Статистическая система машинного перевода, презентация для диплома

Введение Принципы Архитектура Оценка Перспективы +

МОСКОВСКИЙ АВИАЦИОННЫЙ ИНСТИТУТ
(национальный исследовательский университет)

Распределенное
программно-информационное
обеспечение статистической модели
перевода естественных языков

Выполнил студент группы 08-606
Никитин Илья Константинович
Научный руководитель
ассистент кафедры 806
Гаврилов Евгений Сергеевич

17 января 2012 г.: И. К. Никитин Статистический машинный перевод

Введение Принципы Архитектура Оценка Перспективы + Зачем Методы

Для чего нужен машинный перевод?

бытовой перевод:
книги,
переписка;
поиск в Интернете на разных языках (внутри поисковых
алгоритмов и дополнительная функция для пользователя);
перевод научных публикаций c других языков;
применения достижений в других областях:
автоматическое реферирование,
распознавание речи,
распознавание последовательностей аминокислот (ДНК).

17 января 2012 г.: И. К. Никитин #2 36 | Статистический машинный перевод

Введение Принципы Архитектура Оценка Перспективы + Зачем Методы

Основные методы машинного перевода

М .
. ашинный перевод
.

П .
. равила Д .
. анные

П
. ословные
. И
. нтерлингвистические
. О
. снованные . примерах
на

Т
. рансферные
. С
. татистические
.


Введение Принципы Архитектура Оценка Перспективы + Модель Шеннона Модель языка Модель перевода Декодер

Модель зашумленного канала (1)

Ш
. ум
И
. сточник (R)
. П .
. ередачик
. П
. риемник
. Ц .
. ель (E)

1. Пусть ϕr — фраза оригинала (русская).
2. Требуется найти ϕe — фразу перевода (английскую).
Максимизировать P(ϕe |ϕr ).

(P(ϕe ) · P(ϕr |ϕe ))
P(ϕe |ϕr ) = ⇒
P(ϕr )

ϕeg = arg max P(ϕe |ϕr ) = arg max (P(ϕe ) · P(ϕr |ϕe ))
∪ϕe ∪ϕe



С
. татистическая система машинного перевода
.

Модель языка Модель перевода
. .
P(ϕe )
. .
P(ϕr |ϕe )

arg max P(ϕe |ϕr ) = arg max (P(ϕe ) · P(ϕr |ϕe ))
∪ϕe ∪ϕe

ϕe — фраза перевода (английская);
ϕr — фраза оригинала (русская).



С
.

. .
P(ϕe )
. .
P(ϕr |ϕe )

Декодер
. .
arg max (P(ϕe ) · P(ϕr |ϕe ))
∪ϕe



С
.

. .
P(ϕe )
. .
P(ϕr |ϕe )

Декодер
. .
arg max (P(ϕe ) · P(ϕr |ϕe ))
∪ϕe

Корпус текста Параллельный
. .
на языке ϕe .
. корпус .
текста
на языках ϕe и ϕr .



Модель языка

Правильный порядок слов.
Вычисляется с помощью n-грамм слов. Пример для 3-грамм:

 (ω1 ,
 ω2 , ω3 );

 (ω2 , ω3 , ω4 );
ϕ = (ω1 , ω2 , ω3 , ω4 , . . . , ωl ) ⇒ . . .
 .
 . .
. .
.


(ωl−2 , ωl−1 , ωl ).
Вычисляется по формуле:

∏
i=l+n−1
P(ϕ) = P(ω1 . . . ωl ) = P (ωi |ωi−1 . . . ωi−n+1 ).
i=0



Модель перевода (1)

Вводим выравнивание для пары предложений Πe , Πr .
Для выравнивания нужны вероятности лексического
перевода ωe → ωr .
Для вероятности лексического перевода нужны
выравнивания.
Проблема «курицы и яйца».




Для оценки вероятности лексического перевода −→
EM-алгоритм (Витерби):
инициализируем параметры модели (одинаковыми
значениями, на первой итерации);
оценим вероятности отсутствующей информации;
оценим параметры модели на основании новой информации;
перейдем к следующей итерации.



