JP2009294747A - 統計的機械翻訳装置 - Google Patents
統計的機械翻訳装置 Download PDFInfo
- Publication number
- JP2009294747A JP2009294747A JP2008145533A JP2008145533A JP2009294747A JP 2009294747 A JP2009294747 A JP 2009294747A JP 2008145533 A JP2008145533 A JP 2008145533A JP 2008145533 A JP2008145533 A JP 2008145533A JP 2009294747 A JP2009294747 A JP 2009294747A
- Authority
- JP
- Japan
- Prior art keywords
- class
- smt
- model
- probability
- sentence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013519 translation Methods 0.000 title claims abstract description 86
- 238000012549 training Methods 0.000 claims abstract description 86
- 239000013598 vector Substances 0.000 claims abstract description 17
- 238000010606 normalization Methods 0.000 claims description 10
- 230000014616 translation Effects 0.000 description 75
- 238000000605 extraction Methods 0.000 description 26
- 238000000034 method Methods 0.000 description 21
- 230000001419 dependent effect Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 19
- 238000011161 development Methods 0.000 description 18
- 238000011156 evaluation Methods 0.000 description 17
- 238000002474 experimental method Methods 0.000 description 15
- 238000013459 approach Methods 0.000 description 11
- 239000000284 extract Substances 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 238000005457 optimization Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 241000271274 Cleopatra Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Landscapes
- Machine Translation (AREA)
Abstract
【解決手段】SMTシステム30は、ソース文48のクラスメンバーシップを表す確率ベクトルW1、W2及びW3を決定する分類器92と。それぞれのクラスのトレーニングデータで統計的にトレーニングされたクラス特定SMTサブシステムと、サブシステムから出力された確率を補間することによって計算されたターゲット言語の可能な単語シーケンスの確率に従って、最も尤度の高い翻訳仮説50を推定するためのデコーダ96とを含む。
【選択図】 図1
Description
ヒロフミ ヤマモトら、2007年。統計的機械翻訳のためのバイリンガルクラスタベースモデル。EMNLP−CoNLL−2007(ACL2007に続くコンピュータによる自然言語学習ジョイントミーティング、自然言語処理大会における実験方法カンファレンス)、プラハ、チェコ共和国、第514−523ページ。
アンドリュー フィンチら、2007年。NICT/ATR IWSLT2007のための音声翻訳システム。IWSLT2007年、トレント、イタリア。
ジョージ フォスター 及びローランド クーン、2007年。SMTのための混合モデルの適応。統計的機械翻訳に関する第2回ワークショップ予稿集、ACL、第128−135ページ、プラハ、チェコ共和国。
この実施の形態は、多数のSMTシステムを重み付けして組合せ、システム中の全てのモデルについて、トピック依存モデル間の確率的に柔軟な重みづけを可能にする。この実施の形態はこの技術を応用したもので、疑問文及び叙述文のためのクラスベースのモデルを構築し組合せることによって、対話システムの品質を改善する。
2.1システムアーキテクチャ
後述する図1は、このシステムの全体構造を示す。データはクラスに分けられ、さらに各クラスについて、トレーニングセットと開発セットとに細分される。3個の完全なSMTシステムが構築される。各クラスのための1つと、両方のクラスからのデータについての1つとである。確率分類器(次の項で述べる)もまた、トレーニングデータの完全なセットからトレーニングされる。
3.1問題の概要
ある特定のクラス(この実施の形態では、疑問又は叙述)のソース文が与えられる場合、生成されるターゲット文が確実に適切なクラスであることが望まれる。これは必ずしも、ソースで質問が与えられるとターゲットで質問が生成されなければならない、という意味ではない。しかし、少なくとも直観的には、ソースの質問からはターゲットの質問が、ソースの叙述からはターゲットの叙述が生成できるはずだと仮定するのが合理的であろう。これが合理的なのは、機械翻訳エンジンの役割が、ソースから可能な全ての翻訳を生成することではなく、1つの受容可能な翻訳を生成できるようにすることだからである。この仮定から、進むべきもっともふさわしい方策が2つ導かれる。
