Resumen

• Dos propósitos para la traducción, dos enfoques a la traducción automática
• La gramática de dependencias y XDG
• Extensión de XDG a múltiples lenguas
• La traducción en XDG
• Progreso, trabajo en curso

Elementos de traducción

Dos propósitos para traducción

• Traducción para comprender lo esencial de un documento (Google Translate, etc.)
  • La salida puede contener errores gramaticales.
    The woman coughing has the flu. → La mujer tiene la gripe tose.
  • La salida debe ser estrictamente fiel a la oración de entrada.
    La mujer que tose tiene gripe. → The woman who has the flu coughs.
• Traducción para publicación (Ranta et al., 2010; MOLTO)
  • La salida debe cumplir las reglas gramaticales de la lengua meta.
  • La salida debe ser fiel a la oración de entrada.

Dos enfoques a la traducción automática

• TA basada en reglas (conocimiento) (TABR)
  • Utiliza reglas explícitas creadas por lingüistas, ingenieros del conocimiento, etc.
  • Necesita muchas horas de trabajo por expertos
  • Hoy en día sobrevive para dominios restringidos y lenguas cercanamente emparentadas
• TA estadística (TAE)
  • Aprende a traducir sobre la base de ejemplos (monolingües y bilingües)
  • Necesita grandes corpus
  • Hoy en día domina la TA

¿Por qué TABR?

• Limitaciones (hasta ahora) en la precisión y la gramaticalidad de TAE (importante cuando la meta es calidad de publicación)
• Falta de datos bilingües (o aún monolingües) para entrenar sistemas de TABR
• Limitaciones de TAE para lenguas con morfología compleja
  • Para traducir o generar una palabra, un sistema de TAE debe haber encontrado la palabra en corpus
  • Para lenguas con morfología compleja, el número de palabras posibles es muy grande, por ejemplo, en quechua
    • hampisunki 'te cura'
    • hampiwanchis 'nos (incl. te) cura(n)'
    • hampiwanku 'nos (excl. te) cura(n)'
    • hampirqasunki 'te curó'
    • hampirqasunkichu '¿te curó?'
    • hampichirqawan 'me hizo curar'
    • hampisayki 'te curaré'
    • hampirqusayki 'lograré a curarte'

Nuestras metas

• Desarrollar herramientas computacionales para sostener lenguas desfavorecidas
• Traducción automática (o semi-automática) para abordar la falta de documentos
  • Entre inglés y lenguas del Cuerno de África (amárico, oromo)
  • Entre español y varias lenguas indígenas (quechua, guaraní)
• En campos restringidos, con relacíon a la ciencia, la salud, la agricultura; solo se necesitan gramáticas y léxicos pequeños
• TABR

La búsqueda por una teoría lingüística (1)

• Gramáticas de estructura de frase (constituyentes)
  • Unidades: frases y palabras
  • Relación fundamental: la entre parte y todo
  • Análisis: árbol
  • Gramática: conjunto de reglas de producción libres de contexto
    O → SN SV

Gramáticas de constituyentes (2)

La búsqueda por una teoría lingüística (2)

• Gramáticas de dependencias
  • Unidades: palabras y clases de palabras; no hay frases
  • Relación fundamental: la entre núcleo (regente) y dependiente (regido)
  • Análisis: grafo de dependencias etiquetadas, de relaciones núcleo-dependiente, entre palabras
  • Gramática: léxico con restricciones de valencia, orden, y concordancia

Gramáticas de dependencias (2)

Ventajas de la gramática de dependencias

• Simplicidad
• Facilidad de integrar sintaxis y semántica
• Facilidad de tratar variaciones en el orden de palabras y dependencias de larga distancia

Extensible Dependency Grammar (Debusmann, 2007)

• Flexibilidad
• Modularidad
• Capacidad provada de tratar restricciones sintácticas complejas

XDG: nodos y arcos

• Un análisis más simple
  • Grafo dirigido y etiquetado de
    • un conjunto de nodos de palabras y
    • un único nodo central asociado con la puntuación del fin de oración
  • Un conjunto de rasgos para cada nodo

