[論文レビュー] Towards Recognizing Phrase Translation Processes: Experiments on English-French

Yuming Zhai, Pooyan Safari+3 more|arXiv (Cornell University)|Apr 27, 2019

Natural Language Processing Techniques参考文献 35被引用数 5

ひとこと要約

本稿では、手動でアノテートされた英仏対訳TEDトークスコーパスを用いて、部分文レベルにおける微細な翻訳プロセスの自動分類を提案する。特徴工学とランダムフォレスト分類を用い、意味的翻訳と非意味的翻訳を区別する分類で87.09%の正確度を達成し、5つの非意味的翻訳カテゴリの分類で55.20%の正確度を示した。これは、自動翻訳プロセス認識が、仮説抽出や言語学習ツールの改善に有効である可能性を示している。

ABSTRACT

When translating phrases (words or group of words), human translators, consciously or not, resort to different translation processes apart from the literal translation, such as Idiom Equivalence, Generalization, Particularization, Semantic Modulation, etc. Translators and linguists (such as Vinay and Darbelnet, Newmark, etc.) have proposed several typologies to characterize the different translation processes. However, to the best of our knowledge, there has not been effort to automatically classify these fine-grained translation processes. Recently, an English-French parallel corpus of TED Talks has been manually annotated with translation process categories, along with established annotation guidelines. Based on these annotated examples, we propose an automatic classification of translation processes at subsentential level. Experimental results show that we can distinguish non-literal translation from literal translation with an accuracy of 87.09%, and 55.20% for classifying among five non-literal translation processes. This work demonstrates that it is possible to automatically classify translation processes. Even with a small amount of annotated examples, our experiments show the directions that we can follow in future work. One of our long term objectives is leveraging this automatic classification to better control paraphrase extraction from bilingual parallel corpora.

研究の動機と目的

• 双方向並列コーパスにおける部分文レベルでの微細な翻訳プロセスを自動分類する手法の開発。
• 限定的なアノテート済みデータが、イディオム同等、一般化、特定化などの非意味的翻訳プロセスの有効な分類を可能にするかの検討。
• 非意味的翻訳プロセスの同定と活用を通じて、双方向コーパスからの仮説抽出の制御を向上させること。
• 翻訳戦略の自動認識を通じて、学習者による母語と目標言語の表現の比較を支援すること。
• まず意味的翻訳と非意味的翻訳を分離し、その後でより細分化されたカテゴリに分類するという段階的分類パイプラインの基盤を築くこと。

提案手法

• 本研究では、TEDトークスの英仏対訳コーパスを用い、1,098件のフレーズレベル翻訳例を意味的翻訳と5つの非意味的プロセスに分類した手動アノテーション済みコーパスを用いる。
• 特徴は、品詞タギング、表層形、構文解析、外部知識（ConceptNet）、および単語アラインメントスコアなど、複数のソースから抽出する。
• 双方向語彙重み付けと単語アラインメント特徴が、特に二値分類において最も情報量が多く、有効であることが判明した。
• ランダムフォレスト分類器を採用し、特徴グループの寄与度とモデルの頑健性を評価するためのアブレーションスタディを実施した。
• モデルは、二値分類（意味的対非意味的）と多クラス分類（5つの非意味的タイプ）の両方の設定で学習・評価され、アブレーション実験ではクラスの分布がバランスされた状態を維持した。
• 誤り分析を通じて、特に同等性と包含入れ替えの間の誤分類パターンを同定し、グループ化されたクラスを用いた再分類実験を実施した。

実験結果

リサーチクエスチョン

• RQ1 限定的なアノテート済みデータを用いて、非意味的翻訳プロセスを自動的に分類することは可能か？
• RQ2 意味的翻訳と非意味的翻訳を区別する際に、どの特徴が最も効果的か？
• RQ3 分類性能は、二値分類と多クラス分類の粒度の違い、および特徴の組み合わせによってどのように変化するか？
• RQ4 多クラス分類における主な誤分類要因は何か？また、クラスの再グループ化によって性能向上が達成できるか？
• RQ5 段階的分類戦略（例：まず意味的翻訳と非意味的翻訳を分離し、その後で非意味的クラスをさらに細分化）は、全体の正確度を向上させられるか？

主な発見

• 提案手法は、意味的翻訳と非意味的翻訳を区別する分類で87.09%の正確度を達成し、ランダムベースラインを著しく上回った。
• 5つの非意味的プロセスにおける多クラス分類では、55.20%の正確度を達成し、マイクロ平均F1は0.55、マクロ平均F1は0.48であった。
• 二値分類において最も寄与したのはword_alignment特徴グループであり、多クラス分類では品詞タギングと構文解析が最も情報量が多く、有効であった。
• 構文解析やConceptNetとのリンク付けといった特定の特徴を削除しても性能にほとんど影響がなかったことから、特徴の冗長性に対してモデルが頑健であることが示された。
• 最高の性能を示した設定は、外部知識と一部の品詞特徴を除いたすべての特徴を用いたもので、浮動小数点形式の特徴が離散的特徴を上回る性能を示した。
• 誤り分析の結果、同等性と包含入れ替えが最も混同されやすく、これらを意味的翻訳とグループ化することで、二値設定における分類性能が向上した。