语义感知句法机器翻译中情态与否定的应用
计算与语言
2015-02-06 v1 机器学习
机器学习
摘要
本文描述了约翰斯·霍普金斯大学人类语言技术卓越中心应用语言探索暑期营（SCALE-2009）为期八周在语义感知机器翻译（SIMT）方面的资源与系统构建工作。我们描述了一种新的情态/否定（MN）标注方案、一个（公开可用的）MN词典的创建，以及我们使用该标注方案和词典构建的两个自动化MN标注器。我们的标注方案分离出情态与否定的三个成分：触发词（传达情态或否定的词）、目标（与情态或否定相关的动作）和持有者（情态的体验者）。我们描述了MN词典如何半自动生成，并展示基于结构的MN标注器在标准LDC数据集的标注上达到了约86%的准确率（取决于体裁）。我们采用支持语义标注包含的句法框架，将MN标注方案应用于统计机器翻译。通过树嫁接过程，富含语义标注的句法标签被赋予目标语言训练文本中的解析树。虽然我们工作的重点是情态与否定，但树嫁接过程是通用的并支持其他类型的语义信息。我们利用这一能力，除了本文描述的标注器产生的MN元素外，还包含了由已有标注器产生的命名实体。所得系统显著优于语言上朴素的基线模型（Hiero），并达到了在NIST 2009乌尔都语-英语测试集上迄今报道的最高分数。该发现支持了句法和语义信息均能改善翻译质量的假设。
引用
@article{arxiv.1502.01682,
title = {Use of Modality and Negation in Semantically-Informed Syntactic MT},
author = {Kathryn Baker and Michael Bloodgood and Bonnie J. Dorr and Chris Callison-Burch and Nathaniel W. Filardo and Christine Piatko and Lori Levin and Scott Miller},
journal= {arXiv preprint arXiv:1502.01682},
year = {2015}
}
备注
28 pages, 13 figures, 2 tables; appeared in Computational Linguistics, 38(2):411-438, 2012