ПІДВИЩЕННЯ ЯКОСТІ ПЕРЕКЛАДУ ТЕКСТУ ЗА ДОПОМОГОЮ МАШИННОГО НАВЧАННЯ - Научное сообщество
Главная
UA PL EN

Вас приветствует Интернет конференция!

Приветствуйем на нашем сайте

Рік заснування видання - 2011

ПІДВИЩЕННЯ ЯКОСТІ ПЕРЕКЛАДУ ТЕКСТУ ЗА ДОПОМОГОЮ МАШИННОГО НАВЧАННЯ

14.09.2025 22:52

[1. Systemy i technologie informacyjne]

Автор: Мартинова Оксана Петрівна, кандидат технічних наук, доцент, Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», м. Київ; Рябенко Борис Юрійович, Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», м. Київ; Дахал Крістіна, Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», м. Київ


ORCID: 0000-0003-1250-134Х Мартинова О.П.

ORCID: 0009-0006-6474-2240 Рябенко Б.Ю.

У сучасному світі, де глобалізація та цифровізація охоплюють усі сфери життя, потреба в якісному та швидкому перекладі текстів стає дедалі більш актуальною. Машинний переклад, який полягає у використанні комп'ютерних систем для автоматичного перекладу людських мов, є важливою складовою обробки природної мови (NLP). В останні роки методи глибокого навчання значно змінили підходи до машинного перекладу, забезпечуючи суттєві покращення в якості та точності перекладів.

Глибокі нейронні мережі, використовуючи великі обсяги даних та потужні обчислювальні ресурси, демонструють здатність досягати рівнів перекладу, що раніше вважалися можливими лише для людини. Ці технології відкривають нові горизонти у покращенні якості перекладу та розширенні мовного охоплення, трансформуючи різні галузі від комп'ютерного зору до штучного інтелекту в іграх.

Переклад тексту з однієї мови на іншу передбачає збереження значення і контексту. Традиційні системи машинного перекладу використовували статистичні та правило-орієнтовані підходи. Проте, з появою глибокого навчання моделі нейронного машинного перекладу (NMT) значно перевершили ці методи. NMT моделі використовують нейронні мережі для навчання відображення між послідовностями вихідної та цільової мов, що робить їх більш чутливими до контексту і здатними обробляти складні мовні структури. Глибоке навчання стало новітнім підходом до машинного перекладу. На відміну від традиційних методів, нейронний машинний переклад забезпечує більш точний і продуктивний переклад [1]. 

Використання нейронних мереж для перекладу текстів дозволяє системам враховувати контекст, розпізнавати складні мовні структури та забезпечувати більш природні та точні переклади.

Основними перевагами використання глибокого навчання в машинному перекладі є:

1. Підвищена точність: нейронні мережі здатні краще враховувати контекст та значення слів у реченні, що призводить до більш точних перекладів.

2. Гнучкість: системи, засновані на глибокому навчанні, можуть адаптуватися до нових мов та діалектів, а також навчатися нових термінів і фраз.

3. Швидкість: автоматизовані системи перекладу можуть обробляти великі обсяги тексту значно швидше, ніж це може зробити людина.

4. Зниження витрат: використання автоматизованих систем зменшує потребу у великій кількості людських перекладачів, що знижує загальні витрати на переклад.

У роботі розглядається метод, який використовує багатошарову LSTM (Long Short-Term Memory) для відображення вхідної послідовності на вектор фіксованої розмірності, а потім ще одну глибоку LSTM для декодування цільової послідовності з вектора. Здатність LSTM успішно навчатися на даних з великою кількістю часових залежностей віддає йому перевагу у цьому застосуванні через значне відставання часу між входами та відповідними виходами.

LSTM здатна запам’ятовувати прості фразові конструкції та речення, при цьому модель чутлива до порядку слів. Обертання порядку слів у всіх джерелах речень (але не цільових речень) помітно покращило продуктивність LSTM, оскільки це вводить багато короткострокових залежностей між джерелом і цільовим реченням, що спрощує проблему оптимізації.

Один з підходів до проблем передбачення послідовності-послідовності, який виявився дуже ефективним, називається Encoder-Decoder LSTM. Ця архітектура складається з двох моделей: одна для читання вхідної послідовності та кодування її у фіксований вектор фіксованої довжини, а друга – для декодування фіксованого вектора та виведення передбаченої послідовності. У цій архітектурі LSTM використовуються для ефективної обробки послідовностей та врахування контексту [2].




Рис. 1.  Архітектура моделі LSTM з енкодером-декодером

Енкодер-декодер архітектура LSTM (рис. 1) дозволяє ефективно моделювати послідовності та враховувати контекст для генерації вихідних послідовностей. Рекурентні моделі із енкодером-декодером виявилися успішними у завданнях, таких як абстрактна сумаризація тексту та машинний переклад. Моделі, що включають механізми уваги, дозволяють декодеру фокусуватися на частинах закодованого вводу під час генерації перекладу крок за кроком.

Успіх підходу, заснованого на LSTM, для машинного перекладу свідчить про те, що подальша робота над оптимізацією моделі ймовірно призведе до ще більшої точності перекладу. Результати, також, свідчать про те, що запропонований підхід буде ефективним не лише для задач машинного перекладу, але й для інших складних проблем послідовності до послідовності.

Література

1. Мартинова О.П., Дахал К., Кучмій О.О. Особливості автоматизованого перекладу текстів з використанням глибокого навчання. – Міжнародна наукова-технічна конференція «Інтелектуальні технології лінгвістичного аналізу»: тези доповідей. – К.: НАУ, 2024. – С. 11.

2. Word encoding model to map words to indices and back. MathWorks: URL: https://www.mathworks.com/help/textanalytics/ref/wordencoding.html



Creative Commons Attribution Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License
допомога Знайшли помилку? Виділіть помилковий текст мишкою і натисніть Ctrl + Enter

Другие научные работы даной секции

Конференции

Конференции 2025

Конференции 2024

Конференции 2023

Конференции 2022

Конференции 2021



Міжнародна інтернет-конференція з економіки, інформаційних систем і технологій, психології та педагогіки

Наукова спільнота - інтернет конференції

:: LEX-LINE :: Юридична лінія

Інформаційне суспільство: технологічні, економічні та технічні аспекти становлення