[논문 리뷰] Learning to Exploit Different Translation Resources for Cross Language Information Retrieval

Hosein Azarbonyad, Azadeh Shakery외 1명|arXiv (Cornell University)|2014. 05. 20.

Algorithms and Data Compression참고 문헌 22인용 수 3

한 줄 요약

이 논문은 다중 번역 자원을 융합하기 위한 러닝 투 랭크(LTR) 접근법을 제안하며, 크로스라ング귀얼 인포메이션 리트리ieval(CLIR)에서 번역 관계 기반 및 문맥 기반 특징을 모두 활용하여 질의어 단어 번역을 순위 매긴다. 이 방법은 단일 자원 기반 기준 대비 영어-페르시아어 CLIR에서 검색 성능을 크게 향상시키며, 감독적 랭킹을 통한 다양한 번역 자원의 융합이 효과적임을 입증한다.

ABSTRACT

One of the important factors that affects the performance of Cross Language Information Retrieval(CLIR)is the quality of translations being employed in CLIR. In order to improve the quality of translations, it is important to exploit available resources efficiently. Employing different translation resources with different characteristics has many challenges. In this paper, we propose a method for exploiting available translation resources simultaneously. This method employs Learning to Rank(LTR) for exploiting different translation resources. To apply LTR methods for query translation, we define different translation relation based features in addition to context based features. We use the contextual information contained in translation resources for extracting context based features.The proposed method uses LTR to construct a translation ranking model based on defined features. The constructed model is used for ranking translation candidates of query words. To evaluate the proposed method we do English-Persian CLIR, in which we employ the translation ranking model to find translations of English queries and employ the translations to retrieve Persian documents. Experimental results show that our approach significantly outperforms single resource based CLIR methods.

연구 동기 및 목표

• 크로스라ング귀얼 인포메이션 리트리ieval(CLIR)에서 품질과 특성이 상이한 다수의 번역 자원을 통합하는 데 도전하는 것.
• 단일 자원에 의존하는 것 대신 다양한 번역 자원을 활용하여 질의어어의 번역 품질을 향상시키는 것.
• 언어학적 및 문맥적 특징을 모두 사용하여 번역 후보를 순위 매기는 통합 프레임워크를 개발하는 것.
• 특히 영어에서 페르시아어로의 검색을 대상으로 실제 CLIR 환경에서 제안된 방법의 효과성을 평가하는 것.

제안 방법

• 이 방법은 번역 관계 기반 특징과 문맥 기반 특징의 조합을 바탕으로 번역 후보를 평가하는 모델을 학습하기 위해 러닝 투 랭크(LTR)를 활용한다.
• 번역 관계 기반 특징은 다양한 자원 간 번역의 신뢰성과 일관성을 캡처한다.
• 문맥 기반 특징은 주변 어휘적 및 문법적 문맥을 활용하여 특정 질의 문맥에서 번역의 적절성을 평가한다.
• 관련 번역이 식별된 레이블이 부여된 데이터를 사용하여 모델을 학습함으로써, 높은 품질의 번역을 예측하는 데 가장 효과적인 특징을 학습할 수 있다.
• 최종 번역 순위 매기기 모델은 영어 질의어의 후보 번역을 재순위 매기기 전에 페르시아어 문서 검색에 활용된다.
• 이 접근법은 영어-페르시아어 CLIR 환경에서 평가되며, 번역된 질의어를 사용하여 관련 페르시아어 문서를 검색한다.

실험 결과

연구 질문

• RQ1 학습-투-랭크 프레임워크를 통해 다수의 번역 자원을 융합하는 것이 단일 자원을 사용하는 것보다 CLIR에서 번역 품질을 향상시킬 수 있는가?
• RQ2 번역 관계 기반 특징과 문맥 기반 특징 중 어느 유형이 높은 품질의 번역을 구분하는 데 더 효과적인가?
• RQ3 실제 검색 작업에서 제안된 다중 자원 융합 방법은 단일 자원 기반 CLIR 시스템과 비교해 어떻게 성능을 발휘하는가?
• RQ4 저자원 또는 모호한 질의 문맥에서 문맥 정보는 번역 선택에 얼마나 기여하는가?

주요 결과

• 제안된 LTR 기반 방법은 영어-페르시아어 크로스라ング귀얼 검색에서 단일 자원 기반 CLIR 방법을 뚜렷이 능가한다.
• 번역 관계 기반 특징과 문맥 기반 특징을 모두 통합하면, 단일 특징 유형을 사용하는 것보다 더 나은 번역 순위 매기기 성능을 달성한다.
• 모델은 질의어어에 대해 더 정확하고 문맥적으로 적절한 번역을 선택함으로써 검색 효과성을 향상시킨다.
• 실험 결과는 학습-투-랭크를 통한 다수 번역 자원 융합이 검색 성능 지표에서 측정 가능한 향상을 이끌어낸다는 것을 입증한다.