logo móvil
logo tablet

Cookies y Privacidad

Usamos cookies propias y de terceros para mejorar la experiencia de nuestros usuarios, analizar el tráfico del sitio y personalizar contenido. Si continúas navegando, asumimos que aceptas su uso. Para más información, consulta nuestra Política de Cookies

Filtrado de tablas de reordenación mediante un nuevo modelo de autocodificador recursivo para traducción automática estadística

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).

Autores: Jinying, Kong; Yating, Yang; Lei, Wang; Xi, Zhou; Tonghai, Jiang; Xiao, Li

Idioma: Inglés

Editor: Hindawi

Año: 2017

Disponible con Suscripción Virtualpro

Artículo científico


Categoría

Matemáticas

Licencia

CC BY-SA – Atribución – Compartir Igual

Consultas: 7

Citaciones: Sin citaciones


Hindawi

Mathematical Problems in Engineering

Volume 2017, Article ID 3492587, 9 pages

https://doi.org/10.1155/2017/3492587

Jinying Kong 1, 2, 3, Yating Yang 1, 2, Lei Wang 1, 2, Xi Zhou 1, 2, Tonghai Jiang 1, 2, Xiao Li 1, 2

1 , China

2 , China

3 , China

Academic Editor: Zhongwei Lin

Contact: mpe@hindawi.com

Descripción
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).

Documentos Relacionados

Temas Virtualpro