この実施の形態では、最大エントロピ(Maximum Entropy:ME)分類器を用い、語彙的特徴量の集合を用いて入力ソース文が属するクラスを決定する。すなわち、分類器を用いて、クラス特定モデルの混合重みを設定する。最近は、この様な分類器が、さまざまな自然言語処理課題において多数の語彙的特徴量を利用して有力なモデルを生成している。例えば、ロナルド ローゼンフェルド、1996を参照(ロナルド ローゼンフェルド、1996年。適応的統計的言語モデル化への最大エントロピアプローチ。コンピュータ音声及び言語。10:187−228)(Ronald Rosenfeld. 1996. A maximum entropy approach to adaptive statistical language modeling. Computer Speech and Language. 10:187-228)MEモデルは以下の形の指数モデルである。
tは予測されるクラス、
cはtの文脈、
γは正規化係数、
Kはモデル中の特徴量の数、
αkは特徴量fkの重み、
fkは二次特徴量関数、
p0はデフォルトモデルであり、
これらはソース文中の、文のクラスを予測するための特徴量である。
図1はこの実施の形態のSMTシステム30の全体構造を示す。図1を参照して、SMTシステム30は、クラス依存SMTモデル、ソース文を分類するために用いられる分類器モデル、及びSMTデコーダ内で用いられる句テーブルをトレーニングするためのトレーニングモジュール44を含む。トレーニングセット42はトレーニングデータとして用いられる。トレーニングモジュール44はさらに、一般SMTモデルに割当てられる重みW1を推定する。重みは、開発セット40に基づいて推定される。バイリンガルコーパスはクラスに分けられ、さらに、各クラスについてトレーニングセットと開発セットとに細分される。
<全体手順>
SMTシステムは以下のように動作する。SMTシステム30は大まかに言って2つの動作段階を含む。トレーニング段階と翻訳段階である。
図2を参照して、一般SMTトレーニングモジュール130はトレーニングセット42の全データに基づいて一般SMTモデル160をトレーニングする。SMTモデルのトレーニングは通常の方法で行われる。
図4を参照して、特徴量抽出モジュール290は、トレーニングセット42の文の対のソース文の各々から図10に示す特徴量抽出モジュール460によって抽出されるのと同じ特徴量の組を抽出する。記憶部292は抽出された特徴量の組をターゲット側の文の各々の文ラベル(質問/叙述)とともに記憶する。その後最大エントロピモデリングモジュール294が記憶部292に記憶された特徴量の組と文ラベルとに基づいて、式(1)に従って分類モデル110のパラメータを計算する。
図3を参照して、自動アライメントモジュール240は、トレーニングセット42の文の対の各々について、ソース文の単語とターゲット文の単語とを対応付ける。句抽出モジュール242は、対応付けされた文の対から、句の対を抽出する。ここで、句抽出モジュール242は、ターゲット文中の連続した単語に対応付けられたソース文中の連続した単語のシーケンスを見出し、これら単語シーケンスの対を句の翻訳対として抽出する。抽出した句の対は、一般句テーブル244に記憶される。
重みW1の最適化には開発セット40が用いられる。図5を参照して、開発セット40内のソース文の各々がSMT装置46によって翻訳され、翻訳セット310ができる。BLEU評価器320が翻訳の各々のBLEUスコアを評価する。開発セット40内のターゲット側の文は、この評価において基準翻訳として用いられる。BLEUスコアの平均が計算され記憶される。
ラベル(質問/叙述)なしの入力文48が分類器92(図1及び図10を参照)に与えられると、特徴量抽出モジュール460は入力文48から特徴量の組を抽出し、その特徴量の組を確率計算モジュール462に与える。確率計算モジュール462は、特徴量の組を分類器モデル110に適用することによって、入力文48が質問である確率を計算する。計算された確率PQは正規化モジュール94の減算器442及び乗算器446の入力に与えられる。分類器92から与えられた確率PQに基づいて、正規化モジュール94は、重みW1、W2及びW3の和が1となるように重みW2及びW3を正規化し、重みW1、W2及びW3をSMTモジュール96に与える。
6.1 実験データ
提案された技術を評価するために、旅行会話コーパスについて実験を行った。実験用コーパスは、BTECコーパスの旅行用構成課題であり(キクイら、2003年。音声対音声翻訳のためのコーパスの生成。EUROSPEECH予稿集、第381−384ページ)、(Kikui, et al., 2003. Creating Corpora for Speech-to-Speech Translation. In Proceedings of EUROSPEECH, pages 381-384)英語をターゲットとし、他の言語の各々をソース言語とした。トレーニング、開発、及び評価コーパス統計はテーブル1に示すとおりである。評価コーパスでは、一文につき16個の参照翻訳文がある。
(テーブル1)
実験で用いたデコーダ、CleopATRa(クレオパトラ)は、PHARAOH(ファラオ)(フィリップ コーエン、2004年。ファラオ:句ベースの統計的機械翻訳モデルのためのビームサーチデコーダ。機械翻訳:実際のユーザから研究まで:第6回AMTAカンファレンス、ワシントンDC,シュプリンガーフェラーク、第115−124ページ)(Philipp Koehn. 2004. Pharaoh: a beam search decoder for phrase-based statistical machine translation models. Machine translation: from real users to research: 6th conference of AMTA, Washington, DC, Springer Verlag, pp. 115-124.)及びMOSES(モーゼ)(フィリップ コーエンら、2007年。モーゼ:統計的機械翻訳のためのオープンソースツールキット、ACL2007:デモ及びポスターセッション予稿集、プラハ、チェコ共和国、第177−180ページ)(Philipp Koehn et al., 2007. Moses: open source toolkit for statistical machine translation, ACL 2007: proceedings of demo and poster sessions, Prague, Czech Republic, pp. 177-180.)デコーダと同じ原理で動作する、出願人組織内のフレーズベースの統計的デコーダである。デコーダはこれらの実験で、MOSESとほぼ同一の出力を生成するように構成された。デコーダは、モデルの多数の組を扱い、重みづけられた入力を受容し、デコードの間にダイナミックな補間処理を組入れるように修正された。
