ve strojovém překladu

Rozměr: px

Začít zobrazení ze stránky:

Download "ve strojovém překladu"

Roman Bartoš
před 7 lety
Počet zobrazení:

1 Jaká data se používají ve strojovém překladu Ondřej Bojar Ústav formální a aplikované lingvistiky MFF UK ELRC Training Workshop, 15. prosinec /39

2 Osnova Typy dat ve strojovém překladu. Kolik je potřeba? Absolutní minimum: paralelní korpusy. Získávání paralelních textů z webu. Sdílení zdrojů. 2/39

3 Přístupy ke strojovému překladu povrchová syntax morfologická rovina hloubková syntax interlingva frázový překlad s 1 T 1 T 2 s 2 angličtina čeština generuj povrchovou realizaci linearizuj strom Pravidlový vs. statistický přístup: Pravidlové systémy píší lingvisté-programátoři. Statistické systémy se naučí samy podle dat. 3/39

4 Přístupy ke strojovému překladu povrchová syntax morfologická rovina hloubková syntax interlingva frázový překlad s 1 T 1 T 2 s 2 angličtina čeština generuj povrchovou realizaci linearizuj strom Pravidlový vs. statistický přístup: Pravidlové systémy píší lingvisté-programátoři. Statistické systémy se naučí samy podle dat. 4/39

5 Formální popis češtiny Ruční anotace Morfologická rovina: Slovo Lema Morfologická značka zákony zákon NNIP1-----A---- zákony zákon NNIP4-----A---- zákony zákon NNIP5-----A---- zákony zákon NNIP7-----A---- udělejte udělat Vi-P---2--A---- udělejte udělat Vi-P---3--A---4 pro pro-1 RR lidi člověk NNMP1-----A---- lidi člověk NNMP4-----A---- lidi člověk NNMP5-----A---- Analytická rovina (povrchová syntax): Tektogramatická rovina (hloubková syntax): 5/39

6 Lingvistická data Korpusy jsou (velké) sbírky textů: Texty typicky označkované nebo včetně větných rozborů. Pražský závislostní korpus (PDT): 1.5 mil. slov. Pražský čj-aj závislostní korpus (PCEDT): 50 tis. vět. Některé vícejazyčné: CzEng (15 mil. vět, 220 mil. slov, odpovídá 50 metrům knih, ty tvoří však jen čtvrtinu). Slovníky strojově čitelné: Morfologický slovník říká, že kočka je české slovo a kočke ne. Valenční slovník říká, že: Rodiče přijali Petra. je správně Rodiče přijeli Petra. není správně Slovník subjektivity obsahuje hodnotící výrazy. Lze využít v programech (pravidlových i statistických). 6/39

7 Data po frázový překlad (Moses, Překladové slovníky méně vhodné. Překlad potřebuje vidět slova v kontextu. Terminologie a glosáře méně vhodné. Současné metody mohou vynutit překlad jen velice tupě. Zásadní je paralelní korpus. Pro kvalitu důležité, aby texty byly z dané domény. Systém memoruje až desetice slov. Dlouhé termíny zachovány přesně. České tvarosloví a volný slovosled situaci komplikuje. 7/39

8 Paralelní korpus 8/39

9 Automatické zarovnání po větách 9/39

10 Automatické zarovnání po větách 10/39

11 Zarovnaný paralelní korpus (1658) 11/39

12 Automatické zarovnání po slovech 12/39

13 Kolik textů je potřeba? 13/39

14 Kolik textů je potřeba? Víc. 13/39

15 Víc textů vyšší kvalita 14/39

16 Texty v doméně rovnou lepší výstup 15/39

17 Texty v doméně rychlejší zlepšení 16/39

18 Data pro aj čj v roce /39

19 Vliv dat na kvalitu a neznámá slova 18/39

20 Komunitní data mimo doménu 19/39

21 Komunitní data mimo doménu 20/39

22 Profesionální překlady mimo doménu 21/39

23 Vše mimo doménu 22/39

24 Obdobný objem v doméně: mnohem lepší 23/39

25 Dodatečná data zlepší pokrytí 24/39

26 ...ale mimo doménu mohou snížit kvalitu 25/39

27 Mimo doménu: kvalita i pokrytí horší 26/39

28 ...víc dat zlepší pokrytí 27/39

29 ...ale na moc kvalitu 28/39

30 Data raději z webu než z papíru 29/39

31 Paralelní webové stránky 30/39

32 Podstatná část dat nedostupná 31/39

33 Podstatná část dat nedostupná 32/39

34 I dostupné texty nemusí být vytěžitelné 33/39

35 A mnoho paralelních webů... 34/39

36 ... je paralelních jen zčásti. 35/39

37 Postup 1. Najít dobré zdroje. 2. Získat surová data. 3. (Identifikovat a pojmenovat domény.) 4. Vyčistit. Odstranit navigační prvky, reklamu,... Odstranit neparalelní části. Odstranit jiné jazyky. 5. Zarovnat po dokumentech. 6. Zarovnat po větách. 7. Odstranit nekvalitně zarovnané části. 8. Zpřístupnit ostatním. Paralelní korpus CzEng. 36/39

38 Šlo by to i lépe Můžete nám poradit dobré zdroje. Můžete nám pomoci s určením domény. Můžete nám přímo poskytnout své texty. 37/39

39 Šlo by to i lépe Můžete nám poradit dobré zdroje. Můžete nám pomoci s určením domény. Můžete nám přímo poskytnout své texty. 37/39

40 Shrnutí YOUR DATA IS NEEDED! 38/39

41 Shrnutí Lingvistické analýzy potřebují anotovaná data v doméně. MT potřebuje paralelní texty v doméně i mimo ni. Čím víc, tím ĺıp. Čím podobnější vstupům, tím lepší. Jazykové zdroje je třeba sdílet. I průmysl data sdíĺı. Zveřejněné překlady vytěžujeme, netriviální úsiĺı. Ideálně ne PDF, nejraději HTML s podobným URL. Lepší by byly primární zdroje, vaše texty. 39/39

Podobné dokumenty

Ondřej Bojar Ústav formální a aplikované lingvistiky Matematicko-fyzikální fakulta Univerzita Karlova v Praze

Ondřej Bojar Ústav formální a aplikované lingvistiky Matematicko-fyzikální fakulta Univerzita Karlova v Praze ÔÐ ØÖÓ ÓÚ Ó Ô Ð Ù Ondřej Bojar bojar@ufal.mff.cuni.cz Ústav formální a aplikované lingvistiky Matematicko-fyzikální fakulta Univerzita Karlova v Praze 18. říjen 2010 Aplikace strojového překladu Ç ÔÖ Þ