برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید

09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Quality estimation for machine translation

دانلود کتاب برآورد کیفیت ترجمه ماشین

مشخصات کتاب

Quality estimation for machine translation

ویرایش:  
نویسندگان: Paetzold. Gustavo Henrique,  Scarton. Carolina,  Specia. Lucia  
سری: Synthesis lectures on human language technologies #39. 
ISBN (شابک) : 9781681733739, 1681733749 
ناشر: Morgan & Claypool Publishers 
سال نشر: 2018 
تعداد صفحات: 164 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 2 مگابایت

قیمت کتاب (تومان) : 47,000

کلمات کلیدی مربوط به کتاب برآورد کیفیت ترجمه ماشین: ترجمه ماشینی -- ارزیابی، مطالعه زبان های خارجی / کتاب های عباراتی چند زبانه، هنرها و رشته های زبانی / حروف و سیستم های نوشتاری، هنرها و رشته های زبان / دستور زبان و نقطه گذاری، هنرهای زبانی و زبان های عمومی / هنرهای زبانی هنرها و رشته های زبان / املا، تخمین کیفیت، پیش بینی کیفیت، ارزیابی، ترجمه ماشینی، پردازش زبان طبیعی

میانگین امتیاز به این کتاب :
تعداد امتیاز دهندگان : 15

در صورت تبدیل فایل کتاب Quality estimation for machine translation به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب برآورد کیفیت ترجمه ماشین نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.

توضیحاتی در مورد کتاب برآورد کیفیت ترجمه ماشین

بسیاری از برنامه‌های کاربردی در پردازش زبان طبیعی شامل انجام تبدیل‌های متن به متن هستند، به عنوان مثال، با توجه به متنی به زبان طبیعی به عنوان ورودی، سیستم‌ها باید نسخه‌ای از این متن (به عنوان مثال، ترجمه) را نیز به زبان طبیعی به عنوان خروجی تولید کنند. . ارزیابی خودکار خروجی چنین سیستم هایی یک جزء مهم در توسعه برنامه های کاربردی متن به متن است. دو رویکرد برای این مشکل پیشنهاد شده است: (i) برای مقایسه خروجی های سیستم با یک یا چند خروجی مرجع با استفاده از معیارهای ارزیابی مبتنی بر تطابق رشته ای و (ii) ساخت مدل هایی بر اساس بازخورد انسانی برای پیش بینی کیفیت خروجی های سیستم بدون متون مرجع. با وجود محبوبیت، معیارهای ارزیابی مبتنی بر مرجع با این چالش مواجه هستند که خروجی های چندگانه با کیفیت خوب (و بد) را می توان با رویکردهای متن به متن برای ورودی یکسان تولید کرد. گرفتن این تنوع، حتی با متون مرجع متعدد، بسیار سخت است. علاوه بر این، معیارهای مبتنی بر مرجع را نمی‌توان در تولید استفاده کرد (به عنوان مثال، سیستم‌های ترجمه ماشینی آنلاین)، زمانی که انتظار می‌رود سیستم‌ها خروجی‌هایی را برای هر ورودی نامرئی تولید کنند. در این کتاب، ما بر روی مجموعه دوم معیارها، به اصطلاح معیارهای تخمین کیفیت (QE) تمرکز می‌کنیم، که در آن هدف، ارائه تخمینی از میزان خوب یا قابل اعتماد بودن متون تولید شده توسط یک برنامه کاربردی بدون دسترسی به خروجی‌های استاندارد طلایی است. . QE انواع مختلفی از ارزیابی را فعال می کند که می تواند انواع مختلف کاربران و برنامه ها را هدف قرار دهد. تکنیک‌های یادگیری ماشینی برای ساخت مدل‌های QE با انواع مختلف برچسب‌های کیفیت و ویژگی‌های صریح یا نمایش‌های آموخته‌شده استفاده می‌شوند، که سپس می‌توانند کیفیت خروجی‌های سیستم دیده نشده را پیش‌بینی کنند. این کتاب موضوع QE را برای برنامه‌های کاربردی متن به متن، پوشش برچسب‌های کیفیت، ویژگی‌ها، الگوریتم‌ها، ارزیابی، کاربردها و رویکردهای پیشرفته توصیف می‌کند. این ترجمه بر روی ترجمه ماشینی به عنوان برنامه متمرکز است، زیرا این نشان دهنده بیشتر کارهای QE انجام شده تا به امروز است. همچنین QE را برای چندین برنامه دیگر، از جمله ساده‌سازی متن، خلاصه‌سازی متن، تصحیح خطای دستوری، و تولید زبان طبیعی به اختصار توضیح می‌دهد. بیشتر بخوانید...