提案されたアプローチについて最も懸念されるのは、多数のモデルを扱う場合に起こりうる、リソースについての過大な要求である。しかしながら、この実験で用いるデコーダの重要な特徴の一つは、そのモデルをディスクに置き、モデルのうち、手元の文をデコードするのに必要な部分のみをロードできる能力である。これによって、多数のモデルをロードする際に、デコード時間をそれとわかるほど悪化させることなく、メモリのオーバーヘッドが減じられる。さらに、検索開始前に、各文のモデルのほとんどについて、補間可能性を前もって計算することができ、これによって検索メモリと処理時間の両方を減じることができる。
デコーダパラメータの調整のために、それぞれの開発コーパスを用いて、BLEUスコアに対する最少誤差トレーニングを行った。SRI言語モデリングツールキット(アンドレアス ストルク1999年。SRILM−拡張可能言語モデルツールキット)(Andreas Stolcke. 1999. SRILM - An Extensible Language Model Toolkit. http://www.speech.sri.com/projects/srilm/)とウィットン−ベル平滑化を用いて構築した5グラム言語モデルを用いた。モデルは長さモデルを含み、さらに、PHARAOHデコーダで用いられる単純な距離ベースのディストーションモデルも含む。
補間重みは、0から1の範囲で0.1ずつ増分する重みの組によって開発セットのBLEUスコアを最大化することで調整された。図13はこの発明の2つのモデルの重みパラメータに対する挙動を示したものである。
ここで提案するアプローチの利点をバランスよく見るために、実験では、このシステムの評価に6種類の評価技術を用いた。すなわち、BLEU(キショー パピネニら、2001年。Bleu:機械翻訳の自動評価方法。IBM調査レポート、RC22176、9月17日)(Kishore Papineni et al., 2001. Bleu: a method for automatic evaluation of machine translation. IBM Research Report, RC22176, September 17.)、NIST(ジョージ ドディントン、2002。nグラムの同時出現統計を用いた機械翻訳品質の自動評価。人間言語技術カンファレンス予稿集、サンディエゴ、カリフォルニア、第138−145ページ)(George Doddington. 2002 Automatic evaluation of machine translation quality using n-gram co-occurrence statistics. Proceedings of Human Language Technology Conference, San Diego, California, pp. 138-145.)、WER(Word Error Rate:単語誤り率)、PER(Position independent WER:位置独立WER)、GTM(General Text Matcher:汎用テキスト一致器)、及びMETEOR(サタニエフ バネリジ及びアロン ラビ、2005年。人の判断との相関が改善されたMT評価のための自動メトリック、ACL―2005:機械翻訳及び/又は要約のための内在的及び外在的評価尺度に関するワークショップ、第65−72ページ)(Satanjeev Banerjee and Alon Lavie. 2005. METEOR:an automatic metric for MT evaluation with improved correlation with human judgments. ACL-2005: Workshop on Intrinsic and Extrinsic Evaluation Measures for Machine Translation and/or Summarization, pp. 65-72.)である。
分類器の性能(トレーニングセットの10分割相互検証による)を表2に示す。ソース(同じ言語)とターゲット(英語)の句読法を予測する分類精度の数字を示した。当然のことながら、全てのシステムで、それ自身の句読法はより良く予測された。表でスコアが悪いものは、言語的特性(おそらくは、ソース文の質問がターゲットではしばしば陳述として表わされる)又はコーパス自体の特性を反映してものであろう。全ての言語について、分類器の精度は、特にコーパスそのものに一貫性を欠く可能性があること(従ってこの実験でのテストデータもそうであること)を考えれば、満足のいくものと思われる。
ここで提案した方法を、このシステムのハード重みを用いた実現例と比較するための実験を行った。その目的は、このフレームワーク内で、先行技術の非特許文献1で提案されたシステムにできる限り近づいてみることであった。分類確率でクラス特定モデルに重みを付けることに代えて、1と0との重みを用いた。これを達成するために、分類器からの確率を、確率が>0.5であれば1の重みを与え、そうでなければ0の重みを用いるように2値化処理した。このシステムの性能を、表4の「ハード」という見出しの欄に示す。1つを除く全ての条件下で、このシステムよりも、発明で提案したアプローチのほうが性能が勝っているか、又は等しかった。
上述の実施の形態では、質問に特定のSMTエンジンと叙述に特定のSMTエンジンとからの2つのモデルを単一のデコード処理に組合せた。しかし、この発明は2つのクラスのシステムに限定されるものではない。式1から明らかなとおり、この発明は3又はそれ以上のクラスを含むシステムに適用可能である。
40 開発セット
42 トレーニングセット
44 トレーニングモジュール
