Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "machine translation" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-4 z 4
    Tytuł:
    Perspektywy rozwoju tłumaczenia maszynowego (na przykładzie angielsko-rosyjskich relacji przekładowych)
    Autorzy:
    Olas, Jakub
    Powiązania:
    https://bibliotekanauki.pl/articles/1023128.pdf
    Data publikacji:
    2019-09-05
    Wydawca:
    Uniwersytet im. Adama Mickiewicza w Poznaniu
    Tematy:
    machine translation
    neural networks
    statistical machine translation
    neural machine translation
    Opis:
    Machine translation (MT) is a relatively new field of science. MT systems are evolving in certain directions. The article discusses the possibilities and the future of systems currently offered to public by the biggest technological companies focusing on English-Russian translation relations.
    Źródło:
    Studia Rossica Posnaniensia; 2019, 44, 2; 313-324
    0081-6884
    Pojawia się w:
    Studia Rossica Posnaniensia
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Knowledge graphs effectiveness in Neural Machine Translation improvement
    Autorzy:
    Ahmadnia, Benyamin
    Dorr, Bonnie J.
    Kordjamshidi, Parisa
    Powiązania:
    https://bibliotekanauki.pl/articles/1839251.pdf
    Data publikacji:
    2020
    Wydawca:
    Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie. Wydawnictwo AGH
    Tematy:
    natural language processing
    neural machine translation
    knowledge graph representation
    Opis:
    Maintaining semantic relations between words during the translation process yields more accurate target-language output from Neural Machine Translation (NMT). Although difficult to achieve from training data alone, it is possible to leverage Knowledge Graphs (KGs) to retain source-language semantic relations in the corresponding target-language translation. The core idea is to use KG entity relations as embedding constraints to improve the mapping from source to target. This paper describes two embedding constraints, both of which employ Entity Linking (EL)—assigning a unique identity to entities—to associate words in training sentences with those in the KG: (1) a monolingual embedding constraint that supports an enhanced semantic representation of the source words through access to relations between entities in a KG; and (2) a bilingual embedding constraint that forces entity relations in the source-language to be carried over to the corresponding entities in the target-language translation. The method is evaluated for English-Spanish translation exploiting Freebase as a source of knowledge. Our experimental results demonstrate that exploiting KG information not only decreases the number of unknown words in the translation but also improves translation quality
    Źródło:
    Computer Science; 2020, 21 (3); 299-318
    1508-2806
    2300-7036
    Pojawia się w:
    Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Learning cross-lingual phonological and orthographic adaptations : a case study in improving neural machine translation between low-resource languages
    Autorzy:
    Jha, Saurav
    Sudhakar, Akhilesh
    Singh, Anil Kumar
    Powiązania:
    https://bibliotekanauki.pl/articles/103899.pdf
    Data publikacji:
    2019
    Wydawca:
    Polska Akademia Nauk. Instytut Podstaw Informatyki PAN
    Tematy:
    neural machine translation
    Hindi
    Bhojpuri
    word transduction
    low resource language
    attention model
    Opis:
    Out-of-vocabulary (OOV) words can pose serious challenges for machine translation (MT) tasks, and in particular, for low-resource language (LRL) pairs, i.e., language pairs for which few or no paralel corpora exist. Our work adapts variants of seq2seq models to perform transduction of such words from Hindi to Bhojpuri (an LRL instance), learning from a set of cognate pairs built from a bilingual dictionary of Hindi-Bhojpuri words. We demonstrate that our models can be effectively used for language pairs that have limited paralel corpora; our models work at the character level to grasp phonetic and orthographic similarities across multiple types of word adaptations, whether synchronic or diachronic, loan words or cognates. We describe the training aspects of several character level NMT systems that we adapted to this task and characterize their typical errors. Our method improves BLEU score by 6.3 on the Hindi-to-Bhojpuri translation task. Further, we show that such transductions can generalize well to other languages by applying it successfully to Hindi-Bangla cognate pairs. Our work can be seen as an important step in the process of: (i) resolving the OOV words problem arising in MT tasks; (ii) creating effective parallel corpora for resource constrained languages; and (iii) leveraging the enhanced semantic knowledge captured by word-level embeddings to perform character-level tasks.
