RALS (Romanian Automatic Lexical Simplification)
收藏资源简介：
RALS是首个针对罗马尼亚语构建的综合性词汇简化数据集，由布加勒斯特大学研究团队创建，旨在填补该语言在词汇复杂性预测与简化任务中的资源空白。该数据集包含3,921个词汇-句子对样本，涵盖人工翻译、词汇级翻译及全新采样的三类子集，数据来源于维基百科、科普文章、文学作品及机构文档等多种文本类型，并经过精细的人工标注。其构建过程融合了多步骤人工翻译、机器辅助及众包标注方法，通过严格的配对排序与复杂性评分确保数据质量。该数据集主要应用于自然语言处理领域，特别是低资源语言的词汇简化与复杂性预测研究，致力于提升罗马尼亚语文本的可读性，服务于教育、医疗及公共信息传播等场景，以促进社会信息包容性。
RALS is the first comprehensive lexical simplification dataset constructed for the Romanian language, developed by the research team at the University of Bucharest, aiming to fill the resource gap in lexical complexity prediction and simplification tasks for this language. This dataset contains 3,921 lexical-sentence pair samples, covering three subsets: manual translation, word-level translation, and newly sampled ones. The data is sourced from diverse text types including Wikipedia, popular science articles, literary works, and institutional documents, and has undergone meticulous manual annotation. Its construction process integrates multi-step manual translation, machine-assisted methods, and crowdsourcing annotation, ensuring data quality through strict pair ranking and complexity scoring. This dataset is primarily applied in the field of natural language processing, particularly for lexical simplification and complexity prediction research on low-resource languages. It is committed to enhancing the readability of Romanian texts, serving scenarios such as education, healthcare, and public information dissemination, thereby promoting social information inclusiveness.
数据集概述：RALS（罗马尼亚语自动词汇简化资源与基线）
项目地址：https://github.com/senisioi/RALS
许可证：CC BY-NC-SA 4.0
相关论文：RALS: Resources and Baselines for Romanian Automatic Lexical Simplification（EMNLP 2025）
贡献者：Fabian Anghel、Petru-Theodor Cristea、Claudiu Creangă、Sergiu Nisioi
一、数据集内容与构成
该数据集聚焦于罗马尼亚语的词汇复杂性预测（LCP） 与词汇简化（LS） 任务，共包含 3,921 个标注样本，分为三个子集：
-
HT_from_english_MLSP（569 个样本）
- 来自 2024 年多语言词汇简化管道（MLSP）共享任务的人为翻译数据。
- 每个样本有 5 个标注，标注者一致性高。
-
WT_original（1,765 个样本）
- 从英语 MLSP 数据词汇翻译至罗马尼亚语，通过罗马尼亚语语料库检索包含该词的句子。
- 利用词嵌入聚类选择距离质心远/近的句子，覆盖单词的不同含义和用法。
-
RoLCP（1,587 个样本）
- 由人工标注，每个样本有 10 个标注，标注一致性高。
- 文本涵盖不同体裁，词汇选择基于词频库（wordfreq）。
-
额外文件：mt_from_MLSP.csv
- 从所有语言机器翻译至罗马尼亚语的数据，已过滤无效目标词，不含人工 LCP 标注。
二、数据统计摘要
| 子集 | 样本数 | 句子数 | 平均句长 | 句长标准差 | 平均复杂度 | 复杂度标准差 |
|---|---|---|---|---|---|---|
| HT | 569 | 190 | 24.46 | 8.62 | 0.13 | 0.25 |
| WT | 1,765 | 751 | 24.53 | 8.43 | 0.28 | 0.21 |
| RoLCP | 1,587 | 274 | 27.58 | 26.59 | 0.23 | 0.23 |
- 数据存储于密码保护压缩包（密码：ralsresources），以防 LLM 污染。
三、词汇简化系统与基线评估
简化数据来源：基于 HT 子集构建，标注者提供同义词（不排序），通过成对简化判断与 Bradley–Terry 模型计算最终排名。
评估指标：MAP@1、MAP@5、Potential@5、ACC@1（top gold）
| 系统 | MAP@1 | MAP@5 | Potential@5 | ACC@1 |
|---|---|---|---|---|
| Apertus-8B | 0.21 | 0.10 | 0.33 | 0.11 |
| RoLlama-8B | 0.40 | 0.16 | 0.51 | 0.22 |
| DexFlex | 0.41 | 0.30 | 0.67 | 0.15 |
| GPT-4o | 0.28 | 0.15 | 0.51 | 0.16 |
| BERT-Ro | 0.27 | 0.15 | 0.48 | 0.14 |
- DexFlex 在 MAP 与 Potential 指标上表现最佳，展示出稳健的同义词生成能力。
- RoLlama 在 ACC@1（top gold）上略优，但整体排名与覆盖度逊于 DexFlex。
- 混合方法（DexFlex）在小数据集上优于大型通用 LLM 或微调 BERT。
四、配套工具：DexFlex
DexFlex 是一个用于罗马尼亚语处理的 Python 包，基于 dexonline 词典数据，整合 spaCy 罗马尼亚语模型（ro_core_news_lg），功能包括：
- 词形变化处理
- 同义词推荐
- 时态与语态转换
简化流程：
- 使用 spaCy 识别词性及形态学特征
- 从 dexonline 词典获取同义词
- 利用上下文嵌入进行词义消歧
- 正确屈折同义词以匹配罗马尼亚语法
- 使用 LCP 分数对候选词排序
安装命令：pip install dexflex
五、相关资源
- DexFlex 仓库：https://github.com/PetruTH/DexFlex
- 简化结果与评估脚本：https://github.com/PetruTH/emnlp2025_rals
- 句子对选择与注释仓库：https://github.com/Bagsylina/sentence_pairs_annotation
- BERT 模型实验仓库：https://github.com/Bagsylina/Romanian-Text-Simplification
六、引用建议
bibtex @inproceedings{anghel-etal-2025-rals, title = "{RALS}: Resources and Baselines for {R}omanian Automatic Lexical Simplification", author = "Anghel, Fabian and Petru-Theodor, Cristea and Creanga, Claudiu and Nisioi, Sergiu", booktitle = "Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing", month = nov, year = "2025", address = "Suzhou, China", publisher = "Association for Computational Linguistics", pages = "31469--31480" }
