1.
構⽂情報に基づく
機械翻訳のための能動学習⼿法と
⼈⼿翻訳による評価
三浦 明波*1 Graham Neubig*1 Michael Paul*2 中村 哲*1
*1 奈良先端科学技術⼤学院⼤学
*2 株式会社ATR-Trek
16/03/09 Akiva Miura AHC-Lab, IS, NAIST 1
⾔語処理学会 第22回年次⼤会

2.
⽬次
1. 研究背景・概要
2. 翻訳対象データ選択⼿法
3. ⼈⼿翻訳実験
4. 実験結果・分析
5. まとめ
6. Appendix
16/03/09 Akiva Miura AHC-Lab, IS, NAIST 2

3.
1. 研究背景・概要
16/03/09 Akiva Miura AHC-Lab, IS, NAIST 3

4.
• 対訳コーパスの質と量が不可⽋
• 学習データの分野外の翻訳は苦⼿
統計的機械翻訳
l 統計的機械翻訳（Statistical Machine Translation ; SMT)
[Brown et al., 1993]
16/03/09 Akiva Miura AHC-Lab, IS, NAIST 4
対訳コーパス
⽬的⾔語
コーパス
翻訳モデル
⾔語モデル
デコーダ
（翻訳機）
学習データ
⼊⼒⽂
翻訳結果
翻訳システム

5.
能動学習による対訳データの作成
l 能動学習を⽤いて対訳データを効率的に作成
16/03/09 Akiva Miura AHC-Lab, IS, NAIST 5
翻訳済み
未翻訳
翻訳済み
原⾔語データ ⽬的⾔語データ
対訳
⼈⼿翻訳
ü ⼈⼿翻訳のコスト（〜単語数）を⼤幅削減
ü 既存の対訳データを元に効率的に分野適応が可能
翻訳候補 翻訳結果
追加追加
翻訳精度向上に役⽴てられそうな
部分を逐次的に選択

6.
16/03/09 Akiva Miura AHC-Lab, IS, NAIST 6
l 研究⽬的：
• 能動学習⼿法を⽤いることで翻訳モデル構築の
費⽤対効果を向上
l 既知の事項：
• 対訳データを⼈⼿で作るには時間と費⽤の⾯でコスト⼤
• 外部委託の場合、通常は単語数に応じた費⽤がかかる
l 研究概要：
• 能動学習を⽤いた対訳データ構築における、
既存の⼿法を調査し、問題点を解消することで、
機械翻訳の精度向上効率を改善させる
研究概要

7.
2. 翻訳対象データ選択⼿法
16/03/09 Akiva Miura AHC-Lab, IS, NAIST 7

8.
研究概要
16/03/09 Akiva Miura AHC-Lab, IS, NAIST 8
l 従来法1: n-gram頻度に基づく⽂選択 [Bloodgood et al., 2010]
A housewrap made from any one of the preceding claims .
（⾼頻度）
l 従来法2: n-gram頻度に基づくフレーズ選択 [Bloodgood et al., 2010]
A housewrap made from any one of the preceding claims .
（⾼頻度）
l 提案法: 構⽂情報に基づくフレーズ選択 [三浦 他, 2015]
any one of the preceding claims
DT CD IN DT NNS JJ
NP
PP
NP
NP ・・・
・・・
・・・
l より少ない追加単語数で
カバレッジ向上と
⾼品質な対訳取得を期待
（⾼頻度）

9.
シミュレーション実験結果 (英→仏)
16/03/09 Akiva Miura AHC-Lab, IS, NAIST 9
ü 提案⼿法により
精度向上効率を⼤幅に改善
← 4-gramに基づく⽂選択
← 4-gramに基づくフレーズ選択
← 構⽂⽊に基づくフレーズ選択
← (重複フレーズを事前に削減)
l ⼈⼿翻訳の代わりにSMTでフレーズの対訳を得る能動学習実験を実施
（2015年12⽉ NL研で発表）
翻訳精度→
提案⼿法

10.
16/03/09 Akiva Miura AHC-Lab, IS, NAIST 10
l シミュレーション実験による翻訳精度への影響
Ø 提案法で、追加単語数に対する精度向上幅を改善
l 選択されるフレーズの傾向、カバレッジへの影響
Ø 提案法は⾼頻度の専⾨⽤語を優先して選択する傾向
新規の調査内容
調査済み
新規の調査項⽬
l 本当に⼈⼿翻訳を⾏う際に有効か？
l 得られる対訳の質、翻訳のしやすさは？
l 翻訳作業に要する時間は？