46 SMT装置
48 入力文
50 翻訳
70 重み推定モジュール
72 分類器トレーニングモジュール
74 SMTトレーニングモジュール
76 句テーブル生成モジュール
92 分類器
96 SMTモジュール
110 分類器モデル
112 クラス特定SMTモデル
114 句テーブル
130 SMTトレーニングモジュール
134 質問特定SMTトレーニングモジュール
138 叙述特定SMTトレーニングモジュール
160 一般SMTモデル
162 質問特定SMTモデル
164 叙述特定SMTモデル
290及び460 特徴量抽出モジュール
294 最大エントロピモデリングモジュール
324 重み最適化モジュール
340 一般SMTサブシステム
342 質問特定SMTサブシステム
344 叙述特定SMTサブシステム
362 デコーダ
Claims (6)
- ソース文のクラスメンバーシップを表す確率のベクトルを決定するための手段を含み、前記ベクトルの要素はソース文が予め定められたクラスの集合の1つに属する確率を表し、さらに、
前記予め定められたクラスの集合のクラスそれぞれについて設けられた、複数個のクラス特定統計的サブデコーダをさらに含み、前記デコーダはそれぞれのクラスのトレーニングデータのそれぞれの集合によって統計的にトレーニングされ、前記デコーダの各々は前記ソース文中の単語又は単語シーケンスの各々について、ターゲット言語での翻訳単語又は単語シーケンスの確率を出力し、
前記ターゲット言語の可能な単語シーケンスの確率に従って、前記ソース文の前記ターゲット言語における最も尤度の高い翻訳仮説を推定するための手段をさらに含み、前記ターゲット言語の可能な単語シーケンスの前記確率は、前記複数個のサブデコーダによって出力される確率を前記ターゲット言語の単語又は単語シーケンスの各々についての前記確率ベクトルに従って補間することによって計算される、統計的機械翻訳装置。 - 前記複数個のクラスは一般クラスと複数個の特定クラスとを含み、
前記複数個の特定クラスは、前記一般クラスを分割したものである、請求項1に記載の統計的機械翻訳装置。 - 前記一般クラスに対応する前記ベクトルの1要素は、0から1の範囲の定数である、請求項1又は請求項2に記載の統計的機械翻訳装置。
- 前記ベクトルの要素を正規化して、前記要素の和が1となるようにするための正規化手段をさらに含む、請求項1〜請求項3のいずれかに記載の統計的機械翻訳装置。
- 前記確率のベクトルを決定するための手段は、最大エントロピモデルに基づいて統計的にトレーニングされ、前記クラスのそれぞれにメンバーシップ確率を割当てる、請求項1〜請求項4のいずれかに記載の統計的機械翻訳装置。
- 前記複数個のクラス特定統計的サブデコーダの各々は、クラス特定言語モデル、クラス特定翻訳モデル、クラス特定長さモデル、又はクラス特定ディストーションモデル、又はこれらモデルの任意の組合せに従って確率を計算する、請求項1〜請求項5のいずれかに記載の統計的機械翻訳装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2008145533A JP5288371B2 (ja) | 2008-06-03 | 2008-06-03 | 統計的機械翻訳装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2008145533A JP5288371B2 (ja) | 2008-06-03 | 2008-06-03 | 統計的機械翻訳装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2009294747A true JP2009294747A (ja) | 2009-12-17 |
JP5288371B2 JP5288371B2 (ja) | 2013-09-11 |
Family
ID=41542918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2008145533A Active JP5288371B2 (ja) | 2008-06-03 | 2008-06-03 | 統計的機械翻訳装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5288371B2 (ja) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011180941A (ja) * | 2010-03-03 | 2011-09-15 | National Institute Of Information & Communication Technology | 句テーブル生成器及びそのためのコンピュータプログラム |
US9530161B2 (en) | 2014-02-28 | 2016-12-27 | Ebay Inc. | Automatic extraction of multilingual dictionary items from non-parallel, multilingual, semi-structured data |
US9569526B2 (en) | 2014-02-28 | 2017-02-14 | Ebay Inc. | Automatic machine translation using user feedback |
JP2017097882A (ja) * | 2015-11-24 | 2017-06-01 | 株式会社Nttドコモ | 機械翻訳評価方法および装置、並びに機械翻訳方法および装置 |
US9798720B2 (en) | 2008-10-24 | 2017-10-24 | Ebay Inc. | Hybrid machine translation |
US9881006B2 (en) | 2014-02-28 | 2018-01-30 | Paypal, Inc. | Methods for automatic generation of parallel corpora |
US9940658B2 (en) | 2014-02-28 | 2018-04-10 | Paypal, Inc. | Cross border transaction machine translation |
