Domänenspezifische Statistische Maschinelle Übersetzung

Das Institut für Computerlinguistik erforscht die Nutzung domänenspezifischer Korpora für die Statistische Maschinelle Übersetzung (SMT). Anstoss dafür sind Erfahrungen mit Industriepartnern, welche Übersetzungssysteme für spezifische Anwendungsszenarios wünschen, aber nur wenig eigenes Trainingsmaterial zur Verfügung haben. Wir verfügen über ein kleines paralleles Korpus (5 Millionen Tokens) von alpinen Texten: Die Publikationsreihen des Schweizer Alpen-Clubs (SAC) wurden im Projekt Text+Berg digital erfasst, Teile davon sind mehrsprachig (DE-FR). Im Projekt wurde die Kombination des Text+Berg Korpus mit verschiedenen anderen Übersetzungsressourcen untersucht, zum Beispiel zusätzliche monolinguale, parallele oder vergleichbare Korpora, oder andere Übersetzungssysteme.

Schwerpunkte des Forschungsprojekts

Nutzung domänenspezifischer paralleler Korpora für SMT: Korpusaufbau, Satzalignierung und Nutzenanalyse.
Extraktion domänenspezifischer Übersetzungen aus vergleichbaren Korpora.
Kombination von domänenspezifischen parallelen Korpora und parallelen Korpora aus anderen Domänen.
Kombination von domänenspezifischen und allgemeinen Übersetzungssystemen.
Einsatz und Verbesserung von NLP-Ressourcen (Name Classifiers, PoS-Tagger, Parser) in Englisch, Französisch und Deutsch zur Verbesserung von SMT-Systemen.
Aufbau von Werkzeugen zur multilingualen Terminologievisualisierung.
Aufbau einer parallelen Baumbank Französisch-Deutsch für Evaluationszwecke.

Projektleiter:

Martin Volk

Forschende:

Das Projekt wurde vom Schweizerischen Nationalfonds finanziert und lief 2010-2013.

Projektergebnisse

Demo Übersetzungssysteme - Übersetzungssysteme für alpine Domäne (passwortgeschützt).
Bilingwis - ein Visualisierungs- und Suchtool für Übersetzungen.
Bleualign - ein MÜ-basiertes Satzalignierungstool.
ParZu - Der Zürcher Dependenzparser für Deutsch Onlinedemo
einige Resultate des Projekts wurden in das Moses SMT toolkit integriert.
eine Deutsch-Französische parallele Baumbank wurde der Smultron Baumbank hinzugefügt.

Publikationen

ZORA Publication List

Publications

Sennrich, Rico; Volk, Martin; Schneider, Gerold (2013). Exploiting Synergies Between Open Resources for German Dependency Parsing, POS-tagging, and Morphological Analysis. In: Recent Advances in Natural Language Processing (RANLP 2013), Hissar, Bulgaria, 7 September 2013 - 13 September 2013, 601-609.
Sennrich, Rico (2013). Promoting Flexible Translations in Statistical Machine Translation. In: Proceedings of the XIV Machine Translation Summit, Nice, 2 September 2013 - 6 September 2013, 207-214.
Sennrich, Rico; Schwenk, Holger; Aransa, Walid (2013). A Multi-Domain Translation Model Framework for Statistical Machine Translation. In: Proceedings of the 51st Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers), Sofia, Bulgaria, 4 August 2013 - 9 August 2013, 832-840.
Plamada, Magdalena; Volk, Martin (2013). Mining for Domain-specific Parallel Text from Wikipedia. In: Proceedings of the Sixth Workshop on Building and Using Comparable Corpora, Sofia, Bulgaria, August 2013 - August 2013, 112-120.
Smith, Jason R; Saint-Amand, Herve; Plamada, Magdalena; Koehn, Philipp; Callison-Burch, Chris; Lopez, Adam (2013). Dirt cheap web-scale parallel text from the Common Crawl. In: 51st Annual Meeting of the Association for Computational Linguistics, Sofia, Bulgaria, August 2013. Association for Computational Linguistics, 1374-1383.
Plamada, Magdalena; Volk, Martin (2012). Using parallel treebanks for machine translation evaluation. In: The 11th International Workshop on Treebanks and Linguistic Theories, Lisbon, Portugal, 30 November 2012 - 1 December 2012, 145-156.
Sennrich, Rico (2012). Mixture-modeling with unsupervised clusters for domain adaptation in statistical machine translation. In: 16th EAMT Conference, Trento, Italy, 28 May 2012 - 29 May 2012, 185-192.
Plamada, Magdalena; Volk, Martin (2012). Towards a Wikipedia-extracted alpine corpus. In: The Fifth Workshop on Building and Using Comparable Corpora, Istanbul, Turkey, 26 May 2012 - 26 May 2012.
Sennrich, Rico (2012). Perplexity minimization for translation model domain adaptation in statistical machine translation. In: Proceedings of the 13th Conference of the European Chapter of the Association for Computational Linguistics, Avignon, France, April 2012 - 2012. Association For Computational Linguistics, 539-549.
Ebling, S; Sennrich, R; Klaper, D; Volk, Martin (2011). Digging for names in the mountains: Combined person name recognition and reference resolution for German alpine texts. In: 5th Language & Technology Conference, Poznan, Poland, 25 November 2011 - 27 November 2011.
Jitca, M; Sennrich, R; Volk, Martin (2011). From historic books to annotated XML: Building a large multilingual diachronic corpus. In: Conference of the German Society for Computational Linguistics and Language Technology (GSCL) 2011, Hamburg, Germany, 28 September 2011 - 30 September 2011, 75-80.
Sennrich, R (2011). The UZH system combination system for WMT 2011. In: Sixth Workshop on Statistical Machine Translation, Edinburgh, UK, 30 July 2011 - 31 July 2011. Association For Computational Linguistics, 166-170.
Sennrich, R (2011). Combining multi-engine machine translation and online learning through dynamic phrase tables. In: EAMT-2011: the 15th Annual Conference of the European Association for Machine Translation, Leuven, Belgium, 30 May 2011 - 31 May 2011.
Sennrich, R; Volk, Martin (2011). Iterative, MT-based sentence alignment of parallel texts. In: NODALIDA 2011, Nordic Conference of Computational Linguistics, Riga, 11 May 2011 - 13 May 2011.
Volk, Martin; Furrer, Lenz; Sennrich, Rico (2011). Strategies for reducing and correcting OCR errors. In: Sporleder, Caroline; van den Bosch, Antal; Zervanou, Kalliopi. Language Technology for Cultural Heritage. Berlin: Springer, 3-22.
Sennrich, R; Volk, Martin (2010). MT-based sentence alignment for OCR-generated parallel texts. In: The Ninth Conference of the Association for Machine Translation in the Americas (AMTA 2010), Denver, 31 October 2010 - 4 November 2010.
Volk, Martin; Marek, T; Sennrich, R (2010). Reducing OCR errors by combining two OCR systems. In: ECAI 2010 Workshop on Language Technology for Cultural Heritage, Social Sciences, and Humanities (LaTeCH 2010), Lisbon, Portugal, 16 August 2010, 61-65.
Volk, Martin; Goehring, A; Marek, T (2010). Combining parallel treebanks and geo-tagging. In: Fourth Linguistic Annotation Workshop (LAW IV), Uppsala, 15 July 2010 - 16 July 2010.
Volk, Martin; Bubenhofer, Noah; Althaus, Adrian; Bangerter, Maya; Furrer, Lenz; Ruef, Beni (2010). Challenges in building a multilingual alpine heritage corpus. In: seventh international conference on Language Resources and Evaluation (LREC), Malta, 19 May 2010 - 21 May 2010.

Weiterführende Informationen

Teaser text

Zum UZH Portal

Institut für Computerlinguistik Texttechnologie

Quicklinks und Sprachwechsel

Hauptnavigation