An evaluation of automatic extraction of Slovenian-Croatian translation candidates from comparable corpora
Jelena Tušek, Nikola Ljubešić · 2012
U radu su predstavljene mogucnosti izrade slovensko-hrvatskog dvojezicnog leksickog resursa koristenjem metode automatskog prikupljanja slovensko-hrvatskih prijevodnih ekvivalenata iz usporedivog slovensko-hrvatskog korpusa. Prikupljanje prijevodnih kandidata temelji se na tzv. distribucijskoj pretpostavci po kojoj rijeci slicnog znacenja imaju i slicne kontekste. Ta se pretpostavka može prosiriti i na dva jezika pri cemu se za rijec iz ishodisnog jezika kao moguce prijevodne ekvivalente može smatrati one rijeci u ciljnom jeziku koje imaju najslicniji kontekst rijeci u ishodisnom jeziku. Pretpostavka primjenjivosti ove metode jest postojanje pocetnog dvojezicnog leksikona kojime se prevode konteksti ciljnog jezika nepoznatih leksema. Time se postiže preduvjet za mogucnost usporedbe konteksta ishodisnog i ciljnog jezika. Dodatno, kako se radi o hrvatskom i slovenskom koji su vrlo bliski jezici, u ovom se istraživanju kao “pocetni leksikon” koristi postojece leksicko preklapanje između tih jezika. Popis slovenskih leksema koristenih u istraživanju je 6, 000 najcescih imenica iz slovenskog internetskog korpusa slWaC. Svakoj od odabranih imenica pridruženo je 10 prijevodnih kandidata iz hrvatskog internetskog korpusa hrWaC s najslicnijim kontekstima. U prvoj su fazi evaluacije studenti diplomskog studija slovenskog jezika oznacavali tocnost dobivenih 10 kontekstualno najslicnijih prijevodnih kandidata. Prijevodne su kandidate oznacavali bilo kao prijevodne ekvivalente, bilo kao rijeci koje su semanticki vrlo bliske slovenskom leksemu, bez konzultiranja s postojecim dvojezicnim slovensko-hrvatskim rjecnicima. Pri pocetnom oznacavanju svaki je prijevodni kandidat oznacen od strane dvaju studenata sto omogucuje mjerenje dogovora među oznacivacima te laksu kontrolu rezultata. Dodatno su dio rezultata njihovog oznacavanja rucno provjerili studenti zavrsnog semestra studija koristeci se raspoloživim rjecnicima. Svim provedenim analizama dobiven je podatak o tocnosti oznacavanja od strane studenata, te tocnost metode za automatsko prikupljanje prijevodnih kandidata iz usporedivog korpusa. Rad ce prikazati rezultate rucne evaluacije rezultata dobivenih metodom automatskog prikupljanja, postotak tocnih prijevodnih ekvivalenata koji se pojavljuju na prvom mjestu popisa kandidata, broj prijevodnih ekvivalenata među ostalim kandidatima, te koliko njih se ne može smatrati prijevodnim ekvivalentima, vec semanticki povezanima s izvornom rijeci. Time ce se pokazati mogucnost izrade dvojezicnih leksickih resursa metodom automatskog prikupljanja te testirati razlike u oznacavanju prijevodnih kandidata od strane oznacivaca u svrhu analiziranja semantickih podudarnosti i razlika među slicnopisnicama između bliskosrodnih jezika kakvi su slovenski i hrvatski.