CN109960814A (zh) * | 2019-03-25 | 2019-07-02 | 北京金山数字娱乐科技有限公司 | 模型参数搜索方法以及装置 |
CN113435215A (zh) * | 2021-06-22 | 2021-09-24 | 北京捷通华声科技股份有限公司 | 一种机器翻译方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000509173A (ja) * | 1996-04-03 | 2000-07-18 | シーメンス アクチエンゲゼルシヤフト | デジタルデータへの変換後にドキュメントにプロットされるテキストの自動分類方法 |
JP2005285129A (ja) * | 2004-03-30 | 2005-10-13 | Microsoft Corp | 論理形式のための統計的言語モデル |
JP2006338261A (ja) * | 2005-06-01 | 2006-12-14 | Nippon Telegr & Teleph Corp <Ntt> | 翻訳装置、翻訳方法及び翻訳プログラム |
JP2007249050A (ja) * | 2006-03-17 | 2007-09-27 | Nippon Telegr & Teleph Corp <Ntt> | 言語モデル作成装置、言語モデル作成方法、そのプログラムおよびその記録媒体 |
JP2008059440A (ja) * | 2006-09-01 | 2008-03-13 | National Institute Of Information & Communication Technology | 翻訳装置、クラスタ生成装置、クラスタの製造方法、およびプログラム |
-
2008
- 2008-06-03 JP JP2008145533A patent/JP5288371B2/ja active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000509173A (ja) * | 1996-04-03 | 2000-07-18 | シーメンス アクチエンゲゼルシヤフト | デジタルデータへの変換後にドキュメントにプロットされるテキストの自動分類方法 |
JP2005285129A (ja) * | 2004-03-30 | 2005-10-13 | Microsoft Corp | 論理形式のための統計的言語モデル |
JP2006338261A (ja) * | 2005-06-01 | 2006-12-14 | Nippon Telegr & Teleph Corp <Ntt> | 翻訳装置、翻訳方法及び翻訳プログラム |
JP2007249050A (ja) * | 2006-03-17 | 2007-09-27 | Nippon Telegr & Teleph Corp <Ntt> | 言語モデル作成装置、言語モデル作成方法、そのプログラムおよびその記録媒体 |
JP2008059440A (ja) * | 2006-09-01 | 2008-03-13 | National Institute Of Information & Communication Technology | 翻訳装置、クラスタ生成装置、クラスタの製造方法、およびプログラム |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9798720B2 (en) | 2008-10-24 | 2017-10-24 | Ebay Inc. | Hybrid machine translation |
JP2011180941A (ja) * | 2010-03-03 | 2011-09-15 | National Institute Of Information & Communication Technology | 句テーブル生成器及びそのためのコンピュータプログラム |
US9530161B2 (en) | 2014-02-28 | 2016-12-27 | Ebay Inc. | Automatic extraction of multilingual dictionary items from non-parallel, multilingual, semi-structured data |
US9569526B2 (en) | 2014-02-28 | 2017-02-14 | Ebay Inc. | Automatic machine translation using user feedback |
US9805031B2 (en) | 2014-02-28 | 2017-10-31 | Ebay Inc. | Automatic extraction of multilingual dictionary items from non-parallel, multilingual, semi-structured data |
US9881006B2 (en) | 2014-02-28 | 2018-01-30 | Paypal, Inc. | Methods for automatic generation of parallel corpora |
US9940658B2 (en) | 2014-02-28 | 2018-04-10 | Paypal, Inc. | Cross border transaction machine translation |
JP2017097882A (ja) * | 2015-11-24 | 2017-06-01 | 株式会社Nttドコモ | 機械翻訳評価方法および装置、並びに機械翻訳方法および装置 |
CN109960814A (zh) * | 2019-03-25 | 2019-07-02 | 北京金山数字娱乐科技有限公司 | 模型参数搜索方法以及装置 |
CN109960814B (zh) * | 2019-03-25 | 2023-09-29 | 北京金山数字娱乐科技有限公司 | 模型参数搜索方法以及装置 |
CN113435215A (zh) * | 2021-06-22 | 2021-09-24 | 北京捷通华声科技股份有限公司 | 一种机器翻译方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
