[논문 리뷰] Anusaaraka: Machine Translation in Stages

Akshar Bharati, Vineet Chaitanya외 2명|ArXiv.org|2003. 06. 25.

Natural Language Processing Techniques인용 수 47

한 줄 요약

Anusaaraka는 규칙 기반 및 언어학적 처리를 통해 정확도와 적응성을 향상시키기 위해 번역을 분석, 이행, 생성의 모듈식이고 관리 가능한 단계로 분해하는 단계적 기계 번역 시스템을 제안한다. 주요 기여는 단일 구조의 MT 시스템의 한계를 보완하기 위해 도메인 특화 지식과 점진적 개선을 통합한 구조적이고 언어학적으로 정보화된 프레임워크이다.

ABSTRACT

Fully-automatic general-purpose high-quality machine translation systems (FGH-MT) are extremely difficult to build. In fact, there is no system in the world for any pair of languages which qualifies to be called FGH-MT. The reasons are not far to seek. Translation is a creative process which involves interpretation of the given text by the translator. Translation would also vary depending on the audience and the purpose for which it is meant. This would explain the difficulty of building a machine translation system. Since, the machine is not capable of interpreting a general text with sufficient accuracy automatically at present - let alone re-expressing it for a given audience, it fails to perform as FGH-MT. FOOTNOTE{The major difficulty that the machine faces in interpreting a given text is the lack of general world knowledge or common sense knowledge.}

연구 동기 및 목표

• 일반 목적을 위한 완전 자동화되고 고품질의 기계 번역 시스템을 구축하는 데 있어 근본적인 과제를 해결하기 위해.
• 단일 구조의 MT 시스템의 한계를 극복하기 위해 번역을 별도로 관리 가능한 단계로 분해하기 위해.
• 번역 과정에 언어학적 지식과 세계 지식을 통합하여 해석 정확도를 향상시키기 위해.
• 구조적 처리 단계를 통해 특정 청중과 목적에 맞게 번역을 적응시킬 수 있도록 하기 위해.
• 점진적 개선과 도메인 특화 커스터마이제이션을 지원하는 확장 가능하고 유지보수 용이한 아키텍처를 제공하기 위해.

제안 방법

• 시스템은 기계 번역을 분석, 이행, 생성의 세 가지 주요 단계로 나눈다.
• 분석 단계는 언어학적 규칙과 형태소 분석을 사용하여 소스 텍스트의 문법적 및 의미적 구문 분석을 수행한다.
• 이행 단계는 규칙 기반 변환 메커니즘을 사용하여 소스 언어의 문법적 구조를 대상 언어로 매핑한다.
• 생성 단계는 이행된 표현에서 유창하고 문법적으로 올바른 대상 언어 문장을 구성한다.
• 각 단계는 모듈식으로 설계되어 있어 독립적인 개발, 테스트 및 개선이 가능하다.
• 정확도 향상을 위해 형태소 사전, 문법 규칙, 의미 제약 조건과 같은 언어학적 자원을 활용한다.

실험 결과

연구 질문

• RQ1 단일 구조의 시스템과 비교해 볼 때, 단계적 아키텍처가 기계 번역의 정확도와 강건성을 향상시킬 수 있는가?
• RQ2 언어학적 지식과 세계 지식을 기계 번역 파이프라인에 체계적으로 통합할 수 있는가?
• RQ3 모듈식이고 규칙 기반 접근 방식이 번역의 해석적 및 창의적 측면을 어느 정도 처리할 수 있는가?
• RQ4 분석, 이행, 생성을 별도의 전문화된 단계로 분리함으로써 번역 품질을 향상시킬 수 있는가?
• RQ5 구조적 처리 단계를 통해 시스템을 다양한 청중과 목적에 맞게 적응시킬 수 있는가?

주요 결과

• 단계적 접근은 문법적, 의미적, 형태소적 처리를 분리함으로써 언어적 복잡성에 더 잘 대응할 수 있도록 한다.
• 언어학적 규칙과 구조적 변환을 통합함으로써 시스템은 더 높은 해석 정확도를 보여준다.
• 모듈성 덕분에 각 처리 단계에서 점진적 개발과 목표 지향적 개선이 가능하다.
• 구성 가능한 처리 파이프라인을 통해 다양한 청중과 목적에 맞는 적응이 가능한 프레임워크를 지원한다.
• 데이터 기반 학습보다 언어학적 통찰을 강조함으로써 종단 간 통계적 또는 신경 기반 시스템에 대한 실용적인 대안을 제공한다.
• 단일 구조 번역 아키텍처보다 유지보수성과 확장성이 뛰어나다는 게 입증되었다.