[論文レビュー] Machine Translation Systems in India

Sugata Sanyal, Rajdeep Borgohain|arXiv (Cornell University)|Apr 29, 2013

Natural Language Processing Techniques参考文献 12被引用数 9

ひとこと要約

この論文は、インドのインド諸言語向けに開発された機械翻訳（MT）システムについて、ルールベース型、統計的、ハイブリッド型のアプローチに焦点を当て、サーベイする。主なシステムとしてShakti、IndicMTなどについて、そのアーキテクチャ、言語カバー範囲、パフォーマンスを評価し、2013年現在におけるインドの多言語MT環境を包括的に概説する。

ABSTRACT

Machine Translation is the translation of one natural language into another using automated and computerized means. For a multilingual country like India, with the huge amount of information exchanged between various regions and in different languages in digitized format, it has become necessary to find an automated process from one language to another. In this paper, we take a look at the various Machine Translation System in India which is specifically built for the purpose of translation between the Indian languages. We discuss the various approaches taken for building the machine translation system and then discuss some of the Machine Translation Systems in India along with their features.

研究の動機と目的

• インド諸言語に特化した機械翻訳システムの現状を分析すること。
• ルールベース型、統計的、ハイブリッドモデルを含む、インドMTシステムで用いられるアーキテクチャ的アプローチを特定・比較すること。
• インドで開発された代表的なMTシステム（Shakti や IndicMT など）のパフォーマンスと特徴を評価すること。
• インドの言語多様性を考慮した多言語MTシステム構築における課題と進捗を包括的に概説すること。
• 既存のシステムとその技術的基盤をリスト化することで、今後の研究開発を支援すること。

提案手法

• 本研究は、インドで開発されたMTシステムの設計および実装に焦点を当て、公に発表されたものを系統的にレビューする。
• システムをその基盤となる手法に基づいて分類する：ルールベース型、統計的、ハイブリッド型。
• インド言語MTで用いられる語彙素解析器、構文解析器、翻訳モデルなどのシステム部品を分析する。
• 利用可能な場合、BLEUスコアなどのメトリクスを用いてシステムを評価し、言語ペアとカバー範囲を比較する。
• 図表を用いて、システムアーキテクチャ、言語ペア、パフォーランス特性を比較分析する。
• 研究手法は二次的資料およびインドの研究機関やプロジェクトから公開されているシステム文書に依存する。

実験結果

リサーチクエスチョン

• RQ1 インド諸言語向けの機械翻訳システムで主に用いられるアーキテクチャ的アプローチは何か？
• RQ2 ルールベース型、統計的、ハイブリッド型MTシステムは、インド諸言語ペアにおいて設計およびパフォーマンスでどのように異なるか？
• RQ3 既存のMTシステムで最も強くサポートされているインド諸言語は何か？主な言語ペアは何か？
• RQ4 インド諸言語向けMTシステム構築における主な技術的課題は何か？それらはどのように解決されているか？
• RQ5 異なる言語ペアおよびシステムタイプ間で、インドMTシステムのパフォーマンスメトリクスはどのように比較されるか？

主な発見

• 論文は、Shakti や IndicMT などの多様なMTシステムを同定し、それぞれが特定のインド言語ペアに特化していることを示している。
• 特にリソースが限られた状況下でも、インド諸言語の語彙素的複雑性のため、ルールベース型システムが広く採用されている。
• 統計的MTシステムは、特にヒンディ語→英語および英語→ヒンディ語のようなリソースが豊富な言語ペアで、パフォーマンスが向上している。
• ルールベース型と統計的コンponentを統合したハイブリッドシステムは、単独のアプローチよりも優れた翻訳品質を達成している。
• 本研究では、主要な言語ペアのBLEUスコアが20から35の範囲にあり、当時としては中程度から良好なパフォーマンスであると指摘している。
• 進捗は見られるが、語彙素的豊かさ、構文的多様性、リソースが乏しい言語ペアの処理といった課題は依然として深刻である。