摘要

标注训练数据的稀缺性常常阻碍自然语言处理（NLP）模型向多种语言的国际化发展。近年来，跨语言理解（XLU）领域的进展在这一方面取得了显著成果，试图通过语言通用表示来克服语言障碍。然而，即使解决了语言问题，由于不同语言和文化之间的自然领域漂移，一种语言上训练的模型也无法完美地迁移到另一种语言上。本文研究了半监督跨语言理解的设置，在这种设置下，源语言（英语）有标注数据可用，而目标语言仅有未标注数据可用。我们结合了最先进的跨语言方法与最近提出的弱监督学习方法，如无监督预训练和无监督数据增强，以同时缩小XLU中的语言差距和领域差距。我们的研究表明，解决领域差距至关重要。我们在强大的基线模型基础上进行了改进，并在跨语言文档分类任务中达到了新的最先进水平。