大規模な論文対訳データを利用した高精度な中日、英日ニューラル機械翻訳の開発
•Download as PPTX, PDF•
2 likes•1,231 views
副題:機械翻訳の飛躍的な発展 ～増え続ける国外文献からのスピーディーな情報収集への貢献～
Recommended
Recommended
More Related Content
Featured
Featured (20)
大規模な論文対訳データを利用した高精度な中日、英日ニューラル機械翻訳の開発
- 2. 科学技術文献データベース 2 • JSTは長きに渡って科学技術文献データベースを構 築してきた – 日本国内の文献だけでなく、主要な英語および中国語 誌についても抄録の日本語訳を作成し、搭載 – 日本人の利用者が、日本語で文献の検索・閲覧が可能 – 搭載件数は6000万件以上 (国内最大) • 収録する文献の数は毎年増え続けている – 人手で全てを翻訳することは、時間的にも金銭的にも現 実的ではなくなっている
- 4. • JDream IIIで提供する外国文献のカバー率を高 め、さらに即時性も確保するために、数年前から 一部の翻訳に統計的な手法による機械翻訳 （Statistical Machine Translation, SMT）を利用 – 精度は満足のいくものではなかった • 科学技術論文を高精度に翻訳できるエンジンが 必要 5 機械翻訳の利用
- 5. • 2013年から5年間 (今年度が最終年度) • 参加機関 – 日本: JST、京都大学(黒橋・河原研究室) – 中国: ISTIC (過去の協力機関: CAS, BJTU, HIT) • 科学技術論文翻訳に特化した機械翻訳エンジン の開発、日中の言語資源データの整備 • 機械翻訳技術により日中間の言語障壁を取り除 き、科学技術交流の促進を目指す • エンジンは他の言語対でも利用可能 日中・中日機械翻訳実用化プロジェ クト 6
- 6. プロジェクトの目標 7 言語資源の構築 機械翻訳エンジンの開発 言語解析器の精度向上 Japanese Chinese 機械翻訳 机器翻译 アルゴリズム 算法 蓄積 积累 アセトン 丙酮 … … 専門用語辞書 400万語 ja: 原言語の意味を正しく目的言語 に再現するためには，原言語表現 の意味に適した訳語の選択が必 要である。 zh: 为了能够正确的再现原来语言 的意思，选择适合表现原来语言 意思的译语是很重要的。 対訳コーパス 500万文対 开发机器翻译技术 开发 机器 翻译 技术 开发 机器 翻译 技术 単語分割 依存構造解析 作为 测量 器械 使用 了 秒表 Input: 作为测量器械使用 了秒表 Translation Examples Output: 測定機器としては ストップウォッチを用いた 作为 使用 了 变位 操作者 オペレータ して は 変位 と を 用いた 機器 して は ストップウォッチ と を 用いた 測定 使用 秒表 ストップウォッチ を 使った 输入 器械 入力 機器 测量 频率 測定 頻度 ・・・・・ ・・・・・ 用例ベース機械翻訳システム 特に中国語
- 7. • 2014年に提案されたニューラル機械翻訳 (Neural Machine Translation, NMT)が統計翻訳の 精度を大きく上回ってきた • その後MicrosoftやGoogleもNMTに移行 – 現在のGoogle翻訳は英語と全ての言語との間で NMT(英語以外の言語間は、おそらく英語を介したブ リッジング) • 日中・中日MTプロジェクトでもNMTのエンジンを 独自開発 – 機械翻訳の国際評価ワークショップWAT2016および 2017の日中・中日科学技術翻訳タスクで1位 8 ニューラル機械翻訳
- 9. JST/京大NMTの人手評価 10 • 相対評価 – 中国語の科学技術文献（生物、化学、電気工学など）か らランダムに選定した100文を4つのエンジンで翻訳 1. 商用ルールベースMT 2. JST/京大 NMT 3. Google Translate (旧: SMT) 4. Google Translate (新: NMT) – 各文について、3名の評価者が最も良い翻訳結果を選択 • 絶対評価 – JST/京大 NMTの翻訳結果を1名の評価者が5段階評価
- 10. 評価結果 11 5% 2% 11% 4% 77% 76% 75% 79% 3% 6% 2% 3% 14% 17% 12% 14% 0% 20% 40% 60% 80% 100% 計 評価者C 評価者B 評価者A 高電社 RBMT JST・京大 NMT Google SMT Google NMT 35 1411 36 4 5：原文の内容と一致 4：ほぼ原文の内容と一致 3：誤字、脱字レベル 2：一部誤訳、訳抜けあり 1：誤訳、訳抜けが多い 絶対評価相対評価 RBMT Google SMT Google NMT JST/京大 NMT
- 11. SMT VS. NMT 12
- 12. 訓練データ 開発データ 試験データ 翻訳知識 / ルール フレーズテーブル 素性の重み 言語 モデル 最終 翻訳結果 チューニング リランキング/ リライティング デコーダー / 翻訳エンジン 一般的な統計翻訳(SMT)の枠組み 13 単語/句 アライメント N-best 翻訳結果 N-best 翻訳結果 正解翻訳 GIZA++ MGIZA FastAlign Nile SRILM KenLM RNNLM Moses, Joshua Travatar, KyotoEBMT MERT MIRA PRO
- 13. フレーズベースSMTのデコーディング 14 新たな 翻訳 手法 を 提案 する new novel translation method a method the propose is do we propose a an approach approach suggestdecode we proposetranslation algorithm a new translation method of the novel translation Phrase table we propose a novel translation method
- 15. 新たな 翻訳 手法 を 提案 する embedding forward RNN backward RNN we propose a novel translationmethod attention decoder RNN softmax input output <EOS> <EOS> Attention-based Neural Machine Translation 16 [Bahdanau et al., 2014]
- 16. • SMTよりも平均的に高精度 • SMTのような複雑なステップがない • SMTのように入力文を「置き換える」ことで翻訳す るのではなく、入力文を見ながら翻訳文を生成 – <EOS>が（どこかで）出力されたら完了 • 入口（入力文）と出口（翻訳文）以外は全て数値 計算（行列の積など）だけで動いている（end-to- end） • embeddingのおかげで柔軟な翻訳が可能 17 NMTの特徴
- 17. NMTの短所 18 • 既存の（SMT用の）前処理・後処理が使えない • 対訳辞書を利用することが難しい • モデルの訓練にGPUが必須 • なぜこの翻訳結果が出てきたのかを説明することが できない • 入力文を過不足なく翻訳することができない
- 18. NMTの課題 19 • 扱える語彙サイズが小さい – 計算コストの問題から、NMTでは頻度上位の語(例えば5 万語とか)のみしか扱うことができない – 語彙サイズの問題の解決を試みた様々な研究 • 低頻度語を全て特別な記号<UNK>に置き換えて翻訳し、訳文中 の<UNK>を辞書等で後から翻訳 • 単語ではなく文字を使ったり、その両方をハイブリッドに • サブワードを利用 (byte pair encoding, BPEやsentecepiece) • 訳抜けと繰り返し – 単語、句、節など様々な単位での訳抜けが発生 – 単語や句が繰り返し出現
- 19. 中→日翻訳例 20 IN 使用由高取向热解石墨(HOPG)制成的单色器702作为X射线的单色化单 元以便提取Mo的特征X射线。 REF Ｘ線の単色化手段としては高配向性熱分解黒鉛（ＨＯＰＧ）のモノクロメータ ７０２を用いＭｏの特性Ｘ線部分を抽出する。 SMT Ｘ線として高配向熱分解黒鉛（ＨＯＰＧ）からなるモノクロメータ７０２の単色 化ユニットを用いてＭｏの特性Ｘ線を抽出することができる。 (3, 3) NMT 高配向熱分解黒鉛(HOPG)からなるの702は、X線を用いてX線を抽出する ために、X線を使用する。 (1, 2) IN “聚合酶链反应”(“PCR”)是本领域技术人员熟知的。 REF 「ポリメラーゼ連鎖反応」（「ＰＣＲ」）は、当業者によく知られている。 SMT 「ポリメラーゼ連鎖反応（ＰＣＲ）」は、当業者に周知である。 (5, 5) NMT 「重反応」(「PCR」)は当業者に周知である。 (4, 2)
- 20. 英→日翻訳例 21 IN Using Hartree-Fock-Bogoliubov method, pairing density distribution of the deformed nuclei was investigated. REF Ｈａｒｔｒｅｅ−Ｆｏｃｋ−Ｂｏｇｏｌｉｕｂｏｖ法を用いて変形した原子核の対密度分布を 調べた。 SMT Ｈａｒｔｒｅｅ ‐ Ｆｏｃｋ ‐ Ｂｏｇｏｌｉｕｂｏｖ法を用いて，変形した核の対密度分布を 調べた。(5, 5) NMT 標記の方法を用いて，変形核の対密度分布を調べた。 (4, 3) IN 食事については，全介助から半介助となった。 REF On the meal, changing from all support to half support was realized. SMT The meal became half assistance from the assistance. (1, 4) NMT On the meal, it became the assistance from all assistance assistance. (1, 2)
- 23. まとめ 24
- 24. 世界最高性能の科学技術論文翻訳 25 • 巨大な対訳コーパス – 日中400万対訳文 (ISTICと共同でプロジェクト内で構築) – 日英1000万対訳文 • 高精度な科学技術論文用のニューラル翻訳 – 国際的な機械翻訳の評価ワークショップで1位 • 実用化 – 中国文献 (LCAS, Wanfang) をNMTで日本語に翻訳し、 JSTChinaデータベースに搭載し、日本人ユーザーに提供 – 英日についても今年度末から来年度にNMTに移行