QUALESEstimación Automática de Calidad de Traducción Mediante Aprendizaje Automático Supervisado y No-Supervisado

  1. Calonge, Eusebi
  2. Martin, Maite
  3. Etchegoyhen, Thierry
  4. Martínez Garcia, Eva
  5. Azpeitia, Andoni
  6. Alegría Loinaz, Iñaki
  7. Labaka Intxauspe, Gorka
  8. Otegi, Arantza
  9. Sarasola Gabiola, Kepa
  10. Cortés Etxabe, Itziar
  11. Jauregi Carrera, Amaia
  12. Ellakuria, Igor
Revista:
Procesamiento del lenguaje natural

ISSN: 1135-5948

Año de publicación: 2018

Número: 61

Páginas: 143-146

Tipo: Artículo

DIALNET GOOGLE SCHOLAR lock_openRUA editor

Otras publicaciones en: Procesamiento del lenguaje natural

Resumen

La estimación automática de calidad (EAC) de la traducción automática consiste en medir la calidad de traducciones sin acceso a referencias humanas, habitualmente mediante métodos de aprendizaje automático. Un buen sistema EAC puede ayudar en tres aspectos del proceso de traducción asistida por medio de traducción automática y posedición: aumento de la productividad (descartando traducciones automáticas de mala calidad), estimación de costes (ayudando a prever el coste de posedición) y selección de proveedor (si se dispone de varios sistemas de traducción automática). El interés en este campo de investigación ha crecido significativamente en los últimos años, dando lugar a tareas compartidas a nivel mundial (WMT) y a una fuerte actividad científica. En este artículo, se hace un repaso del estado del arte en este área y se presenta el proyecto QUALES que se está realizando.

Referencias bibliográficas

  • Blatz, J. et al. 2004. Confidence estimation for machine translation. En Proceedings of COLING, páginas 315-321.
  • Bojar, O. et al. 2017. Findings of the 2017 conference on machine translation. En Proceedings of the Second Conference on Machine Translation, páginas 169-214, Copenhagen, Denmark.
  • Callison-Burch, C. et al. 2012. Findings of the 2012 Workshop on Statistical Machine Translation. En Proceedings of the Seventh Workshop on Statistical Machine Translation.
  • Kim, H., J.-H. Lee, y S.-H. Na. 2017. Predictor-estimator using multilevel task learning with stack propagation for neural quality estimation. En Proceedings of the Second Conference on Machine Translation, páginas 562-568, Copenhagen, Denmark.
  • Martins, A. F. T., F. Kepler, y J. Monteiro. 2017. Unbabel's participation in the wmt17 translation quality estimation shared task. En Proceedings of the Second Conference on Machine Translation, páginas 569-574, Copenhagen, Denmark.
  • Moreau, E. y C. Vogel. 2012. Quality estimation: an experimental study using unsupervised similarity measures. En Proceedings of the Seventh Workshop on Statistical Machine Translation, páginas 120-126.
  • Popovic, M. 2012. Morpheme- and posbased IBM1 and language model scores for translation quality estimation. En Proceedings of the Seventh Workshop on Statistical Machine Translation, páginas 133-137.
  • Quirk, C. 2004. Training a sentence-level machine translation confidence measure. En Proceedings of LREC, páginas 825-828.
  • Shah, K. et al. 2016. SHEF-LIUM-NN: Sentence level Quality Estimation with Neural Network Features. En Proceedings of the First Conference on Machine Translation, volumen 2, páginas 838-842.
  • Specia, L. et al. 2009. Estimating the sentence-level quality of machine translation systems. En 13th Conference of the European Association for Machine Translation, páginas 28-37.
  • Specia, L., G. Paetzold, y C. Scarton. 2015. Multi-level translation quality prediction with QUEST++. Proceedings of ACL-IJCNLP 2015 System Demonstrations, páginas 115-120.
  • Specia, L., D. Raj, y M. Turchi. 2010. Machine translation evaluation versus quality estimation. Machine Translation, 24(1):39-50.
Fuente de los datos: Dialnet