XDG: dimensiones (1)

• Dimensiones múltiples, cada una que corresponde a un nivel de abstracción gramática
• Un análisis es un multigrafo
• Algunas dimensiones
  • Sintaxis: Precedencia Lineal, Dominio Inmediato
  • Semántica: Predicado-Argumento, Ámbito

XDG: dimensiones (2)

XDG: dimensiones (3)

• Dimensión de interfaz: relaciona dos dimensiones, no tiene sus mismos arcos
  

XDG: dimensiones de interfaz (2)

XDG: principios

• Un análisis gramatical de una oración es uno que se conforma a un conjunto de restricciones
• Cada restricción se genera por medio de un principio
• Cada dimensión tiene su propio conjunto de principios
• Los principios se definen de una manera específica de la lengua
• Algunos principios
  • Principio de Árbol: constreñe la estructura del grafo
    e.g., un nodo tiene exactamente un node padre (arco entrante)
  • Principio de Valencia: constreñe las etiquetas de los arcos entrando en y saliendo de nodos
    e.g., un verbo inglés debe tener un arco saliente con etiqueta 'sujeto'
  • Principio de Concordancia: constreñe valores de nodos relacionados por arcos con etiquetas específicas
    e.g., un verbo español debe tener el mismo del valor de persona que su sujeto
  • Principio de Valores de Concordancia (Arg): constreñe los posibles valores de los rasgos de un nodo
    e.g., el valor del rasgo persona del verbo curaba debe ser 1 o 3
  • Principio de Orden: constreñe el orden de los nodos
    e.g., el sujeto del verbo inglés debe preceder el verbo
  • Principios de Vinculación: constreñen la manera de que los arcos en dos dimensiones se asocian
    e.g., el sujeto (en el Sintaxis) del verbo curar corresponde al agente (arg1; en la Semántica)

XDG: resumen

• Los elementos de un análisis: (nodos), arcos, etiquetas, rasgos
• Una gramática: basada en restricciones sobre los arcos y sus etiquetas y los rasgos
• ¿Dónde y cómo se declaran las restricciones?
• ¿Cómo se utilizan las restricciones? ¿Cómo se lleva a cabo el procesamiento de una oración?

XDG: gramática y léxico

• Una gramática XDG
  • Un conjunto de dimensiones, cada una con sus principios característicos y sus etiquetas de arcos posibles
  • Un léxico
• Todas las restricciones gramáticales específicas se almacenan en unidades al nivel de la palabra
• Léxico
  • Un conjunto de entradas léxicas organizado en una jerarquía de herencia
  • Palabras específicas (enferma), lexemas (enferm-), clases léxicas (adj)
• Entrada léxica
  • Lexemas o clases léxicas de las que la unidad hereda sus propiedades
  • Una o más especificaciones de restricciones gramaticales, cada una invocando un principio para un dimensión

XDG: entradas léxicas

• Verbo transitivo de la cláusula principal: Dimension de Sintaxis, Principio de Valencia
  
• Lexema gustar: Dimension de interfaz entre Sintaxis y Semántica, Principio de Vinculación
  

La léxico/gramática como jerarquía de herencia

• La léxico/gramática se organiza en una jerarquía de entradas léxicas
  
• Cada entrada hereda sus restricciones de sus antepasados (superclases) en la jerarquía
• Un concepto familiar en la inteligencia artificial, la programación orientada a objetos, algunas teorías lingüísticas (HPSG, etc.)

XDG: procesamiento (1)

• El sistema busca uno o más análisis a través de la satisfacción de restricciones
  • Un conjunto de variables con posibles valores
  • Un conjunto de restricciones sobre las variables
  • Un solución: un solo valor para cada variable (una asignación)
  • Aplicaciones y investigaciones en IA

XDG: procesamiento (2)

• Representación de analisis XDG a través de variables
  • Cada nodo n tiene una variable de hijos cuyo valor es el conjunto de índices de los nodos hijos de n
    
  • Variables de concordancia, valencia, orden

XDG: procesamiento (3)