    Źródło:
    Journal of Language Modelling; 2019, 7, 2; 101-142
    2299-856X
    2299-8470
    Pojawia się w:
    Journal of Language Modelling
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    MACHINE TRANSLATION IN THE FIELD OF LAW: A STUDY OF THE TRANSLATION OF ITALIAN LEGAL TEXTS INTO GERMAN
    MASCHINELLE ÜBERSETZUNG VON RECHTSTEXTEN: EINE STUDIE ZUR ÜBERSETZUNG AUS DEM ITALIENISCHEN INS DEUTSCHE
    PRZEKŁAD MASZYNOWY W OBSZARZE PRAWA: STUDIUM PRZEKŁADU TEKSTÓW PRAWNYCH Z JĘZYKA WŁOSKIEGO NA NIEMIECKI
    Autorzy:
    WIESMANN, Eva
    Powiązania:
    https://bibliotekanauki.pl/articles/921265.pdf
    Data publikacji:
    2019-10-23
    Wydawca:
    Uniwersytet im. Adama Mickiewicza w Poznaniu
    Tematy:
    Neuronale maschinelle Übersetzung
    Rechtsübersetzung
    Übersetzungsdidaktik.
    neuronowe tłumaczenie maszynowe (NMT)
    tłumaczenie prawne
    nauczanie przekładu.
    neural machine translation
    legal translation
    translation pedagogy.
    Opis:
    With the advent of the neural paradigm, machine translation has made another leap in quality. As a result, its use by trainee translators has increased considerably, which cannot be disregarded in translation pedagogy. However, since legal texts have features that pose major challenges to machine translation, the question arises as to what extent machine translation is now capable of translating legal texts or at least certain types of legal text into another legal language well enough so that the post-editing effort is limited, and, consequently, whether a targeted use in translation pedagogy can be considered. In order to answer this question, DeepL Translator, a machine translation system, and MateCat, a CAT system that integrates machine translation, were tested. The test, undertaken at different times and without specific translation memories, provided for the translation of several legal texts of different types utilising both systems, and was followed by systematisation of errors and evaluation of translation results. The evaluation was carried out according to the following criteria: 1) comprehensibility and meaningfulness of the target text; and 2) correspondence between source and target text in consideration of the specific translation situation. Overall, the results are considered insufficient to give post-editing of machine-translated legal texts a bigger place in translation pedagogy. As the evaluation of the correspondence between source and target text was fundamentally worse than with regard to the meaningfulness of the target text, translation pedagogy should respond by raising awareness about differences between machine translation output and human translation in this field, and by improving translation approach and strengthening legal expertise.
    W związku z poprawą jakości tłumaczenia maszynowego jest ono wykorzystywane przez adeptów sztuki przekładoznawczej w coraz to większym stopniu. Teksty prawne stanowią jednak spore wyzwanie dla przekładu maszynowego, prowadząc do rozważań nad możliwością wykorzystywania tłumaczenia maszynowego właśnie do pracy nad takimi tekstami jak i nad potencjalnym zastosowaniem w nauczaniu przekładu. W celu analizy tego zagadnienia, podjęto pracę nad systemem tłumaczenia maszynowego DeepL Translator oraz systemem CAT integrującym tłumaczenie maszynowe – MateCat. Badania z wykorzystaniem obu systemów przeprowadzane były w różnym czasie, bez określonych pamięci tłumaczeniowych dla danych tekstów prawnych, dając zarazem podstawy dla oceny wyników i uszeregowania rodzajów błędów. Ocena opierała się na określonych kryteriach: 1) zrozumienie i znaczenie tekstu docelowego; 2) relacja między tekstami wyjściowym a wejściowym w określonych sytuacjach tłumaczeniowych. Wyniki okazały się być niewystarczające do uznania za przydatne w postedycji tekstów prawnych w znacznym stopniu dla nauczania przekładu. Ocena relacji tekst wejściowy-wyjściowy była znacznie niższa niż ta dotycząca znaczenia tekstu, stąd postuluje się, że nauczanie przekładu powinno prowadzić do zwiększenia świadomości, że między rezultatem przekładem maszynowym a tłumaczeniem ludzkim występują różnice oraz usprawnień w obszarze kompetencji prawnych i prawniczych jak i w podejściu translatorskim.