توضیحاتی درمورد کتاب به خارجی

Many applications within natural language processing involve performing text-to-text transformations, i.e., given a text in natural language as input, systems are required to produce a version of this text (e.g., a translation), also in natural language, as output. Automatically evaluating the output of such systems is an important component in developing text-to-text applications. Two approaches have been proposed for this problem: (i) to compare the system outputs against one or more reference outputs using string matching-based evaluation metrics and (ii) to build models based on human feedback to predict the quality of system outputs without reference texts. Despite their popularity, reference-based evaluation metrics are faced with the challenge that multiple good (and bad) quality outputs can be produced by text-to-text approaches for the same input. This variation is very hard to capture, even with multiple reference texts. In addition, reference-based metrics cannot be used in production (e.g., online machine translation systems), when systems are expected to produce outputs for any unseen input. In this book, we focus on the second set of metrics, so-called Quality Estimation (QE) metrics, where the goal is to provide an estimate on how good or reliable the texts produced by an application are without access to gold-standard outputs. QE enables different types of evaluation that can target different types of users and applications. Machine learning techniques are used to build QE models with various types of quality labels and explicit features or learnt representations, which can then predict the quality of unseen system outputs. This book describes the topic of QE for text-to-text applications, covering quality labels, features, algorithms, evaluation, uses, and state-of-the-art approaches. It focuses on machine translation as application, since this represents most of the QE work done to date. It also briefly describes QE for several other applications, including text simplification, text summarization, grammatical error correction, and natural language generation. Read more...

فهرست مطالب

1. Introduction --
2. Quality estimation for MT at subsentence level --
2.1 Introduction --
2.2 Applications --
2.3 Labels --
2.4 Features --
2.4.1 Word-level features --
2.4.2 Phrase-level features --
2.5 Architectures --
2.5.1 Non-sequential approaches --
2.5.2 Sequential approaches --
2.5.3 APE-based approaches --
2.6 Evaluation --
2.7 State-of-the-art results --
2.7.1 The predictor-estimator approach --
2.7.2 Unbabel's hybrid approach --
2.7.3 The APE-based approach --
3. Quality estimation for MT at sentence level --
3.1 Introduction --
3.2 Applications --
3.3 Labels --
3.4 Features --
3.4.1 Complexity features --
3.4.2 Fluency features --
3.4.3 Confidence features --
3.4.4 Adequacy features --
3.4.5 Pseudo-reference and back-translation features --
3.4.6 Linguistically motivated features --
3.5 Architectures --
3.6 Evaluation --
3.7 State-of-the-art results --
4. Quality estimation for MT at document level --
4.1 Introduction --
4.2 Applications --
4.3 Labels --
4.3.1 Labels for evaluating Gisting --
4.3.2 Labels for measuring post-editing effort --
4.4 Features --
4.4.1 Complexity features --
4.4.2 Fluency features --
4.4.3 Adequacy features --
4.4.4 Discourse-aware features --
4.4.5 Word embedding features --
4.4.6 Consensus and pseudo-reference features --
4.5 Architectures --
4.6 Evaluation --
4.7 State-of-the-art results --
4.7.1 Referential translation machines --
4.7.2 Document embeddings --
4.7.3 Best post-editing effort and gisting systems --
5. Quality estimation for other applications --
5.1 Text simplification --
5.1.1 Applications --
5.1.2 Labels --
5.1.3 Features --
5.1.4 Architectures --
5.1.5 Evaluation --
5.1.6 State-of-the-art results --
5.2 Automatic text summarization --
5.2.1 The summary assessment approach --
5.2.2 The summary ranking approach --
5.3 Grammatical error correction --
5.3.1 The "there's no comparison" approach --
5.3.2 Fluency and meaning preservation --
5.4 Automatic speech recognition --
5.5 Natural language generation --
5.5.1 The QE ranking approach --
5.5.2 QE for browse pages --
6. Final remarks --
6.1 Future directions --
6.2 Resources and toolkits --
Bibliography --
Authors' biographies.