[論文レビュー] Towards Using Machine Translation Techniques to Induce Multilingual Lexica of Discourse Markers

António M. Lopes, David Martins de Matos+5 more|arXiv (Cornell University)|Mar 31, 2015

Natural Language Processing Techniques被引用数 6

ひとこと要約

本稿では、ヨーロッパ議会並列コーパスを用いて、機械翻訳ベースの手法により、話法的マークの多言語語彙を自動で誘導することを提案する。句ベースのMTシステム、アラインメント、およびプルーニング技術を活用することで、英語話法的マークの対応語を抽出・フィルタリングし、イタリア語の候補翻訳として1,293件を特定するという重要な結果を得た。これにより、NLPおよび翻訳応用分野における検証済みの多言語話法的マーク語彙の構築可能性が示された。

ABSTRACT

Discourse markers are universal linguistic events subject to language variation. Although an extensive literature has already reported language specific traits of these events, little has been said on their cross-language behavior and on building an inventory of multilingual lexica of discourse markers. This work describes new methods and approaches for the description, classification, and annotation of discourse markers in the specific domain of the Europarl corpus. The study of discourse markers in the context of translation is crucial due to the idiomatic nature of these structures. Multilingual lexica together with the functional analysis of such structures are useful tools for the hard task of translating discourse markers into possible equivalents from one language to another. Using Daniel Marcu's validated discourse markers for English, extracted from the Brown Corpus, our purpose is to build multilingual lexica of discourse markers for other languages, based on machine translation techniques. The major assumption in this study is that the usage of a discourse marker is independent of the language, i.e., the rhetorical function of a discourse marker in a sentence in one language is equivalent to the rhetorical function of the same discourse marker in another language.

研究の動機と目的

• 機械翻訳技術を用いて、話法的マークの多言語語彙を自動で誘導する手法を開発すること。
• ヨーロッパ諸言語における話法的マークの体系的で多言語的リソースの不足に対処すること。
• 抽出されたマークと既知の話法的マーク機能、および専門的な翻訳実務を比較することで、手法の妥当性を検証すること。
• 異なる言語レジスタにおける使用法（会話的 vs. 文体的）に応じて話法的マークを分類すること。
• 多言語環境下での話法的マークの修辞的分析の基盤を構築すること。

提案手法

• 話法的マーク抽出のための二国語学習リソースとして、21ヶ国語のヨーロッパ議会並列コーパスを用いる。
• 句ベースの機械翻訳が採用され、MosesデコーダーとGIZA++を用いて、言語対間の語と句のアラインメントが実施される。
• 標準化された入力を得るため、SGMLタグの除去、文のトークン化、小文字変換を含む前処理パイプラインが実施される。
• アラインドされた並列文から語彙表が構築され、SALMおよび[10]のアルゴリズムを用いてプルーニングが行われ、ノイズを低減し、信頼性の高い翻訳を保持する。
• 語彙表エントリを用いて、英語のターゲットマークが句読点に続くか、先行する場合に、それらを検索することで、候補となる話法的マークが抽出される。
• 言語的ヒューリスティクスと確率的スコア（例：φ(f|e), lex(f|e)）を適用するフィルタリングパイプラインにより、不適切な翻訳が除外され、高品質な候補が保持される。

実験結果

リサーチクエスチョン

• RQ1 句ベースの機械翻訳システムは、並列コーパスから話法的マークの多言語的同等語を信頼性高く抽出できるか？
• RQ2 公式な議会議事録文書における話法的マークの分布と使用パターンは、即興的会話とどのように異なるか？
• RQ3 自動的に誘導された語彙は、言語ごとに既知の修辞的機能をどの程度反映できるか？
• RQ4 コーパスのレジスタ（例：公式対会話的）が、誘導された話法的マーク翻訳のカバー範囲と品質に与える影響は何か？
• RQ5 提案手法は、専門的な翻訳および通訳実務と整合する語彙を生成できるか？

主な発見

• プルーニング後の語彙表から、ポルトガル語で846件、フランス語で861件、ドイツ語で906件、イタリア語で1,293件の候補翻訳が正常に抽出された。
• 約70の話法的マーク（講義や対話のコーパスから抽出）のうち、ヨーロッパ議会語彙に一致する英語翻訳が18件にとどまり、非公式レジスタにおけるカバー範囲が限定的であることが示された。
• ヨーロッパ議会コーパスの7つの話法的マークが会話的および文体的両方の用途に分類されたが、残りのマークはいずれも会話的用途に限定されていた。これは、レジスタ依存の分布を示している。
• 結果から、公式な議会議事録文書には即興的会話に比べて会話的マークが少ないことが明らかとなり、話声コーパスとの重複度が低い理由が説明された。
• フィルタリングプロセスによりノイズが顕著に低減され、ポルトガル語、フランス語、ドイツ語、イタリア語の語彙表からそれぞれ27、40、43、46件のエントリがプルーニング後に削除された。
• 本手法は、既知の修辞的機能を反映する多言語話法的マーク語彙の生成が可能であることを示しており、多言語間の分析および翻訳支援に有効であることが確認された。