en marco cruzado y multilingüe
análisis de representación de significado. En procedimientos
de
el CONL 2020 Tarea compartida: Cruz-
Marco Significado Representación Análisis,
páginas 1–22, En línea. Asociación de Computación-
lingüística nacional. https://doi.org/10
.18653/v1/2020.conll-shared.1

Inbar Oren, Jonathan Herzig, Nitish Gupta, Mate
jardinero, y jonathan berant. 2020. Improvisación-
generalización compositiva en semántica
analizando. En hallazgos de
la Asociación para
Ligüística computacional: EMNLP 2020,
páginas 2482–2495, En línea. Asociación para
Ligüística computacional. https://doi.org
/10.18653/v1/2020.hallazgos-emnlp.225

Kishore Papineni, Salim Roukos, Todd Ward,
y Wei-Jing Zhu. 2002. AZUL: Un método para
evaluación automática de la traducción automática. En
Actas de la 40ª Reunión Anual de
la Asociación de Lingüística Computacional,
páginas 311–318, Filadelfia, Pensilvania,
EE.UU. Asociación de Lingüística Computacional.
https://doi.org/10.3115/1073083
.1073135

Thomas Pellissier Tanon, Denny Vrandeˇci´c,
Sebastián Schaffert, Thomas Steiner, y lidia
pintscher. 2016. De Freebase a Wikidata:
La gran migración. En Actas de la
25ª Conferencia Internacional sobre Mundial
Web, WWW '16, páginas 1419–1428. https://
doi.org/10.1145/2872427.2874809

alejandro

Perevalov, Dennis Diefenbach,
Ricardo Usbeck, y andreas ambos. 2022a.
QALD-9 más: Un conjunto de datos multilingüe para preguntas.-
ción respondiendo a través de DBpedia y Wikidata
traducido por hablantes nativos. En 2022 IEEE
16ª Conferencia Internacional sobre Semántica
Informática (CAPI). IEEE. https://doi.org
/10.1109/ICSC52841.2022.00045

Alejandro Perevalov, Axel-Cyril Honga
Ngomo, y andreas ambos. 2022b. Mejorando
la accesibilidad de la pregunta del gráfico de conocimiento

953

yo

D
oh
w
norte
oh
a
d
mi
d

F
r
oh
metro
h

t
t

pag

:
/
/

d
i
r
mi
C
t
.

metro

i
t
.

mi
d
tu

/
t

a
C
yo
/

yo

a
r
t
i
C
mi
–
pag
d

F
/

d
oh

i
/

.

1
0
1
1
6
2

/
t

yo

a
C
_
a
_
0
0
4
9
9
2
0
4
2
5
8
8

/

/
t

yo

a
C
_
a
_
0
0
4
9
9
pag
d

.

F

b
y
gramo
tu
mi
s
t

t

oh
norte
0
7
S
mi
pag
mi
metro
b
mi
r
2
0
2
3

sistemas de contestación a través de la multilingüización.
En 2022 IEEE 16ª Conferencia Internacional
sobre Computación Semántica (CAPI), páginas 251–256.
https://doi.org/10.1109/ICSC52841
.2022.00048

Jonás Pfeiffer, Ivan Vulic, Iryna Gurévych, y
Sebastián Ruder. 2020. MAD-X: Un adaptador-
Marco basado en multitarea interlingüe
Transferir. En Actas de la 2020 Conferir-
encia sobre métodos empíricos en lan natural-
Procesamiento de calibre (EMNLP), páginas 7654–7673,
En línea. Asociación de Lin Computacional-
guísticos. https://doi.org/10.18653/v1
/2020.emnlp-principal.617

publicación mate. 2018. Un llamado a la claridad en la presentación de informes
El tercero
Puntuaciones BLEU. En procedimientos de
Conferencia sobre traducción automática: Investigación
Documentos, páginas 186–191, Bruselas, Bélgica.
Asociación de Lingüística Computacional.
https://doi.org/10.18653/v1/W18
-6319

Colin Raffel, Noam Shazeer, Adam Roberts,
Katherine Lee, Sharan Narang, Miguel
mañana, Yanqi Zhou, wei li, y Pedro J.. Liu.
2020. Explorando los límites del aprendizaje por transferencia
con un transformador unificado de texto a texto. Diario
de Investigación sobre Aprendizaje Automático, 21(140):1–67.

Pranav Rajpurkar,

texto.

En procedimientos de

Jian Zhang, Constantino
Lopyrev, y Percy Liang. 2016. Equipo:
100,000+ preguntas para la comprensión de la máquina-
el 2016
sión de
Jornada sobre Métodos Empíricos en Natural
Procesamiento del lenguaje, páginas 2383–2392, austin,
Texas. Asociación de Lin Computacional-
guísticos. https://doi.org/10.18653/v1
/D16-1264

Mohammad Sadegh Rasooli y Michael Collins.
2017. Transferencia sintáctica multilingüe con
recursos limitados. Transacciones de la Asociación-
ción para la Lingüística Computacional, 5:279–293.
https://doi.org/10.1162/tacl a 00061

Sebastián Ruder, Noé constante, Jan Botha,
Jinlan Fu,
Aditya Siddhant, Orhan Firat,
Jun Jie Hu, Dan Garrett,
Pengfei Liu,
Graham Neubig, y Melvin Johnson. 2021.
XTREMO-R: Hacia más desafiantes y
evaluación multilingüe matizada. En curso-
el 2021 Conferencia sobre Empirismo
cosas de
Métodos en el procesamiento del lenguaje natural,
páginas 10215–10245, En línea y Punta Cana,

954

República Dominicana. Asociación de Computación-
lingüística nacional. https://doi.org/10
.18653/v1/2021.emnlp-main.802

Laura Ruís, jacob andreas, Marco Baroni, diane
Bouchacourt, y Brenden M.. Lago. 2020.
Un punto de referencia para la generalización sistemática en
comprensión del lenguaje fundamentada. Avances
en sistemas de procesamiento de información neuronal,
33:19861–19872.

Iván Rybin, Vladislav Korablinov, Pavel Efímov,
y Pavel Braslavski. 2021. RuBQ 2.0: Un
datos innovadores de respuesta a preguntas rusas-
colocar. En la Decimoctava Web Semántica Extendida
Conferencia – Seguimiento de recursos. https://doi
.org/10.1007/978-3-030-77385-4 32

Amrita Saha, Vardaan Pahuja, Mitesh M. Khapra,
Karthik Sankaranarayanan, y un. PAG. S. chandar.
2018. Respuesta a preguntas secuenciales complejas-
En g: Hacia aprender a conversar sobre linked
La pregunta y la respuesta se combinan con un gráfico de conocimiento..
En AAAI. https://doi.org/10.1609/aaai
.v32i1.11332

César Sas, Meriem Beloucif, y Anders Sogaard.
2020. WikiBank: Usando Wikidata para mejorar
análisis semántico de marcos multilingüe. En profesional-
cesiones de
el duodécimo recursos lingüísticos
y Conferencia de Evaluación, páginas 4183–4189,
Marsella, Francia. Idioma europeo Re-
Asociación de fuentes.

bo shao, Yeyun Gong, Weizhen Qi, Nan Duan,
y Xiaola Lin. 2020. Alineación multinivel
entrenamiento previo para pares semánticos multilingües-
En g. En actas de la 28ª Internacional
Congreso sobre Lingüística Computacional,
páginas 3246–3256, Barcelona, España (En línea).
Comité Internacional de Lin Computacional-
guísticos. https://doi.org/10.18653/v1
/2020.coling-principal.289

chih chieh shao, tres liu, Yuting Lai, Yiying
Tseng, y Sam Tsai. 2018. DRCD: Un chino
conjunto de datos de comprensión de lectura automática.

Tao Shen, Xibo Geng, tao qin, Daya Guo, Sentido
Espiga, Nan Duan, Guodong largo, y daxin
Jiang. 2019. Aprendizaje multitarea para conversar-
respuesta a preguntas opcionales a gran escala
base de conocimientos. En Actas de la 2019
Jornada sobre Métodos Empíricos en Natural
El procesamiento del lenguaje y la IX Internacional
Conferencia conjunta sobre lenguaje natural Pro-
cesando (EMNLP-IJCNLP), páginas 2442–2451,

yo

D
oh
w
norte
oh
a
d
mi
d

F
r
oh
metro
h

t
t

pag

:
/
/

d
i
r
mi
C
t
.

metro

i
t
.

mi
d
tu

/
t

a
C
yo
/

yo

a
r
t
i
C
mi
–
pag
d

F
/

d
oh

i
/

.

1
0
1
1
6
2

/
t

yo

a
C
_
a
_
0
0
4
9
9
2
0
4
2
5
8
8

/

/
t

yo

a
C
_
a
_
0
0
4
9
9
pag
d

.

F

b
y
gramo
tu
mi
s
t

t

oh
norte
0
7
S
mi
pag
mi
metro
b
mi
r
2
0
2
3

Ashish Vaswani, Tanto Bengio, Eugenio Brevdo,
Francois Chollet, Aidan N.. Gómez, Esteban
Pronto, Leon Jones, lucas káiser, nal
Kalchbrenner, Niki Parmar, Ryan Sepassi,
Noam Shazeer, y Jakob Uszkoreit. 2018.
Tensor2tensor para traducción automática neuronal.
CORR, abs/1803.07416.

