Аналитические и синтетические языки. Машинный перевод между ними

1. 1.     Введение. Типы языков. Различие между ними
2. 2.     Критерии выбора языков для исследования. Методика анализа
3. 3.     Исследование. Сравнительная таблица
4. 4.     Выводы
5. 5.     Заключение

Введение. Типы языков. Различия между ними

В языках мира существуют две основных группы способов выражения грамматических значений – синтетические и аналитические.

Аналитические языки — те, в которых грамматические отношения имеют тенденцию к передаче в основном через синтаксис, то есть через отдельные служебные слова (предлоги, модальные глаголы и т. п.) через фиксированный порядок слов, контекст и/или интонационные вариации, а не через словоизменение с помощью зависимых морфем (окончаний, суффиксов, приставок и т. д.).

В синтетических языках грамматические значения выражаются в пределах самого слова (аффиксация, внутренняя флексия, ударение, супплетивизм), то есть формами самих слов.

Помимо двух основных типов существуют два экстремальных подтипа – полисинтетические и изолирующие.

Полисинтетические языки — те, в которых все члены предложения (полная инкорпорация) или некоторые компоненты словосочетания (частичная инкорпорация) соединяются в единое целое без формальных показателей у каждого из них. Другими словами, целое предложение может оказываться внутри одного массивного слова, несущего как основную информацию, так и дополнительные оттенки эмоциональные и смысловые.

Изолирующие языки́ (иначе аморфные, односложные, корневые) — языки с низким соотношением морфем к слову. Слова в максимально изолирующем языке будут состоять только из одной морфемы — корня, не образуя ни составных слов, ни сочетаний с суффиксами, префиксами и т. д.

Классический пример синтетического и аналитического строя:

В английском языке, считающемся аналитическим, фраза I love you может быть правильно воспринята только при такой последовательности слов. При изменении последовательности страдает смысл и, зачастую, грамматика. Так, нельзя сказать Love you I или I you love.

В то же время в русском языке, считающемся синтетическим, фраза «Я тебя люблю» может достаточно легко трансформироваться в «Тебя люблю я», «Тебя я люблю» и так далее. Это происходит за счёт того, что грамматические конструкции находятся внутри самих слов, что позволяет легко идентифицировать их значение вне зависимости от положения в предложении.

Другой характерный пример различия этих языков – однословное предложение «Смеркалось». В то время, как в русском языке смысл передан одним словом, которое указывает одновременно и на действие, и на время, не требуя при этом подлежащего, в английском языке аналог будет растянут на длинное предложение: It was getting dark.

В большинстве языков есть и аналитические, и синтетические средства выражения грамматических значений, однако их удельный вес бывает разным. В зависимости от того, какие способы преобладают, различают языки аналитического и синтетического строя. К синтетическим языкам принадлежат все славянские языки (кроме болгарского), санскрит, древнегреческий, латынь, немецкий, якутский, суахили и др. Важно отметить, что чистых аналитических или синтетических не существует, есть примеры (окончания числовых?). Так. В аналитическом английском число в существительных отображается с помощью окончания s.

К языкам аналитического типа относятся все романские языки, английский, болгарский, новоперсидский, датский и др.

Языки, в которых почти отсутствуют возможности синтетического выражения грамматических значений (китайский, вьетнамский и др.), называют изолирующими (ранее их называли аморфными), как бы лишенными формы.

Есть языки, в которых слово оформляется большим количеством разных служебных морфем, оно превращается по смыслу в слово-предложение, но при этом остается оформленным как слово. Такое устройство «слова-предложения» называют инкорпорацией, а соответствующие языки – инкопрорирующими или полисинтетическими (индейские языки, чукотский, корякский и др).

Критерии выбора языков для исследования. Методика анализа

В качестве материала для исследования была взято руководство пользователя iPhone для программного обеспечения iOS-8 на исследуемых языках. Выбор был продиктован тем, что данная тематика представляет наименьшие трудности для алгоритмов NMT, предложения в таких материалах, как инструкции, наиболее просты грамматически и не отличаются сложной лексикой. Объём текста для каждой языковой пары оказался около 40 страниц.

Перед исследованием не ставился вопрос о том, как быстро можно постредактировать переводы внутри и между типами языков. Главный вопрос – насколько изначально читаемым и схожим будет материал на выходе.

В качестве системы МТ был выбран один из основных российских разработчиков МТ, среди движков которого оказалось подавляющее большинство необходимых для исследования языковых пар. Таким образом, несмотря на неизбежные отличия в качестве корпусов, сводилась к нулю вероятность различия результатов в силу разных алгоритмов разных систем МТ.

