Μοντελοποίηση γλώσσας για συστήματα μηχανικής μετάφρασης με μονόγλωσσο σώμα κειμένων
Bibliographic record
Abstract
Η διδακτορική διατριβή του υποψήφιου είχε ως αντικείμενο την εύρεση ενός αποδοτικού τρόπου ανάλυσης της γλωσσάς ώστε να εφαρμοσθεί σε ένα σύστημα μηχανικής μετάφρασης με μονόγλωσσο σώμα κειμένων καθώς και η βελτιστοποίηση των παραμέτρων του γλωσσικού μοντέλου εφαρμόζοντας εξελικτικούς αλγορίθμους και η αξιοποίηση υπαρχόντων μετρικών αυτόματης αξιολόγησης ώστε μέσα από το συνδυασμό τους να αξιολογούνται αντικειμενικότερα τα αποτελέσματα της μεταφραστικής διαδικασίας. Αναλυτικότερα στο πρώτο μέρος της διατριβής προτάθηκε το μοντέλο της γλώσσας για το μεταφραστικό σύστημα. Το μοντέλο επιτρέπει την αντιστοίχιση μιας πρότασης στη γλώσσα πηγή σε προτάσεις από το σώμα κειμένων της γλώσσας στόχου μέσα από μια συνθέτη διαδικασία σύγκρισης ανάμεσα σε προτάσεις των δύο γλωσσών σε δύο επίπεδα, σε επίπεδο λέξεων και σε επίπεδο φράσεων οι οποίες προκύπτουν μετά από συντακτική ανάλυση των προτάσεων. Οι συγκρίσεις εκτελούνται με τη χρήση του αλγορίθμου αναγνώρισης προτύπων Hungarian σε συνδυασμό με μια σειρά αριθμητικών παραμέτρων του μεταφραστικού μοντέλου. Αρχικά περιγράφεται το μεταφραστικό σύστημα METIS II και η μέθοδος αναπαράστασης και αποθήκευσης κάθε πληροφορίας αναφορικά με το μονόγλωσσο σώμα κείμενων και στη συνέχεια η διαδικασία εφαρμογής του μοντέλου της γλώσσας στο μεταφραστικό σύστημα συνοδευόμενη από τα αποτελέσματα της αξιολόγησης της ποιότητας της μετάφρασης χρησιμοποιώντας καθιερωμένες μετρικές αυτόματης αξιολόγησης καθώς και σύγκριση με ένα καθιερωμένα εμπορικό σύστημα μηχανικής μετάφρασης. Στο δεύτερο μέρος της διατριβής παρουσιάζεται η μέθοδος βελτιστοποίησης των παραμέτρων του μοντέλου. Εξαιτίας τις ιδιαίτερης φύσης του γλωσσικού μοντέλου δεν μπορούν να εφαρμοσθούν άμεσα οι κλασσικές τεχνικές βελτιστοποίησης των στατιστικών συστημάτων μηχανικής μετάφρασης. Για τον λόγο αυτό επιλέξαμε να υλοποιήσουμε μια πρωτότυπη μέθοδο για τη βελτιστοποίηση των παραμέτρων η οποία βασίζεται στους εξελικτικούς αλγορίθμους (Evolutionary Algorithms) και πιο συγκεκριμένα τους Γενετικούς Αλγορίθμους (Genetic Algorithms) και τον πολυκριτηριακό εξελικτικό αλγόριθμο SPEA2. Αν και η φύση των αλγορίθμων αυτών τους καθιστά ιδανικούς για το συγκεκριμένο πρόβλημα στον τομέα της μηχανικής μετάφρασης δεν έχουν χρησιμοποιηθεί για τη βελτιστοποίηση της ποιότητας της μετάφρασης. Με την εφαρμογή των εξελικτικών αλγορίθμων στη βελτιστοποίηση των παραμέτρων του μεταφραστικού συστήματος εκτελέστηκαν πειράματα που αφορούσαν την αξιοποίηση και τον συνδυασμό συγχρόνων μετρικών αυτόματης αξιολόγησης της ποιότητας της μετάφρασης ως συναρτήσεις καταλληλόλητας των αλγορίθμων. Αν και στη βιβλιογραφία υπάρχουν αναφορές συνδυασμού τέτοιων μετρικών για την εκπαίδευση στατιστικών μοντέλων σε μεταφραστικά συστήματα δεν υπάρχουν αναφορές για το συνδυασμό τους ως διακριτά κριτήρια στα πλαίσια μιας προσέγγισης Pareto. Εφαρμόζοντας τον αλγόριθμο SPEA2 στη βελτιστοποίηση των παραμέτρων παρουσιάζουμε μια μέθοδο ταυτόχρονης αξιοποίησης δυο σύγχρονων κριτηρίων αυτόματης αξιολόγησης για την αξιολόγηση της ποιότητας της μετάφρασης ενός μεταφραστικού συστήματος. Η παρουσίαση της προταθείσας μεθόδου βελτιστοποίησης συνοδεύεται από μια σειρά διεξοδικών πειραμάτων που έχουν ως σκοπό την αντικειμενική αξιολόγηση της μεθόδου και την συγκέντρωση ικανού μεγέθους αριθμητικών δεδομένων τα οποία να αποδεικνύουν την επιτυχημένη εφαρμογή της μεθόδου στο πρόβλημα της βελτιστοποίησης των παραμέτρων του μεταφραστικού συστήματος.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.093 | 0.029 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".