11.
3. ⼈⼿翻訳実験
16/03/09 Akiva Miura AHC-Lab, IS, NAIST 11

12.
⽐較するデータ選択⼿法
16/03/09 Akiva Miura AHC-Lab, IS, NAIST 12
データ選択⼿法 選択順 対象
sent-by-4gram-freq
（ベースライン１）
4-gram頻度順 ⽂
4gram-freq
（ベースライン２）
頻度順
4-gramフレーズ
reduced-struct-freq
（提案法）
部分⽊フレーズ
（重複を統合）

13.
16/03/09 Akiva Miura AHC-Lab, IS, NAIST 13
Phrase to be translated:
3: sure about the translation
Translation input form:
⾛査型電⼦顕微鏡 (SEM)
Confidence level:
2: not so sure about the translation
1: not sure at all
The morphologies using scanning electron
microscopy ( SEM ) were studied .
⼈⼿翻訳データの収集
l Web UIを作成し、プロの翻訳者に翻訳作業を依頼
l 翻訳に対する確信度も併せて評価

14.
実験設定
使⽤ツール
単語アラインメント推定 inc-giza-pp
(GIZA++の逐次学習対応版）
⾔語モデル学習 KenLM (5-gram)
翻訳モデル学習 Moses-MMSAPT
(接尾辞配列を⽤いたフレーズテーブルの動的⽣成)
デコーダ Moses (PBMT)
句構造解析 Ckylark
⾃動評価尺度 BLEU-4
16/03/09 Akiva Miura AHC-Lab, IS, NAIST 14
データセット
英語 → ⽇本語 ベース (⼀般分野): 英辞郎例⽂データ (414k ⽂)
追加 (科学論⽂): ASPEC (1.87M ⽂)
評価: ASPEC (1,790 ⽂)

15.
4. 実験結果・分析
16/03/09 Akiva Miura AHC-Lab, IS, NAIST 15

16.
追加単語数あたりのBLEUスコア推移
16/03/09 Akiva Miura AHC-Lab, IS, NAIST 16
ü 構⽂⽊を⽤いる提案⼿法で最⾼精度

17.
累計作業時間あたりのBLEUスコア推移
16/03/09 Akiva Miura AHC-Lab, IS, NAIST 17
✗ 構⽂⽊に基づくフレーズ選択⼿法で従来より⻑い作業時間
Ø 専⾨⽤語を優先的に選択する傾向を確認済み

18.
合計実作業時間と平均信頼度
16/03/09 Akiva Miura AHC-Lab, IS, NAIST 18
ü reduced-struct-freq で最⾼平均信頼度
⼿法 合計作業時間 [時間] 平均信頼度 [3段階]
sent-by-4gram-freq 25.22 2.689
4gram-freq 32.70 2.601
reduced-struct-freq 59.97 2.771

19.
フレーズの翻訳に要する平均時間
16/03/09 Akiva Miura AHC-Lab, IS, NAIST 19
l 1単語の翻訳時間が2〜4単語の翻訳時間を上回る
⼿法
平均作業時間 [秒]
1単語 2単語 3単語 4単語 5単語+
sent-by-4gram-freq - - - - 160.64
4gram-freq 30.14 24.76 21.77 21.12 -
reduced-struct-freq 35.61 25.23 21.72 28.13 22.82

20.
信頼度帯による翻訳精度
16/03/09 Akiva Miura AHC-Lab, IS, NAIST 20
ü 構⽂⽊を利⽤かつ信頼度2以上の時に最⾼精度
⼿法
BLEUスコア
(丸括弧は収集データの利⽤率）
信頼度 ≧ 1 信頼度 ≧ 2 信頼度 = 3
sent-by-4gram-freq 9.88
(100%)
9.92
(99.6%)
9.85
(67.1%)
4gram-freq 10.48
(100%)
10.54
(97.5%)
10.36
(55.0%)
reduced-struct-freq 10.70
(100%)
10.72
(98.5%)
10.67
(78.8%)
※ ベースシステムのBLEUスコアは 9.37 [%]

21.
5. まとめ、今後の計画
16/03/09 Akiva Miura AHC-Lab, IS, NAIST 21

22.
まとめ、今後の計画
16/03/09 Akiva Miura AHC-Lab, IS, NAIST 22
Ø 今後の計画:
翻訳作業時間を短縮しつつ有効にモデルを⾼度化する⼿法を考案
調査結果
l 本当に⼈⼿翻訳を⾏う際に有効か？
ü 従来⼿法よりも効率的に精度向上
l 得られる対訳の質、翻訳のしやすさは？
ü 作業者が最も⾃信をもって翻訳を実施
l 翻訳作業に要する時間は？
✗ 作業時間あたりの効率は改善せず
l 構⽂情報を⽤いて翻訳対象を選択するデータ選択⼿法を提案
Ø ⼈⼿翻訳によって能動学習の効率を⽐較

23.
ご清聴ありがとうございました
16/03/09 Akiva Miura AHC-Lab, IS, NAIST 23
謝辞
l 本研究は、
（株）ATRーTrekの助成を受けて実施されました
l ⼈⼿翻訳実験のための翻訳作業は、
（株）バオバブに⽀援して頂きました

24.
⽬次
1. 研究背景・概要
2. 翻訳対象データ選択⼿法
3. ⼈⼿翻訳実験
4. 実験結果・分析
5. まとめ
6. Appendix
16/03/09 Akiva Miura AHC-Lab, IS, NAIST 24

25.
6. Appendix
16/03/09 Akiva Miura AHC-Lab, IS, NAIST 25

26.
能動学習
16/03/09 Akiva Miura AHC-Lab, IS, NAIST 26
ü 少ないアノテーションコストによってモデルの性能を向上
• オンライン学習との相性が良い
l 能動学習（Active Learning)
能動学習アルゴリズム
プールデータ
（ラベルなし）
データ点を1つ選択
データ点にラベルを付与
モデルを
更新
正解ラベル
を要求
学習データ
（ラベル付き）
モデル
オラクル
（教師）
データ選択基準
が特に重要

27.
n-gram頻度に基づく⽂選択⼿法
16/03/09 Akiva Miura AHC-Lab, IS, NAIST 27
ü 少ない⽂数で原⾔語データの全n-gramフレーズをカバー可能
✗ 翻訳済みフレーズも多く再選択されるために無駄が多い
l 最⾼頻度の未カバーn-gramフレーズを含む⽂を選択
[Bloodgood et al., 2010]
350,000
(times)
200,000 100,000 (times)
A housewrap made from any one of the preceding claims .
any one of the preceding claims

28.
n-gram頻度に基づくフレーズ選択⼿法
16/03/09 Akiva Miura AHC-Lab, IS, NAIST 28
ü ⽂選択⼿法よりも少ない単語数でn-gramカバレッジを向上
✗ 選択されるフレーズどうしの重複多数
✗ フレーズの断⽚化が発⽣し、⼈⼿翻訳が困難
✗ 単語数 n > 4 のフレーズ対応を学習できない
l 最⾼頻度の未カバーn-gramフレーズそのものを選択
[Bloodgood et al., 2010]
sorting
350,000 200,000 100,000 (times)
any one of the preceding claims
• any one of the 350,000
• one of the preceding 200,000
• of the preceding claims 100,000
翻訳が困難
提案手法で解決

29.
構⽂⽊に基づくフレーズ選択
16/03/09 Akiva Miura AHC-Lab, IS, NAIST 29
l 構⽂解析結果から部分⽊をなすフレーズを頻度順に追加
[三浦 他, 2015]
are proposed and discussed
VBZ VBN CC VBN
VP
VP
VP
VP
two methods are proposed
CD NNS VBP
VP
NP
S
VBN
VP
ü 構⽂解析結果を⽤いることで、断⽚化の問題を解消
ü 包含関係にあるフレーズを⼀定条件で統合して重複を削除
Ø ⼈⼿翻訳時の品質にも好影響？（本研究で調査）
カウントする カウントしない
✔

30.
対訳データの内訳
16/03/09 Akiva Miura AHC-Lab, IS, NAIST 30
トされる
トされない
ズカウント条件
層的な単語列を数え
言語対 分野 データセット 文数/単語数
414k 文
一般 (ベース) Train En: 6.72M 単語
Ja: 9.69M 単語
En-Ja 1.87M 文
Train En: 46.4M 単語
科学論文 (追加) Ja: 57.6M 単語
Test 1790 文
Dev 1790 文
1.89M 文
一般 (ベース) Train En: 47.6M 単語
Fr: 49.4M 単語
En-Fr 15.5M 文
Train En: 393M 単語
医療 (追加) Fr: 418M 単語
Test 1000 文
Dev 500 文
表 1 対訳コーパスのデータ内訳 (有効数字 3 桁)