Для анализа было решено выбрать несколько языков: по два каждого типа. Основными критериями выбора стали: отсутствие близких связей между выбранными языками, их популярность и возможность выполнения нейромашинного перевода для всех выбранных языков на единой платформе во избежание влияния алгоритмов разных систем МТ на конечный результат перевода.

В качестве синтетических языков были взяты:

1. Русский
2. Турецкий

В качестве аналитических выбраны:

1. Английский
2. Китайский (считается изолирующим, что по сути значит ещё меньшее количество синтетических конструкций)

Выбор был продиктован следующим соображениями:

Русский язык – представитель славянских языков и наиболее используемый из них в международной практике и, следовательно, в переводческой отрасли.

Турецкий язык – наиболее популярный язык тюркской группы.

Английский язык – самый используемый в мире язык, представитель германской ветви индоевропейских языков.

Китайский – язык с наибольшим числом носителей в мире из сино-тибетской семьи, являющийся изолирующим по грамматическому строю.

Выбор языков был также обусловлен количеством носителей, принадлежностью к разным языковым семьям, разным группам с точки зрения типологической классификации и влиянием в экономическом плане.

В качестве методики выбрана схема оценки переводов общей тематики с и на языки внутри своей группы, а также перевод с и на языки противоположной группы.

Под коэффициентом качества понимается отношение количества ошибок выше средней степени тяжести к количеству слов в переводе. Так, учитывались только средние и тяжёлые ошибки (явные лексические ошибки, пропуски, искажение смысла, грамматика), поскольку они в конечном счёте больше всего влияют на восприятие перевода (как и на время постредактирования). В практическом смысле коэффициенты способны показать, какие пары больше подходят для их использования без редактирования, а какие – меньше или не подходят совсем.

Формула для подсчёта коэффициента качества:

Q = (Em*1 + Eh*2)/Nw*100

Q – коэффициент качества

Em – количество ошибок средней тяжести

Eh – количество тяжёлых ошибок

Nw – количество слов в переведённом тексте

Для наглядности приведём примеры ошибок, считающихся в рамках нашего исследования лёгкими, средними и тяжёлыми.

1. Лёгкие ошибки

В сегменте 490 капитализация затронула не то слово, которое следовало. Здесь потребуется лёгкая корректура, однако на понимание текста в общем она практически не влияет.

В сегменте 5387 ошибка исключительно стилистическая и, опять же, не создающая сколь бы то ни было больших препятствий пониманию содержания.

В сегменте 5884 в конце предложения словосочетание выбрано правильно, но некорректная капитализация добавляет неожиданные смыслы.

1. Ошибки средней тяжести

Здесь мы видим некорректное использование лексики. В данном случае корректный перевод – unconfigured. В то время как смысл может быть правильно понят, ошибка однозначно препятствует быстрому пониманию текста.

Искажение смысла. В русской версии эта фраза переведена как prevents everything that is happening.

Лексическая ошибка. В русской версии перевод ближе к delete iPhone, чем к очистке данных.

1. Грубые ошибки

Смысл полностью ускользает. Название AirPort переведено как аэропорт (воздушный хаб).

Искажение смысла. В русской версии перевод больше схож с you may get a following experience.

Пропуск текста and usage data.

Исследование. Сравнительная таблица

Качество текста перевода настолько лучше, насколько ближе к нулю показатель качества.

Исходя из результатов, какой-либо корреляции выявлено не было.

Результаты намного больше демонстрируют качество подготовки корпуса для движков, нежели различия между качественностью переводов между различными языковыми группами. Так, в то время как направления с турецким языком показали худшие результаты из всего тестирования, неожиданно высокое качество показала пара китайский-английский. Наиболее вероятная причина – использованный для исследования текст мог оказаться полностью или частично частью корпуса при тренировке движка МТ разработчиком.

Тем не менее, результаты исследования дают понимание, какие пары разработчика могут в дальнейшем быть использованы для перевода схожих текстов. Для этого в формулу качества мы добавили учёт лёгких ошибок:

Q = (Em*1 + Eh*2 + Ee*0,5)/Nw*100

Ee – количество лёгких ошибок

Таблица результатов в таком случае выглядит следующим образом:

Естественно, результаты не могут считаться однозначно объективными. Так, на них безусловно влияет качество корпусов в каждом отдельно взятом движке, субъективность оценки лингвистами и особенности подготовки. В дальнейшем мы будем продолжать исследование в этой области и сможем поделиться ими на следующих лингвистических мероприятиях.