∃ Отличия от других систем
Система используется для перевода научно-технической литературы.

.
Слова → n-грамы .
..
⇐ Устойчивые формальные выражения в научных текстах.
.
.. .

.
.
Выравнивание по круппным группам n-грам .
..
⇐ прямой порядок слов;
⇐ стереотипная структура предложений.
.
.. .

.
.
Модели низких порядков .
..
⇐ важность локального порядка слов;
⇐ фертильности и вероятностной грамматики могут его разрушить.
.
.. .

.


Декодер

Исходная фраза
.
Среди всех возможных вариантов ϕr
.

перевода выбрать правильный:
полный перебор; Модель Модель
. перевода
. . языка
.
A*: P(ϕr |ϕe ) P(ϕe )
Д .
. екодер
стековый поиск,
многостековый поиск;
жадный инкрементный поиск;
сведение к обобщенной задаче Перевод исходной фразы
коммивояжера. . arg max (P(ϕe ) · P(ϕr |ϕe ))
ϕe



Жадный инкрементный поиск

простой и быстрый поиск;
«плохой» вариант перевода получаем сразу;
последовательно применяя набор операций можем
улучшить перевод;
изменить перевод слова (группы слов, n-граммы),
удалить слово (группу слов, n-грамму),
поменять слова местами (группы слов, n-граммы);
можно делать отсечку по времени;
можем сразу оценить модель языка большой фразы.


Введение Принципы Архитектура Оценка Перспективы + Обзор Обучение Декодеривание

∃ Из чего состоит система

. орпус.En, Ru
К . Читатель
.
Erlang
П
. РС-СМП

Набор приложений.
Могут быть удалены
. друг от друга. . База Redis
данных
.
.
. Декодер
.
Erlang
Распределены
где это возможно.

. нтерфейсы
и
. еб
В .
. est
R .

. онсоль
К .

. Обработчик
.
Erlang

.



. .
Читатель . Обработчик .
.. ..

Nчит. < Nобр.

. .
.. .
.

.. .

.


.
Декодер .
..

жадный инкрементный
поиск;
два режима работы:
перевода,
улучшения.
пошаговый веб-интерфейс;
потоковый RESTful-сервис;
пошаговый консольный
интерфейс.

.
.. .
.


Введение Принципы Архитектура Оценка Перспективы + Примеры BLEU Скорость

∃ Примеры (1)

Оригинал
... adopted at the 81st plenary meeting ...

Переводчик
... принята на 81-м пленарном заседании ...

Система
... принята без голосования на 81 пленарном заседании
в Брюсселе ...




Оригинал
It will be instructive to exhibit Euclid’s algorithm here.

Думаю, имеет смысл привести здесь описание этого алгоритма.

Система
Будет поучительно выставить алгоритм Евклида здесь.




Оригинал
Many years have passed since the author wrote most of the
comments above ...

Со времени первого написания автором большинства
приведенных выше комментариев утекло много воды ...

Система
Много лет прошло с тех пор, автор написал большую часть
комментариев выше ...



Оценка перевода с использованием метрики BLEU

BLEU — Bilingual Evaluation Understudy
Численная оценка качества перевода.
Нужен перевод, выполненный человеком.
Система BLEU
Показывает величину близости ПРС-СМП (1) 0.243
к «человеческому» переводу. ПРС-СМП (100) 0.209
Чем меньше величина, тем лучше. Moses (IBM 3) 0.201
Сравнивались: Moses (IBM 5) 0.173
ПРС-СМП;
cистемы построенная на основе
Moses.



