Upload
petra-galuscakova
View
214
Download
5
Embed Size (px)
DESCRIPTION
Slovko 2011
Citation preview
Česko-slovenský paralelný korpus určený pre preklad medzi blízkymi jazykmi
Petra Galuščáková a Ondřej Bojar{galuscakova,bojar}@ufal.mff.cuni.cz
Univerzita Karlova v Praze
Matematicko-fyzikální fakultaÚstav formální a aplikované lingvistiky
20. 10. 2011 2
Obsah prezentácie
● Vytvorenie korpusu – postup a použité nástroje● Možné zdroje paralelného korpusu● Aplikácia korpusu
20. 10. 2011 3
Úvod
● Väčšie množstvo zdrojov pre češtinu
● Čeština a slovenčina sú veľmi príbuzné
● Čeština ako pivotný jazyk
● Česko-slovenský paralelný korpus
● Trénovanie automatického prekladu
● Vyhodnotenie automatického prekladu
CS
SK
EN PL
...
20. 10. 2011 4
NástrojePříběh, který hodláte číst, neníani román, ani novela. Ty majísvá pravidla, své zákony. Své
začátky a své konce. Tento příběh – řekl bych – je
přeslechnut.
Příběh, který hodláte číst, není ani román, ani novela.
Ty mají svá pravidla, své zákony.
Své začátky a své konce.
Tento příběh – řekl bych – je přeslechnut.
1-1 2.28889 Příběh, který hodláte číst, není ani román, ani novela. Príbeh, ktorý hodláte čítať, nie je ani román, ani novela.
1-1 2.475 Ty mají svá pravidla, své zákony. Tie majú svoje pravidlá, svoje zákony.
1-1 2.08125 Své začátky a své konce. Začiatky a konce.
1-1 2.87805 Tento příběh – řekl bych – je přeslechnut. Tento príbeh — povedal by som — je prepočutý.
Segmentácia
Alignment
Trénovateľný tokenizér natrénovaný
na češtine a slovenčine
Hunalign
Príbeh, ktorý hodláte čítať, nie je ani román, ani novela. Tie majú
svoje pravidlá, svoje zákony. Začiatky a konce. Tento príbeh
— povedal by som — je prepočutý.
Príbeh, ktorý hodláte čítať, nie je ani román, ani novela.
Tie majú svoje pravidlá, svoje zákony.
Začiatky a konce.
Tento príbeh — povedal by som — je prepočutý.
20. 10. 2011 5
Problémy
● Segmentácia je podstatná pri alignmente
● Problém v prípade, že česká segmentácia pracuje inak ako slovenská
Alignment Česká veta Slovenská veta
2 - 1"Pryč ode mne, vy zloto! <s> Co vám udělaly ty
kačátka?
„Preč odo mňa, vy lotri! čo vám urobili tie kačičky?
2 - 1 — <s> Viktor nevnímal hovor a zmatek ve vagónu.
Viktor nevnímal vravu a zmätok vo vagóne.
1 - 2 Stáří 23 let. Zoolingvistka.Vek dvadsaťtri rokov. <s>
Zoolingvistka.
1 - 2 II/ MODLITBA II <s> MODLITBA
<s> označuje rozdelenie na vety
20. 10. 2011 6
Zdroje korpusu
● Knihy● Acquis JRC● Official Journal Európskej únie● Webstránka Európskej komisie
Zdroj Slová CS Slová SK Tokeny CS Tokeny SK Vety
Knihy 6.6 mil 6.6 mil 8.1 mil 8.1 mil 550.6 k
Acquis 20.4 mil 20.6 mil 24.3 mil 24.4 mil 926.1 k
Journal 45.5 mil 45.5 mil 56.4 mil 56.3 mil 2.9 mil
Ec-Europa
0.4 mil 0.4 mil 0.4 mil 0.4 mil 24.2 k
Total 72.9 mil 73.1 mil 89.2 mil 89.2 mil 4.4 mil
20. 10. 2011 7
Zdroje korpusu I - knihy
● Pripravený SAV● Veľmi dobrý zdroj dát pre MT, problematický môže byť
alignment (málo štrukturované texty)● 118 kníh (cs->sk, sk->cs a en->cs,sk), vlastný alignment● Problém získať takýto zdroj, limitované použitie
20. 10. 2011 8
Zdroje korpusu II - Acquis
● Voľne dostupný paralelný viacjazyčný korpus dokumentov EÚ● Oficiálny alignment● České a slovenské texty boli vytvorené ako preklady z ďalšieho
jazyka, väčšinou angličtiny● Veľké množstvo textov, ale obmedzená slovná zásoba, veľká
časť viet sa opakuje – nutné kombinovať s inými zdrojmi
Zdroj Vety spolu Jedinečné vety %
Acquis CZ 926082 608086 65.66
Acquis SK 926082 632916 68.34
Knihy CZ 153478 148705 96.89
Knihy SK 153478 149152 97.18
20. 10. 2011 9
Zdroje korpusu III – Official Journal