    Mit der Ablösung der statistischen durch die neuronale Übersetzung hat die maschinelle Übersetzung einen weiteren Qualitätssprung gemacht. Dadurch ist auch ihre Nutzung durch Übersetzerinnen und Übersetzer in der Ausbildung stark gestiegen, was bei der Ausrichtung der Didaktik und der Bewertung der studentischen Leistungen nicht unberücksichtigt bleiben kann. Da nun aber Rechtstexte Merkmale haben, die die maschinelle Übersetzung vor größere Herausforderungen stellen, fragt sich, inwieweit die maschinelle Übersetzung heute schon in der Lage ist, auch Rechtstexte oder zumindest bestimmte Textsorten oder Teile von Textsorten so gut in eine andere Rechtssprache zu übertragen, dass sich der Aufwand an Post-Editing in Grenzen hält, und ob folglich ein gezielter Einsatz in der Didaktik in Erwägung gezogen werden kann. Auf dem Prüfstand stehen zwei kostenlos online zur Verfügung stehende Systeme, DeepL Translator und MateCat. Während DeepL Translator ein reines mit Linguee trainiertes System der neuronalen maschinellen Übersetzung ist, handelt es sich bei MateCat um ein CAT-System mit Integration der zunächst statistischen und heute neuronalen maschinellen Übersetzung, das einerseits eine Nutzung eigener Ressourcen oder von MyMemory und andererseits eine Auswahl unter verschiedenen Systemen der maschinellen Übersetzung oder eine Nutzung einer Kombination von Systemen der maschinellen Übersetzung erlaubt. Das Versuchsdesign sieht die mehrfach in verschiedenen Zeitabständen erfolgende italienisch-deutsche Übersetzung von Texten verschiedener Textsorten der Rechtsetzung (Gesetze), Rechtspraxis (notarielle Immobilienkaufverträge, Klageschriften, Gerichtsurteile, Vollmachten) und Rechtslehre (rechtswissenschaftliche Aufsätze) mit beiden Systemen und die anschließende Systematisierung der Fehler und die Bewertung der Übersetzungsergebnisse vor. Bei der Auswahl der Texte wurde nicht nur auf die Provenienz aus den verschiedenen rechtlichen Handlungsbereichen geachtet, sondern auch auf den unterschiedlichen, mit DyLan TextTools ermittelten Schwierigkeitsgrad. Die Bewertung erfolgt nach dem rein den Zieltext betreffenden Kriterium Verständlichkeit bzw. Sinnhaftigkeit und dem die Relation zwischen Ausgangstext und Zieltext betreffenden Kriterium Entsprechung unter Berücksichtigung der Übersetzungssituation. Insgesamt ist das Ergebnis noch zu schlecht, um dem Post-Editing von maschinell übersetzten Rechtstexten in der Didaktik einen größeren Platz einzuräumen. Beim rechtswissenschaftlichen Aufsatz, beim Gesetz und beim Tatbestand der Klageschrift wurden aber vergleichsweise gute Ergebnisse erzielt. Die Bewertung fiel bei der Relation zwischen Ausgangstext und Zieltext grundsätzlich schlechter als in Bezug auf die Verständlichkeit bzw. Sinnhaftigkeit des Zieltextes aus. Darauf muss die Didaktik mit einer Verbesserung des übersetzerischen Vorgehens und einer Stärkung der Fachkompetenz antworten. Außerdem muss sie das Bewusstsein für die Unterschiede zwischen Human- und maschineller Übersetzung schärfen. 
    Źródło:
    Comparative Legilinguistics; 2019, 37, 1; 117-153
    2080-5926
    2391-4491
    Pojawia się w:
    Comparative Legilinguistics
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-4 z 4

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies