|
本研究は、構文解析の複数の解析結果を圧縮して表現した構文森を活用することで、ニューラル機械翻訳（ＮＭＴ）の性能改善を目指すものである。研究期間全体を通じて、研究実施計画通り、（１）入力文の構文森を系列データに変換した後で系列変換モデルによるＮＭＴで翻訳を行う方法（２０１８年度実施）と（２）入力文の構文森をＮＭＴモデル内で直接エンコードする方法（最終年度実施）の２種類の提案モデルを考案し、その有効性を確認した。
２０１８年度に実施した方法（１）に関する研究では、構文森を系列に変換し、変換した構文森の系列に基づき翻訳を行うリカレントニューラルネットワーク（ＲＮＮ）に基づくＮＭＴモデルを考案した。そして、ＡＳＰＥＣデータを用いた科学技術論文に関する英日翻訳実験を通じて、提案モデルは、構文情報を使わない場合や構文木を使用する場合よりも、翻訳性能の評価指標であるＢＬＥＵで、それぞれ、５．０７、２．７５ポイント翻訳性能が良いことを示した。
最終年度に実施した方法（２）に関する研究では、近年のＮＭＴで最高性能を達成しているＴｒａｎｓｆｏｒｍｅｒモデルの内部（自己注意機構及び位置エンコーディング）で構文森の情報を活用する方法を考案した。そして、ＡＳＰＥＣデータを用いた科学技術論文に関する英日翻訳実験を通じて、提案モデルは、構文情報を使わない場合や構文木を使用する場合よりも、ＢＬＥＵで、それぞれ、１．９９、０．６ポイント翻訳性能が良いことを示した。
これらの研究成果により、構文森を活用することで英日翻訳の精度が向上することを明らかにし、実施した翻訳設定において、従来の構文情報を用いないＮＭＴや構文木に基づくＮＭＴより翻訳精度が高い、最高の翻訳精度を達成するＮＭＴモデルを実現した。また、実施した翻訳設定では、方法（２）よりも方法（１）の性能の改善幅が大きく、翻訳精度も高いことが分かった。
|