● Opäť dokumenty EU, v 23 jazykoch● Podobné dáta ako Acquis, podobné problémy● Oficiálny alignment aj na úrovni viet
20. 10. 2011 10
Zdroje korpusu IV – Stránka European Commision
● Rôzne jazykové varianty tej istej stránky, ktoré sa líšia príponou v URL
● Slovenské a české texty vznikli najčastejšie ako preklad z angličtiny
● Veľa nepreložených odstavcov v českých a slovenských stránkach
● Na sťahovanie stránok bol implementovaný špeciálny web crawler
● Stiahnuté stránky boli ďalej prečistené od html kódu a deduplikované
20. 10. 2011 11
Využitie korpusu
20. 10. 2011 12
Automatický preklad
● Acquis a knihy boli použité pri trénovaní, ladení a testovaní nástroja na automatický preklad Moses
● Celkom 6 prípadov (Acquis/Acquis, Acquis/Knihy, Knihy/Acquis, Knihy/Knihy, Acquis+Knihy/Acquis, Acquis+Knihy/Knihy)
● Testovacia sada – 3860 náhodne vybraných riadkov z kníh
20. 10. 2011 13
Automatický preklad - výsledky
● Na testovanie prekladu bola použitá metrika BLEU
Trénovacie / Ladiace dáta
Počet trénovacích viet
Počet ladiacich viet
BLEU
Acquis / Acquis 708406 3148 0.1808
Acquis / Knihy 708406 3802 0.2071
Knihy / Acquis 137027 3148 0.4661
Knihy / Knihy 137027 3802 0.4701
Acquis + Knihy / Acquis
845433 3148 0.4781
Acquis + Knihy / Knihy
845433 3802 0.4887
20. 10. 2011 14
Automatický preklad – ukážky výstupu
Originál"Tak vidějí, vašnosti, dali jsme jim tu radu lacino," řekli pes s
kočičkou, "zrovna jsme si něco takového na zub přáli.
Acquis/Acquis "tak vidějí, vašnosti, dali jsme im tu radu lacino," řekli pes s kočičkou, "zrovna jsme si něco takéhoto na zub přáli.
Acquis/Knihy"tak vidějí, vašnosti, dali jsme im tu radu lacino," řekli predvedenie identifikácie psa s kočičkou, "zrovna si jsme inak takéhoto na zub
přáli.
Knihy/Acquis „ nuž vidíte, pán veľkomožný, dali sme im tú radu lacno, “ povedali
pes s mačičkou, „ akurát sme si niečo takého na zub želali.
Knihy/Knihy „ nuž vidíte, pán veľkomožný, dali sme im tú radu lacno, “ povedali pes s mačičkou, „ práve sme si také čosi na zub želali.
Acquis+Knihy/Acquis
„nuž vidíte, pán veľkomožný, dali sme im tú radu lacno,“ povedali pes a mačička, „akurát sme si také čosi na zub želali.
Acquis+Knihy/Knihy
„nuž vidíte, pán veľkomožný, dali sme im tú radu lacno,“ povedali pes s mačičkou, „práve sme si také čosi na zub želali.
20. 10. 2011 15
Automatický preklad – diskusia
● Pri natrénovaní na knihách je dosiahnuté skóre podstatne vyššie ako pri natrénovaní na Acquise, hoci veľkosť trénovacích dát je 5x nižšia
● Slovná zásoba z testovacej sady vybranej z kníh sa môže nachádzať v trénovacích dátach
● Knihy vznikli na rozdiel od Acquisu vo väčšine ako preklad cs->sk a sk->cs
● Knihy zlepšia výsledky aj v prípade, že sa použijú ako ladiaca množina
● Pri spojení kníh a Acquisu nedochádza k výraznému zlepšeniu výsledkov, ktoré boli dosiahnuté pri tréningu iba na knihách
20. 10. 2011 16
Záver
● Bol vytvorený česko-slovenský paralelný korpus z niekoľkých zdrojov
● Korpus bol využitý pri automatickom preklade● Pri preklade hrá dôležitú úlohu to, z akého
zdroja trénovacie dáta pochádzajú● Stačí menšie množstvo dát, ktoré sú
rôznorodejšie
20. 10. 2011 17
Odkazy● Acquis JRC
http://optima.jrc.it/Acquis
● Stránka Európskej komisiehttp://ec.europa.eu
● Official Journalhttp://eurlex.europa.eu/JOIndex.do
● Trénovateľný tokenizérKlyueva N., Bojar O. (2008). UMC 0.1: Czech-Russian-English Multilingual Corpus. In Proceedings of International Conference Corpus Linguistics, pages 188–195.
● Hunalignhttp://mokk.bme.hu/resources/hunalign
● Moseshttp://www.statmt.org/moses