Relační učení s neuronovými sítěmi pro evaluaci strojového překladu

Abstract

Tato práce má za cíl vyhodnotit použití neuronových sítí založených na relačním přístupu pro automatickou evaluaci strojového překladu. Tento přístup využívá sadu relačních pravidel, která slouží jako template a která, spolu s relačními daty, může být využita pro vytvoření neuronových sítí. Jako ohodnocení kvality strojového překladu je použita metrika Human UCCA-based Machine Translation Evaluation a to na listech i vnitřních uzlech stromové reprezentace vstupních dat. Součástí experimentu bude porovnání evaluace překladu z Angličtiny do čtyřech různých jazyků. Relační přístup bude porovnán s feature-based přístupem s využitím neuronových sítí.

The goal of this thesis is to evaluate the use of neural networks, which are based on a relational approach for automatic evaluation of machine translation. This approach makes use of a set of relational rules, which serve as a template and which, together with relational data can be used for creating neural networks. For the machine translation quality evaluation a metric called Human UCCA-based Machine Translation Evaluation is used, both for leaves and internal nodes of tree representation of the input data. Part of the experiment will be comparison of the evaluation of translation from English to four different languages. Relational approach will be compared with feature-based approach with the use of neural networks.