Unsupervised Term Extraction in Highly Technical Domains: Models and Datasets for Low-Resource Kazakh and English Languages

2025

Жабық қол жеткізу Метадеректер (CSL-JSON)
DOI 10.1145/3773274.3774668
Деректер сенімділігі 70 орташа
Бұл баға қалай есептеледі

Ол жазбаның өзінің тексерілетін белгілерінен құралады: мақаланың DOI-і бар ма, оның деректерін қанша тәуелсіз дереккөз растады, міндетті өрістер толтырылған ба және соңғы растау қаншалықты жаңа. Дереккөздер арасындағы алшақтық пен идентификатордың болмауы бағаны төмендетеді. 80-нен бастап мән жазбаның қосымша тексерусіз жарияланғанын, 60-тан 79-ға дейін — оның сенімділігі төмен күйде жарияланғанын және қолмен тексеру ұсынылатынын білдіреді. Редактор қолмен тексерген жазбаны қайта есептеу 90-нан төмен түсірмейді. Бұл — мақаланың өзіне емес, ол туралы деректерімізге берілген баға.

Аңдатпа

The paper presents a framework for bilingual terminology extraction targeting highly technical domains and the low-resource Kazakh language. We develop two unsupervised term annotators and introduce a hybrid Semantic NMF model that combines non-negative matrix factorization with multilingual embeddings (LaBSE, E5-base, BGE-M3). We further release Matcha, a BIO-annotated English and Kazakh corpus (~3k terms) to fine-tune supervised extractors (BERT-BiLSTM-CRF, XLM-RoBERTa). Across ACTER and ACL RD-TEC 2.0 benchmarks and the new Matcha corpus, UA2 attains up to 51.8% F1, approaching supervised performance; supervised models reach about 70% F1 in Materials Science. The results highlight strong cross-lingual/cross-domain transfer for Semantic-NMF-based unsupervised methods and demonstrate a scalable path to terminology mining and downstream knowledge graph construction in under-represented languages.