2016
English-French Document Alignment Based on Keywords and Statistical Translation
MEDVEĎ, Marek, Vojtěch KOVÁŘ a Miloš JAKUBÍČEKZákladní údaje
Originální název
English-French Document Alignment Based on Keywords and Statistical Translation
Autoři
MEDVEĎ, Marek (703 Slovensko, garant, domácí), Vojtěch KOVÁŘ (203 Česká republika, domácí) a Miloš JAKUBÍČEK (203 Česká republika, domácí)
Vydání
Berlin, Proceedings of the First Conference on Machine Translation, Volume 2: Shared Task Papers, od s. 728-732, 5 s. 2016
Nakladatel
Association for Computational Linguistics
Další údaje
Jazyk
angličtina
Typ výsledku
Stať ve sborníku
Obor
10201 Computer sciences, information science, bioinformatics
Utajení
není předmětem státního či obchodního tajemství
Forma vydání
elektronická verze "online"
Kód RIV
RIV/00216224:14330/16:00088114
Organizační jednotka
Fakulta informatiky
ISBN
978-1-945626-10-4
Klíčová slova anglicky
bilingual document alignment
Změněno: 4. 9. 2016 22:05, RNDr. Miloš Jakubíček, Ph.D.
Anotace
V originále
In this paper we present our approach to the Bilingual Document Alignment Task (WMT16), where the main goal was to reach the best recall on extracting aligned pages within the provided data. Our approach consists of tree main parts: data preprocessing, keyword extraction and text pairs scoring based on keyword matching. For text preprocessing we use the TreeTagger pipeline that contains the Unitok tool (Michelfeit et al., 2014) for tokenization and the TreeTagger morphological analyzer (Schmid, 1994). After keywords extraction from the texts according TF-IDF scoring our system searches for comparable English-French pairs. Using a statistical dictionary created from a large English-French parallel corpus, the system is able to find comaparable documents. At the end this procedure is combined with the baseline algorithm and best one-to-one pairing is selected. The result reaches 91.6% recall on provided training data. After a deep error analysis (see section 5) the recall reached 97.4%.
Návaznosti
GA15-13277S, projekt VaV |
| ||
LM2015071, projekt VaV |
| ||
7F14047, projekt VaV |
|