Перспективные направления развития систем машинного перевода

Анализ ТРИЗ-эволюции систем МП

Анализ ТРИЗ-эволюции систем МП показывает в первую очередь качественные скачки развития, которые позволили сформировать новые парадигмы: переход к трансферному МП привел к созданию парадигмы "перевод, основанный на правилах"; переход к СМП по словам - к созданию парадигмы "статистический МП"; переход к НМП - к созданию парадигмы "нейронный МП".

По улучшаемым параметрам в ходе развития систем МП мы видим, что оно происходило по следующим ключевым направлениям:

повышение качества перевода, причем с развитием МП сам параметр качества трансформировался и детализировался в подпараметры;

сокращение времени на сбор и подготовку обучающих данных;

развитие способов обработки оригинала с целью упрощения его структуры для более точного понимания системой семантики текста;

совершенствование технической реализации МП.

Часть противоречий существующих систем не разрешена (8.1, 10.1, 10.2, 10.4, 12.1, 13.1, 13.2, 13.3), и, следовательно, задачи по разрешению этих противоречий являются перспективными направлениями исследования в области МП.

На основании проведенного анализа можно заключить, что ключевыми направлениями перспективных исследований в области МП являются:

1) развитие методов интерактивного перевода и нативного взаимодействия с пользователями МП. Проблема заключается в том, что, несмотря на огромный прорыв в качестве нейросетевого машинного перевода, он все еще может содержать грубые ошибки, поскольку система не может достаточно точно определять контекст текста целиком, а не отдельного предложения, оттенки смысла и т.д.;

2) разработка эффективных методов анализа и алгоритмов хранения нейросетью контекста всего текста, а не отдельных его частей. Актуальным является исследование и совершенствование способов определения и хранения информации о контексте (смысле) не только соседних слов, но и предложений, а также оценка смысла всего текста;

3) совершенствование архитектуры систем МП и нейросетей, используемых в задачах обработки естественного языка;

4) разработка и совершенствование методов обучения нейросетей на ограниченном объеме монокорпусов текста. Современные системы нейросетевого перевода обучаются "с учителем" на двуязычных параллельных корпусах текста (оригинал и эталонный перевод). Не для всех языков и тематик возможно аккумулировать достаточный для качественного обучения объем таких корпусов. Интерес представляет развитие алгоритмов обучения нейросетей на монокорпусах (один язык, без перевода) "без учителя";

5) решение проблемы извлечения знаний и анализа семантики оригинальных текстов. Проблема извлечения знаний актуальна для многих областей, связана она, в том числе и с обработкой естественного языка;

6) совершенствование методов синтаксического разбора текста для упрощения структуры оригинальных текстов при переводе. Не для всех языков разработаны методы синтаксического разбора и не для всех, для которых разработаны такие, они достаточно качественны;

7) совершенствование методов автоматической оценки и проверки качества переведенных текстов. Проблема заключается в том, что ни методы автоматической оценки качества, ни методы "ручной" оценки качества не являются надежными и достаточно достоверными. Первые не опираются на семантику (смысл) текста, а вторые зависят от компетенции проверяющего специалиста. При этом в обоих случаях высока вероятность пропуска грубых ошибок, учитывая общую "гладкость" нейронного машинного перевода.

Описанные направления развития систем МП относятся к задачам автоматизации извлечения знаний, обработки естественного языка, нейросетевого программирования.Заключение

Предложено использовать ТРИЗ-эволюционный подход к выявлению направлений развития гибридных систем нейронного МП, сформулированы дополнительные положения ТРИЗ-эволюционного анализа, позволяющие систематизировать исследуемую область знаний с большей детализацией.

Применение ТРИЗ-эволюционного анализа систем МП позволило систематизировать данные об эволюции систем МП; определить ключевые этапы развития систем МП; выделить главные производственные параметры, определяющие направления развития систем нейронного МП.

Показано, что перспективным направлением является развития методов анализа, сбора и хранения нейросетью данных о семантических особенностях оригинального текста целиком, а не отдельных его частей.

