Resumen

El modelo Seq2Seq y sus variantes (ConvSeq2Seq y Transformer) surgen como una solucin novedosa y prometedora al problema de la traduccin automtica. Sin embargo, estos modelos slo se centran en explotar el conocimiento de las frases bilinges sin prestar mucha atencin a la utilizacin de fuentes externas de conocimiento lingstico, como las representaciones semnticas. Las representaciones semnticas no slo pueden ayudar a preservar el significado, sino que tambin minimizan el problema de la escasez de datos. Sin embargo, hasta la fecha, la informacin semntica apenas se ha integrado en los modelos de traduccin automtica. En este estudio, examinamos el efecto de los grafos semnticos de representacin abstracta del significado (AMR) en distintos modelos de traduccin automtica. Los resultados experimentales sobre el conjunto de datos ingls-vietnamita IWSLT15 han demostrado la eficacia del modelo propuesto, ampliando el uso de fuentes externas de conocimiento lingstico para mejorar significativamente el rendimiento de los modelos de traduccin automtica, especialmente en la aplicacin de pares de idiomas con pocos recursos.

• Materias:Algebra Algoritmos (Matemáticas) Ingeniería Lógica matemática Matemáticas
• Subjects:Algebra Agorithms (Math) Engineering Mathematical logic mathematics
• Palabras claves:Seq2seq; Transformador; Traducción automática; Representaciones semánticas; Representación abstracta del significado; Pares de lenguas de escasos recursos.
• Keywords:Seq2seq; Transformer; Machine translation; Semantic representations; Abstract meaning representation; Low-resource language pairs