Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
フレーズテーブルを用いた教師なし用語対訳抽出手法の比較
Search
自然言語処理研究室
March 31, 2011
Research
0
50
フレーズテーブルを用いた教師なし用語対訳抽出手法の比較
井手上 雅迪, 山本 和英, 内山 将夫, 隅田 英一郎. フレーズテーブルを用いた教師なし用語対訳抽出手法の比較. 言語処理学会第17回年次大会, pp.178-181 (2011.3)
自然言語処理研究室
March 31, 2011
Tweet
Share
More Decks by 自然言語処理研究室
See All by 自然言語処理研究室
データサイエンス14_システム.pdf
jnlp
0
330
データサイエンス13_解析.pdf
jnlp
0
380
データサイエンス12_分類.pdf
jnlp
0
290
データサイエンス11_前処理.pdf
jnlp
0
400
Recurrent neural network based language model
jnlp
0
100
自然言語処理研究室 研究概要(2012年)
jnlp
0
100
自然言語処理研究室 研究概要(2013年)
jnlp
0
69
自然言語処理研究室 研究概要(2014年)
jnlp
0
64
自然言語処理研究室 研究概要(2015年)
jnlp
0
120
Other Decks in Research
See All in Research
Equivalence of Geodesics and Importance Weighting from the Perspective of Information Geometry
mkimura
0
130
Julia Tokyo #11 トーク: 「Juliaで歩く自動微分」
abap34
1
1.3k
Scaling Rectified Flow Transformers for High-Resolution Image Synthesis / Stable Diffusion 3
shunk031
0
430
株式会社リクルートホールディングス 企業分析
frandle256
0
130
My Journey as a UX Researcher
aranciap
0
1.1k
クリック率を最大化しない推薦システム
joisino
41
14k
Target trial emulationの概要
shuntaros
2
1.1k
眠眠ガチャ:ガチャを活用した睡眠意欲向上アプリの開発 / EC71inui
yumulab
0
120
FMP L3 Year 1 Project Proposal
haiinya
0
150
マルチモーダルLLMの応用動向の論文調査
masatoto
7
2.7k
リサーチに組織を巻き込むための「準備8割」の話
terasho
0
460
Gmail の「メール送信者のガイドライン」強化から 1 ヵ月、今後予想されるメールセキュリティの変化とは
hirachan
1
230
Featured
See All Featured
Helping Users Find Their Own Way: Creating Modern Search Experiences
danielanewman
19
1.9k
Stop Working from a Prison Cell
hatefulcrawdad
266
19k
Design by the Numbers
sachag
274
18k
What's in a price? How to price your products and services
michaelherold
237
11k
Documentation Writing (for coders)
carmenintech
59
3.9k
Teambox: Starting and Learning
jrom
128
8.4k
Debugging Ruby Performance
tmm1
70
11k
How to Ace a Technical Interview
jacobian
272
22k
No one is an island. Learnings from fostering a developers community.
thoeni
14
2.1k
個人開発の失敗を避けるイケてる考え方 / tips for indie hackers
panda_program
60
14k
Automating Front-end Workflow
addyosmani
1355
200k
It's Worth the Effort
3n
180
27k
Transcript
フレーズテーブルを用いた 教師なし用語対訳抽出手法の比較 井手上 雅迪 山本 和英 内山 将夫 隅田 英一郎
長岡技術科学大学 電気系 情報通信研究機構 MASTAR プロジェクト † † † ‡ ‡ ‡
研究背景 1 用語対訳の自動獲得 翻訳者支援 新しい対訳辞書の作成支援 自然言語処理タスクへの応用
機械翻訳の精度向上
関連研究 2 対訳コーパスの利用 (Itagaki et al., 2007) はフレーズテーブルから 専門用語対訳を抽出
フレーズテーブルは対訳の間違いを含んでい るので、分類器を学習させて間違いを除去 既存辞書の利用 要素合成法 (外池ら, 2007) 構成要素の訳語を辞書から獲得し連結 → 学習のための正解データが必要 → 対訳辞書が必要
目的 フレーズテーブルを用い て用語対訳を教師なしで抽 出 3つの尺度を使用し、そ れぞれで抽出した用語対訳 の比較 3
用語対訳抽出 4
尺度 Score F 5 正しい用語対訳を獲得するために 3つの尺度を使用 Fisher's exact test 対訳の信頼性
Score L 対数尤度比 (Loglikelihood Ratio) 構成要素同士の対応の強さ Score C CValue 用語が安定して出現する度合い
Fisher's exact test (Score_F) : 対訳の信頼性 (Howard et al., 2007)
は Fisher's exact test による有意性検定により、フレー ズテーブルから信頼性の低い対訳対 を除去 信頼性の高い用語対訳候補である 程、正しい用語対訳である可能性が 高いと仮定 Score F 6
Fisher's exact test (Score_F) C(J,E) C(J)-C(J,E) C(J) C(E)-C(J,E) N-C(J)-C(E)+C(J,E) N-C(J)
C(E) N-C(E) N N 対訳文数 C(J) 日本語側に J を含む対訳文数 C(E) 英語側に E を含む対訳文数 C(J,E) J と E を含む対訳文数 用語対訳候補 において T J , E
対数尤度比( Score_L ) (外池ら, 2007) は専門用語の訳語推定 において、構成要素の対応を考慮す ることは有効である可能性が高いと した。 フレーズベース統計的機械翻訳の語
対応を構成要素の対応とし、対応の 強さを考慮 : 構成要素の対応の強さ Score L 7
構成要素の対応 Moses (Koehn et al., 2007) による各語対応情報 各構成要素の対応の強さ → 構成要素
の同士が対訳文内でよく対応するか 8 訳語対内の対応 対訳文内 の対応
Score_L 語対応の集合 対応がない構成要素の集合 J1, e2 J1, e1 A j ,e
J3, e2 e3 J2 9 用語対訳候補 の対応例 T J , E A c 構成要素の対応毎に対応の強さを加算 (NULL) φ と対応
j_k と e_l に対応がある対訳文数+α j_k と e_l が出現する対訳文数+2α c に対応がない対訳文数+α
c が出現する対訳文数+2α Score_L T_{J,E} が出現した場合の j_k と e_l の対応の強さ 構成要素 c とφと の対応の強さ 10
CValue ( Score_C ) (Frantzi and Ananiadou, 1996) は入れ子構造 を持ったコロケーションを抽出するために
CValue を提案 用語対訳候補の両言語側ともCValueでの 順位が高ければ、用語対訳である可能性が 高いと仮定 Score C : 用語が安定して出現する度合い カラー デニム パンツ (CValue = 6.34) カラー デニム (2.0) デニム パンツ (60.33) 11 Score C = Average( 日本語側の順位, 英語側の順位 )
CValue (Score_C) |T| : 用語の構成要素数 n(T) : 用語の出現頻度 t(T) :
T を部分文字列として含む用語の延べ語数 c(T) : T を部分文字列として含む用語の異なり語数 ( カラーデニムパンツ,color denim pants ) = Score C 2732753 2 =1513
用語対訳抽出に適した計数 チェック 柄 が アクセント に なっ た カラー デニム
パンツ です 。 日本語用語候補 カラーデニムパンツ デニムパンツ 「デニムパンツ」が「カラーデニム パンツ」の部分文字列として出現 用語単体で使用されていない と考え、出現頻度を数えない 英語側についても部分文字列を考慮し、 Score_F と Score_L に適用 12
フレーズテーブルからパターンマッチで 抽出した用語対訳候補数 : 22,543 対 日英対訳コーパス (アパレル分野) : 約6万文対 実験と対訳精度評価
上位 1,000 対を用語対訳として抽出 A : 対訳として正しい A' : 文脈に依存する B : 部分的に正しい C : 対訳として正しくない 対訳精度評価基準 抽出した用語対訳から 無作為に100対を選び、 人手による対訳精度の 評価を行った。 13
対訳精度 A A' B C Score_F 43 25 24 8
Score_L 77 5 18 0 Score_C 78 6 14 2 Score'_F 71 18 8 3 Score'_L 79 4 17 0 Score_FLC 87 2 11 0 ※ アポストロフィのついた尺度名は部分文字列を考慮したもの フレーズテーブルから教師なしで 翻訳精度の高い用語対訳を抽出 14
各尺度で抽出した 用語対訳の比較 用語対訳の構成要素数、頻度 1000位毎の平均出現頻度 15
各尺度で抽出した 用語対訳の比較 16 1000位毎の平均構成要素数 (日本語側)
各尺度によって抽出された 用語対訳の特長 出現頻度 構成要素数 Score'_F 高い 少ない Score'_L 高い 多い
Score_C 低い 多い それぞれで異なる性質の用語対訳を抽出 17 用語対訳候補の 出現頻度が高い 構成要素同士の 強い対応を 多く持っている 構成要素数が 2以上でCValue が高い 各尺度で抽出された用語対訳は…… Score'_F Score'_L Score_C
部分文字列を考慮した 計数方法の効果 リング coloring 効果がある場合の例 間違った対訳 : Score_F : 35位
Score'_F : 21,676位 …カラーリングがシンプル… … coloring is simple… 形態素解析 カラー/リング Score_F は リング と coloring が同時に出現したと見なす。 悪影響を与える場合の例 スリーブ sleeve 正しい対訳 : Score_F : 749位 Score'_F : 5,433位 両言語とも部分文字列として出現しやすい → 頻度低下 18
Score_C Score'_L Score'_F 各尺度の統合 仮定: 各尺度の性質を持った用語対訳は高精度である 用語対訳候補 Score FLC 順位の平均
で用語対訳候補を再度順位付け Score FLC 最も対訳精度の良い用語対訳を抽出した 各尺度を計算 19
まとめ 3種類の尺度と部分文字列を考慮した 計数方法により、対訳精度の良い用語 対訳をフレーズテーブルから教師なし で抽出した。 20 各尺度で抽出した用語対訳は出現頻度 と構成要素数の2点で性質が異なる。 各尺度の統合により、最も良い対訳精 度の用語対訳を抽出した。