Relační učení s neuronovými sítěmi pro evaluaci strojového překladu

Krynský Daniel

Relational Learning with Neural Networks for Machine Translation Evaluation

Type of document

diplomová práce
master thesis

Author

Krynský Daniel

Supervisor

Šourek Gustav

Opponent

Drchal Jan

Field of study

Umělá inteligence

Study program

Otevřená informatika

Institutions assigning rank

katedra počítačů

Rights

A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.html
Vysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html

Metadata

Show full item record

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.