[论文解读] Lost in Translation: Analysis of Information Loss During Machine Translation Between Polysynthetic and Fusional Languages

Manuel Mager, Elisabeth Mager+3 more|arXiv (Cornell University)|Jul 1, 2018

Natural Language Processing Techniques参考文献 21被引用 14

一句话总结

本文通过词素级对齐，研究了从多式综合语（纳瓦特尔语、维查里卡语、约雷姆诺基语）到屈折语（西班牙语）的机器翻译中的信息丢失问题。研究发现，细粒度的形态特征——尤其是一致关系、视角和体貌标记——在翻译中经常被省略，其中维查里卡语由于其复杂的形态句法结构，信息丢失程度最高，揭示了低资源神经机器翻译系统面临的关键挑战。

ABSTRACT

Machine translation from polysynthetic to fusional languages is a challenging task, which gets further complicated by the limited amount of parallel text available. Thus, translation performance is far from the state of the art for high-resource and more intensively studied language pairs. To shed light on the phenomena which hamper automatic translation to and from polysynthetic languages, we study translations from three low-resource, polysynthetic languages (Nahuatl, Wixarika and Yorem Nokki) into Spanish and vice versa. Doing so, we find that in a morpheme-to-morpheme alignment an important amount of information contained in polysynthetic morphemes has no Spanish counterpart, and its translation is often omitted. We further conduct a qualitative analysis and, thus, identify morpheme types that are commonly hard to align or ignored in the translation process.

研究动机与目标

• 研究在形态丰富且资源匮乏的设置下，从多式综合语到屈折语进行机器翻译时，信息丢失的程度与性质。
• 识别在翻译中最为频繁被省略或错位的词素类型，特别是形态复杂的多式综合语中的词素。
• 理解翻译失败的语言学原因，尤其是多式综合动词中的信息编码方式与屈折语句法之间的不匹配。
• 评估形态句法差异（如核心标记、词素复合、一致系统）对翻译质量与对齐准确率的影响。
• 通过诊断当前对齐与翻译流程中的结构与语义鸿沟，支持更稳健的低资源机器翻译系统的发展。

提出的方法

• 使用 GIZA++ 对三种多式综合语（纳瓦特尔语、维查里卡语、约雷姆诺基语）与西班牙语语对的平行句子进行词素到词素的对齐。
• 分析对齐结果，识别未对齐的词素，重点关注一致关系、体貌、视角和话语标记等形态句法类别。
• 对未对齐词素进行定性分析，以分类抵抗翻译的语言特征，包括宾语一致标记、施事者标记和陈述功能。
• 使用尤托-纳瓦语系的数据，包括纳瓦特尔语（阿卡索奇特兰方言）、维查里卡语（温乔尔语）和约雷姆诺基语（马约语）等方言，以确保语言多样性与相关性。
• 通过比较源多式综合语词素与目标西班牙语词元，评估翻译质量，识别语义与句法信息丢失的位置。
• 聚焦于这些语言中常见的主句末尾SOV结构与动词复合模式，以隔离信息丢失的结构原因。

实验结果

研究问题

• RQ1 从多式综合语翻译到屈折语时，目标文本中通常未编码哪些信息？
• RQ2 从语言学视角来看，如何解释观察到的信息丢失，特别是形态句法差异方面？
• RQ3 某些词素类型（如一致关系、体貌或视角标记）是否特别难以翻译或对齐？
• RQ4 形态复杂性与句法结构（如复合、核心标记）在多大程度上导致对齐失败与翻译错误？
• RQ5 话语层面特征（如指代、个体化与衔接）在翻译过程中对信息丢失起到什么作用？

主要发现

• 多式综合语中的大量词素——尤其是一致关系、体貌和视角标记——在西班牙语中没有直接对应形式，常在翻译中被省略。
• 在维查里卡语中，词素 'p+'（施事者标记）未对齐程度最高，其次是宾语一致标记 'a' 和 'ne'，以及视角标记 'u' 和 'e'，表明其结构差异显著。
• 在约雷姆诺基语中，实现标记 'ka' 和 'k' 以及 'si' 名词一致标记始终未对齐，反映出语法关系编码的困难。
• 在纳瓦特尔语中，宾语一致标记 'k' 和 'ki' 以及名词一致标记 'ni' 和 'ti' 虽具语义特异性，但常被省略。
• 研究发现，表示习惯体、视角和话语衔接的词素系统性地被翻译不足，即使其语义至关重要。
• 西班牙语词元显示出较高的对齐率，表明主要的信息丢失源于多式综合语侧，而非目标语侧的歧义或噪声。