Angļu-latviešu statistiskās mašīntulkošanas sistēmas izveide, pilnveide un novērtēšana

Abstract

Darbā aprakstīti statistiskās mašīntulkošanas sistēmas darbības pamatprincipi un komponenti (valodas modelis, tulkošanas modelis un dekoders). Teorētiskās metodes izmantotas angļu-latviešu eksperimentālas statistiskās mašīntulkošanas sistēmas izveidē, pilnveidē un novērtēšanā. Eksperimentālās sistēmas apmācīšanai un novērtēšanai izmantotas JRC-Acquis angļu-latviešu korpusa 2.2 un 3.0 versijas. Ar praktisku eksperimentu pierādīta hipotēze, ka angļu-latviešu statistiskās mašīntulkošanas sistēmas tulkošanas kvalitāti iespējams uzlabot, palielinot apmācības korpusu. Sistēmas novērtēšanai izmantota BLEU metrika, kas labāko sistēmu novērtēja ar 0.3182 punktiem (31.82 %). Labākās sistēmas demonstrācijas versija pieejama adresē: kushkjis.selfip.net/en-lv_smt_demo.php

Atslēgvārdi: statistiskā mašīntulkošana, valodas modelis, tulkošanas modelis, dekoders.

In this work main principles of the Statistical Machine translation System and its constituents (language model, translation model and decoder) are described. Theoretical methods are applied in development, improvement and evaluation of the English-Latvian experimental statistical machine translation system. In order to create the experimental system, JRC-Acquis English-Latvian parallel corpus (versions 2.2 and 3.0) were used. Hypothesis that enlargement of training corpus results in improvement of translations quality was proved. For evaluation BLEU metrics was used, which for the best system reached 0.3182 points (31.82 %). The demonstration of the best translation system with the highest BLEU metrics is available at kushkjis.selfip.net/en-lv_smt_demo.php

Keywords: statistical machine translation, language model, translation model, decoder.