Resumen

En los sistemas de traducción automática basados en frases (PBMT), la tabla de reordenación y la tabla de frases son muy grandes y redundantes. A diferencia de la mayoría de los trabajos anteriores, cuyo objetivo es filtrar la tabla de frases, este artículo propone un nuevo modelo de red neuronal profunda para podar la tabla de reordenación. Planteamos la tarea como un problema de aprendizaje profundo en el que entrenamos conjuntamente dos modelos: un modelo generativo para implementar la incrustación de reglas y un modelo discriminativo para clasificar las reglas. La principal contribución de este artículo es que optimizamos el modelo de reordenación en PBMT filtrando la tabla de reordenación mediante un modelo autoencoder recursivo. Para evaluar el rendimiento del modelo propuesto, lo aplicamos a un corpus público para medir su capacidad de reordenación. Los resultados experimentales muestran que nuestro enfoque obtiene una alta mejora en la puntuación BLEU con menos escala de tabla de reordenación en dos pares de idiomas: inglés-chino (0,28) y uigur-chino (0,33).

• Materias:Álgebra Análisis Matemático Ingeniería Matemática aplicada Lógica matemática
• Subjects:Algebra Mathematical Analysis Engineering Applied Mathematics Mathematical logic
• Palabras claves:Traducción automática basada en frases; Sistemas PBMT; Tabla de reordenación; Tabla de frases; Modelo de red neuronal profunda; Poda de la tabla de reordenación
• Keywords:Phrase-based machine translation; PBMT systems; Reordering table; Phrase table; Deep neural network model; Pruning reordering table