抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
機械翻訳(MT)は,自然言語処理(NLP)文献における最新の研究トピックの1つとして開発された。MTにおける一つの重要な問題は,MTシステムをどのように合理的に評価するか,翻訳システムが改善またはそうでないかどうかを,著者らにどうかということであった。従来の手動判断法は,高価で,時間がかかり,反復不可能であり,時には低い一致である。一方,一般的な自動MT評価法にはいくつかの弱点がある。第1に,それらは,英語を目標言語として,言語対上で良好に機能する傾向があるが,英語をソースとして使用するときは弱い。第2に,いくつかの方法は,良い性能を達成するために,多くの付加的言語特性に頼って,それは,容易に他の言語対に複製して,適用することができない。第3に,いくつかのポピュラーなメトリックスは,いくつかの実用的タスクに関して低い性能をもたらす不調和因子を利用する。本論文では,既存の問題に取り組むために,新しいMT評価方法を設計し,異なる言語に関するそれらの性能を研究した。最初に,高度に正確な評価を得るために,拡張因子を設計した。第2に,著者らは,因子の重みづけが言語の特性に従って最適化できる調整可能な評価モデルを設計した。第3に,著者らの方法の強化されたバージョンにおいて,著者らは,いくつかの外部言語資源を使用するとき,著者らの方法がより高い性能さえ得られることを示すために,部分音声(POS)を用いて簡潔な言語特性を設計した。最後に,ACL-WMTワークショップ共有タスクにおける計量の実用的性能を導入し,提案した方法が異なる言語にわたってロバストであることを示した。さらに,著者らは,Na”ive Bayes(NB),サポートベクトルマシン(SVM)分類アルゴリズム,およびCRFsの確率モデルの使用を含む参照翻訳を使用せずに,MTの品質評価に関するいくつかの新しい研究も提示する。【JST・京大機械翻訳】
