https://github.com/proycon/phd-thesis
PhD dissertation: Context as Linguistic Bridges
https://github.com/proycon/phd-thesis
Last synced: 6 months ago
JSON representation
PhD dissertation: Context as Linguistic Bridges
- Host: GitHub
- URL: https://github.com/proycon/phd-thesis
- Owner: proycon
- Created: 2018-01-30T09:47:29.000Z (over 8 years ago)
- Default Branch: master
- Last Pushed: 2020-05-22T19:13:02.000Z (about 6 years ago)
- Last Synced: 2025-04-04T11:07:16.641Z (over 1 year ago)
- Language: TeX
- Homepage:
- Size: 67.2 MB
- Stars: 0
- Watchers: 2
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
The actual thesis can be found here: https://github.com/proycon/phd-thesis/blob/master/thesis/thesis.pdf
Short Summary
-------------
*Context as Linguistic Bridges* is a study that focusses on the role of context information in machine translation, i.e.
automated translation by computers. The underlying intuition is that the context in which a word or phrase appears is
an important cue for the translation of that word or phrase. Consider, for example, the two different meanings of the word
*"bank"* in the sentences *"I put my money on the bank"* and *"The ship got stuck on the bank"*.
We developed classifier-based solutions that work well in Word Sense Disambiguation tasks like the above example, and
integrate these in a statistical machine translation system. Our main question is to find to what extent can we improve
automated translation by explicitly modelling such context information.
We find, however, no significant improvement over already existing models, and we infer that the information we model
and add explicitly must already be implicitly and sufficiently available to the existing models.
Korte samenvatting
-------------------
*Context as Linguistic Bridges* is een studie die zich richt op de rol van contextinformatie bij het
automatisch vertalen door computers. Het achterliggende idee is dat de context waarin een woord of
zinsnede voorkomt een belangrijke informatie levert om tot een vertaling te kunnen komen. Neem bijvoorbeeld de twee
betekenissen van het woord "bank" in de zinnen "Ik zet mijn geld op de bank" en "De hond mag niet op de bank".
We hebben classificatiesystemen ontwikkeld die goed werken in disambiguatietaken zoals in het voorbeeld hierboven, en
integreren deze in een statistisch automatisch vertaalsysteem. Onze hoofdvraag is te onderzoeken in hoeverre we de
vertaalkwaliteit kunnen verbeteren door deze informatie expliciet te modelleren.
Onze bevindingen, echter, tonen aan dat er geen significante verbetering te behalen valt ten opzichte van de al bestaande
modellen en leiden hieruit af dat de informatie die we expliciet proberen toe te voegen, al impliciet en in voldoende
mate aanwezig is in de bestaande modellen.