Таким образом, представленное исследование позволит добиться повышения качества перевода при ограниченном объеме обучающих данных за счет развития методов и алгоритмов предобработки оригинального текста.

Создание модуля автоматизированного предредактирования согласно правилам, которые упрощают понимание текста системой МП и в полуавтоматическом режиме позволяют производить анализ семантики оригинальных текстов, повысит качество МП и дает возможность сделать МП более доступным для пользователей, владеющих только языком оригинального текста.

Литература

1. Wu Y., Schuster М., Chen Z., et al. Google's neural machine translation system: Bridging the gap between human and machine translation // Conference on Empirical Methods in Natural Language Processing. - 2017.

2. Screen B. What effect does post-editing have on the translation product from an end-user's perspective? // J. Spec. Transl. - 2019. - Vol. 31 - P. 133-157.

3. Сайт о развитии отрасли переводов [Электронный ресурс]. - Режим доступа: https://translationrating.ru/

4. Science Direct Journals & Books [Электронный ресурс]. - Режим доступа: https://www.sciencedirect.com/

5. Altshuller G. The innovation algorithm: TRIZ, systematic innovation, and technical creativity. - Worchester, Massachusetts: Technical Innovation Center, 1999.

6. GaddK. TRIZ for Engineers: Enabling Inventive Problem Solving. - John Wiley & Sons, 2011.

7. Creativity, learning techniques and TRIZ / T. Bertoncelli, O. Mayer, M. Lynass // Procedia CIRP. - 2016. - Vol. 39. - P. 191-196.

8. Zhivotova A.A., Berdonosov V.D., Redkolis E.V. Machine translation systems analysis and development prospects // 2020 International Multi-Conference on Industrial Engineering and Modern Technologies. - Vladivostok, 2020.

9. Brown A. Automatic translation of languages // Automatic Translation of Languages: papers presented at NATO Summer School - Venice, 1966. - P. 27-54.

10. Tosh L. W. Data preparation for syntactic translation // International Conference on Computational Linguistics - New York, 1965.

11. Tosh L. W. Stratificational grammar and interlingual mapping for automatic translation // Actes du Xe Congres International des Linguistes. - Bucarest, 1967, - P.1049-1059.

12. Aramaki E., Kurohashi S. Example-based machine translation using structural translation examples // International Workshop on Spoken Language Translation: Evaluation Campaign on Spoken Language Translation. - Japan, 2004. - P. 91-94.

13. Nepveu L., Lapalme G., Langlais P. Adaptive language and translation models for interactive machine translation // Conference on Empirical Methods in Natural Language Processing. - 2004.

14. A statistical approach to machine translation / P. Brown, J. Cocke, S. Della Pietra, et al // Computational linguistics. - 1990. - Vol. 16, No.2. - P.79-85.

15. Junczys-Dowmunt M., Grundkiewicz R. Phrase-based machine translation is state-of-the-art for automatic grammatical error correction // Proceedings of the 2016 Conference on Empirical Methods in Natural Language Processingю - 2016. - P. 1546-1556.

16. Yamada K., Knight K. A syntax-based statistical translation model // Proceedings of the Conference of the Association for Computational Linguistics. - 2001. - P. 132-139.

17. Google's multilingual neural machine translation system: enabling zero-shot translation / M. Johnson, M. Schuster, Q. Le, et al // Transactions of the Association for Computational Linguistics. - 2017. - Vol. 5. - P. 339-351.

18. Lample G., Conneau A., Denoyer L., et al. Unsupervised machine translation using monolingual corpora only // ICLR 2018. - 2018.

19. Chu C., Wang R. A survey of domain adaptation for neural machine translation / Proceedings of the 27th International Conference on Computational Linguistics. - 2018. - P. 13041319.

20. Costa-Jussa M., Fonollosa J. Latest trends in hybrid machine translation and its applications / Computer Speech & Language. - 2014. - Vol. 32. - No. 1. - P. 3-10.

Размещено на Allbest.ru