Оценка скорости обучения

Процессор: Intel Core2 Duo, 1 ядро 64 бит, ОП 4Гб, ФС:ext4
Система Время, ч
ПРС-СМП (1) ≈5
Moses (GIZA++) ≈ 25
Chaski (MGIZA++) ≈ 26

Процессор: Intel Xeon E5506, 8 ядер 64 бит, ОП 10Гб, ФС:xfs
Система Время, ч
ПРС-СМП (1) ≈1
Moses (GIZA++) ≈ 22
Chaski (MGIZA++) ≈3



Оценка скорости декодирования

Процессор: Intel Core2 Duo, 1 ядро 64 бит, ОП 4Гб, ФС:ext4
Система Время, мкс
ПРС-СМП (1) 1132
ПРС-СМП (100) 7108124
Moses (IBM 3) ≈ 10000000
Moses (IBM 5) ≈ 30000000

Процессор: Intel Xeon E5506, 8 ядер 64 бит, ОП 10Гб, ФС:xfs
Система Время, мкс
ПРС-СМП (1) 1012
ПРС-СМП (100) 1119024
Moses (IBM 3) ≈ 5000000
Moses (IBM 5) ≈ 6000000


Введение Принципы Архитектура Оценка Перспективы + Результаты Развитие Результаты

Результаты

Разработан подход:
быстрого обучения модели перевода для научных текстов.
Реализована система машинного перевода:
многопроцессорная, распределенная;
только научно-техническая литература;
быстрое обучение;
быстрое (пошаговое) декодирование.



Дальнейшее развитие

Математика: Архитектура и реализация:
полноценный фразовый перевод; использовать пословное сжатие
синтаксический перевод; при хранении в БД;

смешанная система перевода: переписать обработчика на Cи с
libevent;
пара русский-английский,
морфологический анализ. libevent для RESTful-сервиса
декодера:
опробовать более точные методы
1 млн. одновременных
поиска.
соединений
попробовать Redis → leveldb.



Результаты

Разработан подход:
быстрого обучения модели перевода для научных текстов.
Реализована система машинного перевода:
многопроцессорная, распределенная;
только научно-техническая литература;
быстрое обучение;
быстрое (пошаговое) декодирование.


Введение Принципы Архитектура Оценка Перспективы + Модель языка Модель перевода Декодер BLEU

Приложения-подробности
интересные слайды,
которые не вошли в саму презентацию



Модель языка

Вычисляется с помощью n-грамм слов.

∏
i=l+n−1
P(ω1 . . . ωl ) = P (ωi |ωi−1 . . . ωi−n+1 )
i=0

P (ωm |ω1 . . . ωm−1 ) = Kn · P(ωm |ω1 . . . ωm−1 ) + . . . + K1 · P(ω1 ) + K0 ;

частота (ω1 )
P(ω1 ) = ;
|Θ|
частота (ω1 . . . ωm−1 ωm )
P(ωm |ω1 . . . ωm−1 ) = ;
частота (ω1 . . . ωm−1 )

∑
i=n
Ki — коэффициенты сглаживания Ki > Ki+1 и Ki = 1.0.
i=0



Модель языка (адаптивные модели)

∏
i=l+n−1
P(ω1 . . . ωl ) = P (ωi |ωi−1 . . . ωi−n+1 )
i=0

P можно вычислить иначе, используя адаптивный метод сглаживания

δ + частота (ω1 . . . ωm )
P (ωm |ω1 . . . ωm−1 ) = ∑ ( ) =
δ + частота (ω1j . . . ωmj )
i

δ + частота (ω1 . . . ωm )
= ∑( )
δ·V+ частота (ω1j . . . ωmj )
i

V — количество всех n-грамм в используемом корпусе;
δ = 1 — метод сглаживания Лапласа;
δ = 1 ⇒ методы Гуда-Тьюринга, Катца, Кнезера-Нейя.



Введем обозначения

Θe — «английский» текст (множество предложений);
Θr — «русский» текст;
Πe — «английское» предложение (последовательность
слов);
Πr — «русское» предложение;
ωe — «английское» слово;
ωr — «русское» слово;




Пусть P(Πe |Πr ) — вероятность некоторой строки (предложения) из e,
при гипотезе перевода из r.
∑
P(Πe |Πr ) = P(Πe , a|Πr );
a

a — выравнивание между отдельными словами в паре предложений.
Вероятность перевода:

ε ∏
le
P(Πe , a|Πr ) = t(ωej |ωra(j) )
(lr + 1)le
j=1

t — это вероятность слова оригинала в позиции j при соответствующем
ему слове перевода ωra(j) , определенном выравниванием a.