31.
⼿法ごとに選択されるデータ内訳
16/03/09 Akiva Miura AHC-Lab, IS, NAIST 31
報処理学会研究報告
SJ SIG Technical Report
全フレーズ追加 1 万単語追加
言語対 データ選択手法 フレーズ数 単語数 平均フレーズ長 フレーズ数 平均フレーズ長
sent-by-4gram-freq 1.28M 33.6M 26.3 560 17.8
4gram-freq 8.48M 26.0M 3.07 4.70k 2.13
En-Ja maxsubst-freq 7.29M 25.8M 3.54 4.51k 2.22
reduced-maxsubst-freq 6.06M 21.7M 3.58 4.76k 2.10
struct-freq 1.45M 4.85M 3.34 6.64k 1.51
reduced-struct-freq 1.10M 3.33M 3.03 6.73k 1.49
sent-by-4gram-freq 10.6M 269M 25.4 310 32.1
4gram-freq 40.1M 134M 3.34 3.62k 2.76
En-Fr maxsubst-freq 62.4M 331M 5.30 2.39k 4.17
reduced-maxsubst-freq 45.9M 246M 5.36 2.95k 3.39
struct-freq 14.1M 94.2M 6.68 4.01k 2.49
reduced-struct-freq 7.33M 41.3M 5.63 4.55k 2.20
表 2 手法ごとに選択されるデータ内訳 (有効数字 3 桁)
1-gram / 4-gram カバレッジ [%]
言語対 データ選択手法 追加なし 1 万単語 10 万単語 100 万単語
sent-rand 94.81 / 5.63 95.99 / 6.59 97.54 / 10.06

32.
機械翻訳のための能動学習⼿法
l 機械翻訳のための能動学習アルゴリズム
16/03/09 Akiva Miura AHC-Lab, IS, NAIST 32
• どのように次の翻訳候補を選択するかが重要
Ø SrcPool を効率的にカバーする⼿法を考案
ととする．翻訳対象の候補となるデータを含む原言語コー
パスから，逐次的に新しい原言語フレーズを選択し翻訳，
正解データとして対訳コーパスに加える手順をまとめると
下表のように一般化できる．
Algorithm 1 能動学習手法
1: Init:
2: SrcPool ← 翻訳候補の原言語コーパス
3: Translated ← 翻訳済みの対訳コーパス
4: Oracle ← 入力フレーズの正解訳を与えるオラクル
5: Loop Until 停止条件:
6: TM ← TrainTranslationModel(Translated)
7: NewSrc ← SelectNextPhrase(SrcPool, Translated, TM)
8: NewTrg ← GetTranslation(Oracle, NewSrc)
9: Translated ← Translated {⟨NewSrc, NewTrg⟩}
1 行目から 4 行目でデータの定義，初期化を行う．
SrcPool は原言語コーパスの各行を要素とする集合で
ある．Translated は翻訳済みの原言語フレーズと目的言
ものを含む文を
訳済みのデータ
カバーした時点
最頻出の n-gr
翻訳コストを抑
らは，n = 4 の
能動学習のシミ
全てを翻訳す
BLEU スコア
しかし，文全
にカバーされて
の単語数だけ余
のため，文全体
手法を 3.2 節か
3.2 n-gram
n-gram 頻度

33.
極⼤性の導⼊
16/03/09 Akiva Miura AHC-Lab, IS, NAIST 33
l 極⼤部分⽂字列 [Okanohara et al, 2009]
• 半順序関係を定義:
「s1がs2の部分文字列」かつ「occ(s1) = occ(s2) 」
⇔ s1 ≼ s2
• 極大元が存在:
s1について、s1 ≼ s2 となるような s2 は s1 自身のみ
⇔ s1 を極大部分文字列と定義
l 部分フレーズ（単語列）に適⽤、α による⼀般化
• 半順序関係を定義:
「s1がs2の部分単語列」かつ「α・occ (s1) ≦ occ (s2) 」
⇔ s1 ≼ s2
• 極大元が存在:
α = 1 の場合の極大元: 極大フレーズ
α = 0.5 の場合の極大元: 半極大フレーズ

34.
フレーズの極⼤性に基づくデータ選択
16/03/09 Akiva Miura AHC-Lab, IS, NAIST 34
l 極⼤性を持つ未カバーのフレーズを抽出し、頻度順に選択
• 極大フレーズの選択:
p2とp3が極大性を持つ（p1 ≼ p2)
any one of the preceding claims
any one of the preceding claims
• 半極大フレーズの選択:
p3が極大性を持つ（p1 ≼ p2 ≼ p3）
ü フレーズの重複部分を効果的に統合
△ すべての重複を統合できるわけではない
✗ 統語情報を⽤いていないので、断⽚化の問題が残る
p1 = “one of the preceding”, occ(p1) = 200,000
p2 = “one of the preceding claims”, occ(p2) = 200,000
p3 = “any one of the preceding claims”, occ(p3) = 190,000

35.
シミュレーションタスク
16/03/09 Akiva Miura AHC-Lab, IS, NAIST 35
タスク名 選択順 対象 備考
sent-rand
ランダム
文
4gram-rand 4-gramフレーズ
sent-by-4gram-freq 4-gram頻度順 文 ベースライン1
4gram-freq
頻度順
4-gramフレーズ ベースライン2
maxsubst-freq 極大フレーズ
提案法
reduced-maxsubst-freq 半極大フレーズ
struct-freq 部分木フレーズ
reduced-struct-freq 半極大・部分木フレーズ

36.
シミュレーション結果 En→Fr (〜10万単語）
16/03/09 Akiva Miura AHC-Lab, IS, NAIST 36
reduced-struct-freq > struct-freq > 他の⼿法

37.
シミュレーション結果 En→Fr (〜100万単語）
16/03/09 Akiva Miura AHC-Lab, IS, NAIST 37
reduced-struct-freq > struct-freq > 他の⼿法

38.
シミュレーション結果 En→Ja (〜10万単語）
16/03/09 Akiva Miura AHC-Lab, IS, NAIST 38
⼤部分で提案法とベースラインで⼤差なし
途中から僅差だが、reduced-struct-freq > 他の⼿法

39.
シミュレーション結果 En→Ja (〜100万単語）
16/03/09 Akiva Miura AHC-Lab, IS, NAIST 39
途中からは *struct-freq > 他の⼿法

40.
カバレッジへの影響 (En→Fr)
16/03/09 Akiva Miura AHC-Lab, IS, NAIST 40
reduced-struct-freq で 1-gramカバレッジ最⼤
sent-by-4gram-freq で 4-gramカバレッジ最⼤
⾔語対 データ選択⼿法
1-gram / 4-gram カバレッジ [%]
追加なし 1万単語 10万単語 100万単語
En-Fr
sent-rand
92.72 / 10.60
92.93 / 10.60 93.73 / 10.71 95.94 / 11.30
4gram-rand 92.95 / 10.60 93.99 / 10.60 96.42 / 10.64
sent-by-4gram-freq 92.95 / 10.60 93.96 / 10.72 96.25 / 11.55
4gram-freq 92.92 / 10.60 94.46 / 10.66 96.60 / 11.16
maxsubst-freq 92.79 / 10.60 93.61 / 10.62 95.99 / 10.92
reduced-maxsubst-freq 92.92 / 10.60 94.38 / 10.66 96.55 / 11.13
struct-freq 93.63 / 10.60 96.15 / 10.65 97.84 / 11.28
reduced-struct-freq 94.02 / 10.60 96.38 / 10.69 98.00 / 11.38

41.
カバレッジへの影響 (En→Ja)
16/03/09 Akiva Miura AHC-Lab, IS, NAIST 41
reduced-struct-freq で 1-gramカバレッジ最⼤
sent-by-4gram-freq で 4-gramカバレッジ最⼤
⾔語対 データ選択⼿法
1-gram / 4-gram カバレッジ [%]
追加なし 1万単語 10万単語 100万単語
En-Ja
sent-rand
94.36 / 5.38
94.81 / 5.63 95.99 / 6.59 97.54 / 10.06
4gram-rand 94.80 / 5.38 96.10 / 5.46 97.67 / 5.98
sent-by-4gram-freq 95.10 / 5.84 96.28 / 7.23 97.64 / 11.39
4gram-freq 95.64 / 5.97 96.87 / 7.14 97.97 / 10.43
maxsubst-freq 95.59 / 5.96 96.83 / 7.07 97.91 / 10.20
reduced-maxsubst-freq 95.73 / 6.00 96.97 / 7.19 98.00 / 10.57
struct-freq 96.60 / 5.44 97.80 / 5.79 98.58 / 7.02
reduced-struct-freq 96.64 / 5.44 97.84 / 5.80 98.61 / 7.14