ИЗУЧЕНИЕ РОЛИ КЛАССИФИКАЦИИ ЯЗЫКОВ В СОЗДАНИИ ПРОГРАММ-ПЕРЕВОДЧИКОВ
Keywords:
классификация языков, машинный перевод, агглютинативные языки, нейронный перевод, лингвистическая классификация, языки с ограниченными ресурсами.Abstract
В этой статье анализируется роль и значение классификации языков при создании программ-переводчиков. Результаты исследования показали, что классификация, основанная на морфологических, синтаксических и семантических свойствах языков, повышает эффективность систем машинного перевода, повышает точность перевода и семантическую совместимость. Особые подходы важны, особенно для агглютинативных и синтетических языков. В исследовании анализируется место классификации языков в статистических, основанных на правилах и нейронных моделях перевода и показаны перспективы создания адаптивных и динамических систем перевода в будущем.
Downloads
References
1. Koehn, P. (2020). Neural Machine Translation. Cambridge University Press.
2. Popescu-Belis, A. (2019). Multilingual Natural Language Processing: Challenges and Approaches. Springer.
3. Bahdanau, D., Cho, K., & Bengio, Y. (2015). Neural machine translation by jointly learning to align and translate. International Conference on Learning Representations (ICLR).
4. Comrie, B. (1989). Language Universals and Linguistic Typology: Syntax and Morphology. University of Chicago Press.
5. Croft, W., & Cruse, D. A. (2004). Cognitive Linguistics. Cambridge University Press.
6. Johnson, M., Schuster, M., Le, Q. V., Krikun, M., Wu, Y., Chen, Z., Dean, J. (2017). Google's multilingual neural machine translation system: Enabling zero-shot translation. Transactions of the Association for Computational Linguistics, 5, 339–351.
7. Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., ... & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems (NeurIPS), 30.
8. Och, F. J., & Ney, H. (2003). A systematic comparison of various statistical alignment models. Computational Linguistics, 29(1), 19–51