JP5288371B2 (ja) | 2013-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5288371B2 (ja) | 統計的機械翻訳装置 | |
Artetxe et al. | An effective approach to unsupervised machine translation | |
Yeh | Speech act identification using semantic dependency graphs with probabilistic context-free grammars | |
KR102329127B1 (ko) | 방언을 표준어로 변환하는 방법 및 장치 | |
Mauser et al. | Extending statistical machine translation with discriminative and trigger-based lexicon models | |
KR20190039817A (ko) | 신경 기계 번역 시스템 | |
WO2010046782A2 (en) | Hybrid machine translation | |
WO2006138386A2 (en) | Collocation translation from monolingual and available bilingual corpora | |
Kirchhoff et al. | Improved language modeling for statistical machine translation | |
Finch et al. | Dynamic model interpolation for statistical machine translation | |
Devlin et al. | Statistical machine translation as a language model for handwriting recognition | |
Prasad et al. | BBN TransTalk: Robust multilingual two-way speech-to-speech translation for mobile platforms | |
Gu et al. | Concept-based speech-to-speech translation using maximum entropy models for statistical natural concept generation | |
JP5500636B2 (ja) | 句テーブル生成器及びそのためのコンピュータプログラム | |
Justo et al. | Integration of complex language models in ASR and LU systems | |
Blackwood | Lattice rescoring methods for statistical machine translation | |
Zarnoufi et al. | Machine normalization: Bringing social media text from non-standard to standard form | |
Sridhar et al. | Enriching machine-mediated speech-to-speech translation using contextual information | |
Aransa | Statistical machine translation of the Arabic language | |
Khalilov et al. | Neural network language models for translation with limited data | |
Vaičiūnas et al. | Statistical language models of Lithuanian based on word clustering and morphological decomposition | |
Antony et al. | Statistical method for English to Kannada transliteration | |
Pham et al. | Adaptation in Statistical Machine Translation for Low-resource Domains in English-Vietnamese Language | |
Berrichi et al. | A word alignment study to improve the reliability of the statistical and neural translation system | |
Garcia-Varea et al. | Maximum Entropy Modeling: A Suitable Framework to Learn Context-Dependent Lexicon Models for Statistical Machine Translation: Basic Instructions |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20110601 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20130319 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20130417 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20130507 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20130528 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5288371 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |