[论文解读] An Annotated Corpus of Emerging Anglicisms in Spanish Newspaper Headlines

Elena Álvarez Mellado|arXiv (Cornell University)|Apr 1, 2020

Linguistics, Language Diversity, and Identity参考文献 1被引用 2

一句话总结

本文提出一个包含21,570条欧洲西班牙语报纸标题的语料库，其中对新兴英语借词进行了标注，并提出了一种基于条件随机场（CRF）的基线模型，通过手工设计的特征实现自动英语借词检测。该研究为识别西班牙语文新报道中的英语借词提供了基础性资源与方法，支持词典编纂与自然语言处理应用。

ABSTRACT

The extraction of anglicisms (lexical borrowings from English) is relevant both for lexicographic purposes and for NLP downstream tasks. We introduce a corpus of European Spanish newspaper headlines annotated with anglicisms and a baseline model for anglicism extraction. In this paper we present: (1) a corpus of 21,570 newspaper headlines written in European Spanish annotated with emergent anglicisms and (2) a conditional random field baseline model with handcrafted features for anglicism extraction. We present the newspaper headlines corpus, describe the annotation tagset and guidelines and introduce a CRF model that can serve as baseline for the task of detecting anglicisms. The presented work is a first step towards the creation of an anglicism extractor for Spanish newswire.

研究动机与目标

• 创建一个大规模、人工标注的欧洲西班牙语报纸标题语料库，其中包含新兴英语借词，以支持语言学与自然语言处理研究。
• 开发一种用于自动检测西班牙语文新报道中英语借词的基线模型。
• 通过识别和分类西班牙媒体中从英语借入的新兴词汇，支持词典编纂工作。
• 支持需要在西班牙语处理中识别英语借词的下游自然语言处理任务。
• 建立标准化的标注框架与标签集，以实现在西班牙语中一致识别英语借词。

提出的方法

• 该语料库由欧洲西班牙语报纸标题构建，总计21,570条标题。
• 制定了自定义的标注标签集与详细指南，以确保在语料库中对英语借词进行一致标注。
• 使用手工设计的语言学特征训练了条件随机场（CRF）模型，以在上下文中检测英语借词。
• 特征包括词形、词性标注、形态模式以及候选词周围的上下文窗口。
• 在标注语料库上训练并评估了该模型，以建立英语借词抽取的基线性能。
• 通过迭代审查与共识达成，确保了标注过程的标注者间一致性与质量控制。

实验结果

研究问题

• RQ1 欧洲西班牙语报纸标题中新兴英语借词的分布与频率如何？
• RQ2 如何为西班牙语媒体文本中的英语借词设计一种一致且可靠的标注方案？
• RQ3 在基于CRF的序列标注模型中，哪些特征最能有效区分英语借词与原生西班牙语词汇？
• RQ4 基于手工特征的CRF模型在西班牙语文新报道英语借词检测中的基线表现如何？
• RQ5 该标注语料库在多大程度上可支持未来西班牙语的自然语言处理与词典编纂应用？

主要发现

• 该语料库包含21,570条欧洲西班牙语报纸标题，其中人工标注了英语借词，为语言学与自然语言处理研究提供了宝贵资源。
• 所开发的标注标签集与指南确保了在多样化的词汇与句法语境中对英语借词的一致识别。
• 基于手工特征的CRF模型在英语借词检测中实现了基线性能，为未来改进提供了起点。
• 形态与上下文特征的引入显著提升了模型区分英语借词与原生西班牙语词汇的能力。
• 该语料库与模型共同构成了在西班牙语文新报道及相关领域实现可扩展英语借词检测的基础步骤。
• 标注者间一致性保持在高水平，验证了标注过程的可靠性。