Fugu-MT 論文翻訳(概要): Babbar26 main x genre

論文の概要: Babbar26 main x genre

arxiv url: http://arxiv.org/abs/2610.26220v1
Date: Mon, 19 Oct 2026 11:49:22 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-23 18:56:03.541998
Title: Babbar26 main x genre
Title（参考訳）: Babbar26 メイン x ジャンル
Abstract要約: Babbar26は5つの言語(英語、フランス語、ドイツ語、スペイン語、イタリア語)の1006ドメインから1111ページの多言語データセットである。両課題について,アノテーションガイドラインと二重アノテーション合意について述べる。 KI-04のジャンルベンチマークと比較すると、中央値ページは2.3倍のDOM要素と1.9倍の読みやすいテキストを持つ。
参考スコア（独自算出の注目度）: 0.5772546394254112
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We introduce Babbar26, a multilingual dataset of 1111 web pages from 1006 domains in five languages (English, French, German, Spanish, Italian), jointly annotated for genre, following a compact five-class taxonomy, and for main content and boilerplate, as main/noise regions anchored to the DOM. We describe the annotation guidelines and report double-annotation agreement on both tasks (97.1% on genre; content-level Cohen's k = 0.766 for main content). Compared with the classic KI-04 genre benchmark, a median page has 2.3x more DOM elements and 1.9x more readable text.
Abstract（参考訳）: 5つの言語(英語、フランス語、ドイツ語、スペイン語、イタリア語)の1006ドメインから1111ページの多言語データセットであるBabbar26を紹介した。両課題についてガイドラインと二重アノテーション合意(ジャンル別97.1%、コンテンツレベルのCohen's k = 0.766)を述べる。 KI-04のジャンルベンチマークと比較すると、中央値ページは2.3倍のDOM要素と1.9倍の読みやすいテキストを持つ。

関連論文リスト

The WebKurator.de Platform: Combined Regional and Topical Web Curation [1.7307684268156465]
WebKurator.deは、地域とトピックのウェブキュレーションを組み合わせた共同プラットフォームである。 WebKuratorは、トピックの分類と地理的アノテーションを明確に分離する2次元キュレーションモデルを導入している。プラットフォームは、ドイツのImprintsデータセットからブートストラップされ、5億5450万のWebサイトの大規模なコレクションである。
論文参考訳（メタデータ） (2026-09-03T15:08:11Z)
WCXB: A Multi-Type Web Content Extraction Benchmark [0.0]
我々は1,613ドメインから2,008ページのデータセットであるWeb Content extract Benchmark (WCXB)を紹介した。データセットは、1,497ページの開発セットと、マッチしたページタイプの分布を持つ511ページの保留テストセットを含む。 13の抽出システムを評価し,トップシステムは記事に収束する一方で,構造化ページタイプによって性能が著しく変化していることを見出した。
論文参考訳（メタデータ） (2026-05-20T12:28:12Z)
DocAtlas: Multilingual Document Understanding Across 80+ Languages [58.715440331861295]
本稿では,82言語を対象とした高忠実度OCRデータセットとベンチマークを構築するフレームワークDocAtlasを紹介する。我々のデュアルパイプライン、ネイティブDOCX文書の微分レンダリング、左右スクリプトの合成ベース生成は正確な構造アノテーションを生成する。
論文参考訳（メタデータ） (2026-05-12T18:09:38Z)
PinLanding: Content-First Keyword Landing Page Generation via Multi-Modal AI for Web-Scale Discovery [7.842599502996326]
我々はPinLandingを紹介します。PinLandingは、プラットフォームがトピックコレクションを作成する方法を変える、コンテンツファーストアーキテクチャです。本システムでは,属性抽出のための視覚言語モデル(VLM)とトピック生成のための大規模言語モデル(LLM)と,正確なコンテンツマッチングのためのCLIPベースのデュアルエンコーダアーキテクチャを用いる。
論文参考訳（メタデータ） (2025-03-01T20:55:28Z)
Can Humans Identify Domains? [17.579694463517363]
テキストドメインは、下流モデルのパフォーマンスに影響を及ぼすため、自然言語処理(NLP)コミュニティにおいて重要な特性である。本研究は,本質的なテクスト特性の同定において,人間の習熟度によるドメインの中核的概念について考察する。 NLPにおけるドメインの多様さにもかかわらず、それらの定義方法に関する人間のコンセンサスはほとんどない。
論文参考訳（メタデータ） (2024-04-02T09:49:07Z)
MaiBaam: A Multi-Dialectal Bavarian Universal Dependency Treebank [56.810282574817414]
We present the first multi-dialect Bavarian treebank (MaiBaam) based with part-of-speech and syntactic dependency information in Universal Dependencies (UD)。我々は、近縁なバイエルン語とドイツ語のモルフォシンタクティックな相違を強調し、話者の正書法の豊富な多様性を示す。私たちのコーパスには15kのトークンが含まれており、3つの国にまたがるバイエルン語を話すすべての地域の方言をカバーしています。
論文参考訳（メタデータ） (2024-03-15T13:33:10Z)
MegaWika: Millions of reports and their sources across 50 diverse languages [74.3909725023673]
MegaWikaは、50の言語で1300万のWikipedia記事と、7100万の参考資料で構成されている。我々は、このデータセットを無数のアプリケーションに処理し、非英語の記事を言語間アプリケーションに翻訳する。 MegaWikaは、文レベルのレポート生成のための最大のリソースであり、マルチランガルである唯一のレポート生成データセットである。
論文参考訳（メタデータ） (2023-07-13T20:04:02Z)
Language-Agnostic Website Embedding and Classification [12.86558129722198]
92言語で100万以上のWebサイトを持つデータセットをリリースし、Curlieから相対ラベルを収集しました。ホームページに基づいてWebサイトを分類・埋め込みするマシン学習モデルであるHomepage2Vecを紹介する。ホームページ2Vecは、マクロ平均F1スコア0.90のWebサイトを正しく分類し、低および高ソース言語で安定したパフォーマンスを示す。
論文参考訳（メタデータ） (2022-01-10T22:31:48Z)
MobIE: A German Dataset for Named Entity Recognition, Entity Linking and Relation Extraction in the Mobility Domain [76.21775236904185]
データセットは3,232のソーシャルメディアテキストと91Kトークンによるトラフィックレポートで構成され、20.5Kアノテーション付きエンティティを含んでいる。データセットのサブセットには,7つのモビリティ関連,n-ary関係型がアノテートされている。私たちの知る限りでは、NER、EL、REのアノテーションを組み合わせた最初のドイツ語データセットです。
論文参考訳（メタデータ） (2021-08-16T08:21:50Z)
Multi-SimLex: A Large-Scale Evaluation of Multilingual and Cross-Lingual Lexical Semantic Similarity [67.36239720463657]
Multi-SimLexは、12の異なる言語のデータセットをカバーする大規模な語彙リソースと評価ベンチマークである。各言語データセットは、意味的類似性の語彙的関係に注釈付けされ、1,888のセマンティック・アライメント・コンセプト・ペアを含む。言語間の概念の整合性のため、66の言語間セマンティック類似性データセットを提供する。
論文参考訳（メタデータ） (2020-03-10T17:17:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。