Для оценки параметров −→ EM-алгоритм (Витерби).
инициализируем параметры модели (одинаковыми
значениями, на первой итерации);
оценим вероятности отсутствующей информации;
оценим параметры модели на основании новой информации;
перейдем к следующей итерации.



Базовый-алгоритм(Θe , Θr )
1 ∀ ωe ∈ Πe ∈ Θe :
2 ∀ωr ∈ Πr ∈ Θr :
3 t(ωe |ωr ) ← u, u ∈ R;
4 £ Инициализируем таблицу t(ωe |ωr ) одинаковыми значениями.
5 пока не сойдется :
6 ∀ ωe ∈ Πe ∈ Θe : £ Инициализируем остальные таблицы.
7 ∀ωr ∈ Πr ∈ Θr :
8 counts(ωe |ωr ) ← 0; total(ωr ) ← 0;
9 ∀ Πe , Πr ∈ Θe , Θr : £ Вычисляем нормализациию.
10 ∀ ωe ∈ Π e :
11 stotal(ωe ) ← 0;
12 ∀ ωr ∈ Π r :
13 stotal(ωe ) ← stotal(ωe ) + t(ωe |ωr );
14 ∀ ωe ∈ Πe : £ Собираем подсчеты.
15 ∀ ωr ∈ Π r :
t(ωe |ωr )
16 counts(ωe |ωr ) ← counts(ωe |ωr ) + ;
stotal(ωe )
t(ωe |ωr )
17 total(ωr ) ← total(ωr ) + ;
stotal(ωe )
18 ∀ ωe ∈ Θe : £ Оцениваем вероятность.
19 ∀ωr ∈ Θr :
counts(ωe |ωr )
20 t(ωe |ωr ) ← ;
total(ωr )



∃ Детали работы декодера (1)

В первом режиме работы на вход принимается исходный текст.
Далее ищется ее наиболее вероятный эквивалент,
последовательным разбиением фразы на n-граммы наибольшего
размера (аналогично алгоритму системы перевода основанной
на примерах в приложении), и параллельным поиском их в базе
данных.



∃ Детали работы декодера (2)

 
Sηe Sωe
∑ ∑
− S 1 log2 P(ηe i )+ S 1 log2 P(ωr j |ωe j )
ηe ωe
i=1 j=1
ВН = 2

ηe — n-граммы высокого порядка найденные в созданном тексте;
Sηe — количество таких n-грамм;
P(ηe ) — вероятность n-грамм согласно языковой модели (вычисляется как
указано раннее);
ωe — n-граммы (слова) как результат перевода согласно модели перевода;
Sωe — количество таких n-грамм (слов);
P(ωr j |ωe j ) — вероятность перевода фразы ωe j на ωr j .

Во втором режиме работы на вход принимается исходный текст (ИТ), переводной
текст (ПТ) c предыдущей итерации и величина неопределенности (ВН).



BLEU — Bilingual Evaluation Understudy

( )
∑
N
Wn log(pn )
BLEU = Bp · e n=1
∑ ∑
{ числосреза (ηc )
(
1, )
lc > lh ; C∈Sc ηc ∈C
Bp = l
1− lh и pn = ∑ ∑
e c , lc lh . число(ηc )
C∈Sc ηc ∈C

Sc — множество кандидатов на перевод;
C — кандидат на перевод;
Система BLEU
ηc — n-грамма кандидата на перевод;
ПРС-СМП (1) 0.243
lc — длинна кандидата перевода;
lh — длинна экспертного перевода
ПРС-СМП (100) 0.209
(выполненного человеком); Moses (IBM 3) 0.201
1 Moses (IBM 5) 0.173
Wn = — вес;
N
N = 4, n-грамность оценки.


Статистическая система машинного перевода, презентация для диплома

Recommended

Recommended

More Related Content

Featured

Featured (20)

Статистическая система машинного перевода, презентация для диплома