Comments 13
Всё это круто конечно, но когда в итоге можно будет увидеть продукт, который позволит читать переводимое, не догадываясь по первым 3 словам — что это машинный перевод?
Я думаю, на базе этого продукта такое достигнуто не будет. Ведь операция «выделение семантики» — это преобразование с потерями, и обратное к нему преобразование неоднозначно.
Перевод — одна из задач, которую можно решить при помощи Compreno. Мы в ABBYY сейчас сосредоточились на более перспективных для нас как коммерческой компании задачах и разрабатываем решения для корпоративного рынка, в частности
ABBYY Smart Classifier
ABBYY Intelligent Search SDK
ABBYY InfoExtractor SDK
ABBYY Smart Classifier
ABBYY Intelligent Search SDK
ABBYY InfoExtractor SDK
голубые ели. и пили (классика)
Причина — почему медленно продвигается добавление немецкого — понятна. Много ручной работы. А что если добавить все понятия в онтологию без ручной проверки? Парсер сможет работать? Есть идеи, как оценить качество его работы?
Мы используем полуавтоматический метод ввода Немецкой лексики. Мы выбрали такой подход, который дает порядковое ускорение ввода новой лексики без заметного ухудшения качества (на тех бизнес-задачах, которыми мы занимаемся).
Оценка качества работы технологий при расширении описаний ведется ежедневно. Естественно, что для этого используются размеченные корпуса.
Оценка качества работы технологий при расширении описаний ведется ежедневно. Естественно, что для этого используются размеченные корпуса.
Получается значение фразы «голубые ели» определяется только статистикой? Я думал что контекст влияет — если в предыдущем предложении было «Защитники природы в борьбе за спасение редкого вида вонючих блох морских котиков сильно проголодались», то значение фразы меняется.
Значение фразы «голубые ели» определяется и статистикой и контекстом и семантическими связями в предложении.
К примеру, во фразе «голубые ели на природе колбасу» мы определим голубые «голубой: голубой:BLUE» Predicate: ели «есть: есть:TO_EAT».
К примеру, во фразе «голубые ели на природе колбасу» мы определим голубые «голубой: голубой:BLUE» Predicate: ели «есть: есть:TO_EAT».
А вот такой контекст распознается? Признаю что написано криво, но человек поймёт.
«Защитники природы в борьбе за спасение редкого вида вонючих блох морских котиков сильно проголодались и решили остановится на привал. Зелёные ели.»
«Защитники природы в борьбе за спасение редкого вида вонючих блох морских котиков сильно проголодались и решили остановится на привал. Зелёные ели.»
Контекст учитывается, но он является только одним из параметров выбора значения в конкретном случае, который не является решающим. Статистически «зеленые» в значении «гринписовцы» встречаются нечасто, а «зеленые ели» в смысле «ёлки» — это очень частотное словосочетание, тем более без зависимых. Поэтому гринписовцы начинают выигрывать в более «глагольном» контексте, когда глагол поддержан союзом или вводным словом, например:
Защитники природы в борьбе за спасение редкого вида вонючих блох морских котиков сильно проголодались и решили остановится на привал. Поэтому зеленые «зеленые:ENVIRONMENTALIST» ели«есть: есть:TO_EAT».
Защитники природы в борьбе за спасение редкого вида вонючих блох морских котиков сильно проголодались и решили остановиться на привал, и зеленые «зеленые:ENVIRONMENTALIST» ели«есть: есть:TO_EAT»…
Защитники природы в борьбе за спасение редкого вида вонючих блох морских котиков сильно проголодались и решили остановиться на привал. Следовательно, зеленые «зеленые:ENVIRONMENTALIST» ели«есть: есть:TO_EAT».
Защитники природы в борьбе за спасение редкого вида вонючих блох морских котиков сильно проголодались и решили остановится на привал. Поэтому зеленые «зеленые:ENVIRONMENTALIST» ели«есть: есть:TO_EAT».
Защитники природы в борьбе за спасение редкого вида вонючих блох морских котиков сильно проголодались и решили остановиться на привал, и зеленые «зеленые:ENVIRONMENTALIST» ели«есть: есть:TO_EAT»…
Защитники природы в борьбе за спасение редкого вида вонючих блох морских котиков сильно проголодались и решили остановиться на привал. Следовательно, зеленые «зеленые:ENVIRONMENTALIST» ели«есть: есть:TO_EAT».
В целом это достаточно круто, ибо мой пример весьма искусственный, в реальных текстах предельно маловероятно что такое найдётся, но кто знает.
Здравствуйте!
Выглядит так что дата майнинг с помощью этой технологии должен был совершить революцию, но последние годы совсем мало информации о применении Compreno и полученных результатах. Казалось бы можно натравить его на научные статьи скажем по молекулярной биологии и получить огромный выхлоп в виде структурированной базы знаний, которой ни один живой человек не обладает. Ведутся ли работы в этом направлении и что сейчас с технологией?
Выглядит так что дата майнинг с помощью этой технологии должен был совершить революцию, но последние годы совсем мало информации о применении Compreno и полученных результатах. Казалось бы можно натравить его на научные статьи скажем по молекулярной биологии и получить огромный выхлоп в виде структурированной базы знаний, которой ни один живой человек не обладает. Ведутся ли работы в этом направлении и что сейчас с технологией?
Sign up to leave a comment.
Интенсив по немецкому: как ABBYY Compreno учит новые языки