Сравнение машинных переводчиков на основе семантической модели и нейронных сетей
Сравнение машинных переводчиков на основе семантической модели и нейронных сетей
Abstract
В данной статье рассматривается сравнение двух подходов к машинному переводу:
семантической модели и нейронных сетей. Семантическая модель основана на лингвистических
правилах и требует разработки сложных правил и лингвистических баз для каждой пары языков. С
другой стороны, перевод на основе нейронных сетей использует глубокое обучение и
автоматически извлекает языковые особенности. Семантическая модель имеет ограниченное
языковое покрытие и требует сложной разработки
References
Bahdanau, D., Cho, K., & Bengio, Y. (2014). Neural machine translation by jointly learning to align and translate. arXiv preprint arXiv:1409.0473.
Luong, M. T., Pham, H., & Manning, C. D. (2015). Effective approaches to attention-based neural machine translation. In Proceedings of the 2015 Conference on Empirical Methods in Natural Language Processing (EMNLP) (pp. 1412-1421).
Koehn, P. (2010). Statistical machine translation. Cambridge University Press.
Sutskever, I., Vinyals, O., & Le, Q. V. (2014). Sequence to sequence learning with neural networks. In Advances in neural information processing systems (pp. 3104-3112).
Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., ... & Polosukhin, I. 2017). Attention is all you need. In Advances in neural information processing systems (pp. 5998-6008).
Papineni, K., Roukos, S., Ward, T., & Zhu, W. J. (2002). BLEU: a method for automatic evaluation of machine translation. In Proceedings of the 40th annual meeting on association for computational linguistics (pp. 311-318).