Funtowicz,

Joe Davison,

Tomás Lobo, Debut de Lysandre, Víctor Sanh,
Julien Chaumond, Clemente Delangue, Antonio
moi, Pierric Cistac, Tim Rault, Remi Louf,
morgan
Sam
Schleifer, Patrick von Platen, Clara Ma, Yacine
Jernita, Julien Plu, Canwen Xu, Teven Le
scao, Sylvain Gugger, Mariama Drama,
Quentin Lhoest, y Alejandro Rush. 2020.
transformadores: Lenguaje natural de última generación
el 2020
En procedimientos de
Procesando.
Jornada sobre Métodos Empíricos en Natural
Procesamiento del lenguaje: Demostraciones del sistema,
páginas 38–45, En línea. Asociación para Com-
Lingüística putacional. https://doi.org
/10.18653/v1/2020.emnlp-demos.6

Shijie Wu y Mark Dredze. 2020. son todos LAN-
idiomas creados iguales en BERT multilingüe? En
Actas del V Taller sobre Representa-
ción Aprendizaje para PNL, páginas 120–130, En línea.
Asociación de Lingüística Computacional.

Linting Xue, Noé constante, Adam Roberts,
Col rizada hábil, Rami Al-Rfou, Aditya Siddhant,
Aditya Barua, y Colin Raffel. 2020. mT5:
Un texto masivamente multilingüe pre-entrenado-
transformador de texto. arXiv preimpresión arXiv:2010.
11934.

Jingfeng Yang, Federico Fancello, bonnie
Webber, y diyi yang. 2021. obstáculo-
increíblemente simple pero sorprendentemente fuerte: Usando
Funciones independientes del idioma para disparo cero.
análisis semántico multilingüe. En curso-
cosas de
el 2021 Conferencia sobre Empirismo
Métodos en el procesamiento del lenguaje natural,
páginas 5848–5856, En línea y Punta Cana,
República Dominicana. Asociación de Computación-
lingüística nacional. https://doi.org/10
.18653/v1/2021.emnlp-main.472

Hong Kong, Porcelana. Asociación de Computación-
lingüística nacional. https://doi.org/10
.18653/v1/D19-1248

Tom Sherborne y Mirella Lapata. 2022.
Análisis semántico multilingüe de disparo cero. En
Actas de la 60ª Reunión Anual de
la Asociación de Lingüística Computacional
(Volumen 1: Artículos largos), páginas 4134–4153,
Dublín, Irlanda. Asociación de Computación
Lingüística. https://doi.org/10.18653
/v1/2022.acl-long.285

David So, Quoc Le, y Chen Liang. 2019. El
transformador evolucionado. En Actas del 36
Conferencia internacional sobre aprendizaje automático-
En g, volumen 97 de Actas de Máquina
Investigación del aprendizaje, páginas 5877–5886. PMLR.

Alon Talmor y Jonathan Berant. 2018. El
web como base de conocimientos para responder com-
preguntas complejas. En Actas de la 2018
Conferencia del Capítulo Norteamericano
de la Asociación de Linguis Computacional-
tics: Tecnologías del lenguaje humano, Volumen 1
(Artículos largos), páginas 641–651, Nueva Orleans,
Luisiana. Asociación de Lin Computacional-
guísticos. https://doi.org/10.18653/v1
/N18-1059

James Thorn, Majid Yazdani, Marzieh Saeidi,
Fabrizio Silvestri, Sebastián Riedel, y alon
halevy. 2021. Razonamiento de base de datos sobre texto..
En actas de la 59.ª reunión anual de
la Asociación de Lingüística Computacional
y la 11ª Conferencia Conjunta Internacional
sobre el procesamiento del lenguaje natural (Volumen 1:
Artículos largos), páginas 3091–3104, En línea.
Asociación de Lingüística Computacional.
https://doi.org/10.18653/v1/2021
.acl-long.241

Dmitri Tsarkov, Tibor Tihon, escalas nathan,
Nikola Momchev, Danila Sinopálnikova, y
Natanael Sch¨arli. 2021. *-CFQ: analizando el
escalabilidad del aprendizaje automático en una composición-
tarea opcional. Actas de la Conferencia AAAI
sobre Inteligencia Artificial.

955

yo

D
oh
w
norte
oh
a
d
mi
d

F
r
oh
metro
h

t
t

pag

:
/
/

d
i
r
mi
C
t
.

metro

i
t
.

mi
d
tu

/
t

a
C
yo
/

yo

a
r
t
i
C
mi
–
pag
d

F
/

d
oh

i
/

.

1
0
1
1
6
2

/
t

yo

a
C
_
a
_
0
0
4
9
9
2
0
4
2
5
8
8

/

/
t

yo

a
C
_
a
_
0
0
4
9
9
pag
d

.

F

b
y
gramo
tu
mi
s
t

t

oh
norte
0
7
S
mi
pag
mi
metro
b
mi
r
2
0
2
3

Descargar PDF