• (Análisis morfológico)
• Lexicalización
• Creación de variables
• Instanciación de restricciones que constreñen (y relacionan) variables
• Satisfacción de restricciones
• Conversión de asignación de variables a análisis
• (Generación morfológica)

XDG: ejemplo de análisis (1)

• Se analizan morfológicamente las palabras de la oración
  

XDG: ejemplo de análisis (3)

• Se copian los rasgos en las entradas léxicas (y sus superclases)
  

XDG: ejemplo de análisis (4)

• Se invocan principios citados en las entradas léxicas encontradas (y sus superclases)
  • Creación de variables
  • Instanciación de restricciones que relacionan variables
  

XDG: ejemplo de análisis (5)

• Se satisfacen las restricciones
  • Si finaliza con éxito, retorna todas las asignaciones de variables completas; cada una corresponde a un solo análisis que se conforma a la gramática (un multigrafo que conecta todo los nodos)
  

La XDG multilingual (1)

Warmiqa chhulliwanmi kashan. 'La mujer tiene gripe.'



Warmi:qa	chhulli:wan:mi	ka:sha:n
mujer:TOP	gripe:ACOMP:ASRT	estar:asp=cont:sb=3s
'Mujer está con-gripe.'

La XDG multilingual (2)

• Una oración y su traducción a una o más lenguas: nada más que un multigrafo que conecta los nodos de la oración sobre todas dimensiones
  

La XDG multilingual (3)

• La semántica como lengua
• Las relaciones entre otras lenguas y la semántica como relaciones entre entradas léxicas
  
  

La XDG multilingual (4)

• Enlaces incluyen restricciones en la dimensión de interfaz entre las lenguas
  
  

La XDG multilingual (5)

• Una gran gramática con
  • Dimensiones sintácticas para cada lengua
  • Una semántica (una o mas otras dimensiones)
  • Dimensiones de interfaz que relacionan cada lengua a la semántica
  • Enlaces entre entradas léxicas en la semántica y las otras lenguas con restricciones de la interfaz

Paradigmas de la TABR

La traducción en XDG multilingual

• Análisis + generación
• Enlaces entre lenguas funcionan como enlaces de herencia en las léxico-gramáticas
• Satisfacción de restricciones normal
• Pasos adicionales para la generación (lengua meta)
  • Ordenación de palabras de la salida
  • Generación morfológica

Ejemplo de traducción (1)

• Lexicalización (1)
  • Se atravesan también los enlaces interlingüísticos desde las entradas encontradas

Ejemplo de traducción (2)

• Lexicalization (2)
  • Las restricciones también se heredan de las entradas en otras lenguas
    
  • Las raices lexicales se heredan de las entradas de la lengua meta
    

Ejemplo de traducción (2)

• Satisfacción de restricciones
• Ordenación de palabras en la oración de salida
  • Los nodos tienen variables para su posición en la oración de salida
  • Estas variables obtenen valores durante la satisfacción de restricciones
    

Ejemplo de traducción (3)

• Generación morfológico
  • Las formas de superficie de las palabras de la oración de salida se generan a través de un generador morfológico, basadas en los rasgos que resultaron durante la satisfacción de restricciones
    

Estado del proyecto

• Implementación de XDG (escrita en Python)
• Analizadores/generadores morfológicos de amárico, oromo, tigriña, quechua, guaraní y español (Gasser, 2009)
• Gramatiquitas XDG para ingles, español, quechua, amárico, semántica más enlaces interlingüísticos
• Se pueden bajar a http://www.cs.indiana.edu/~gasser/Research/software.html

Investigaciones en curso y preocupaciones

• Detalles gramaticales de 6 idiomas
• Semántica de un dominio
• Tratamiento de desambiguación léxica
• Hibridización de TABR y TAE
  • Aprendizaje de vínculos interlingüísticos
  • Aprendizaje de pesos probabilísticos para restricciones
  • Aprendizaje con participación activa del sistema ("active learning")
  • Aprendizaje por refuerzo

Conclusiones

• Las propiedades de la XDG, especialmente su multidimensionalidad y su modularidad, se prestan a la TABR
• Gramática XDG multilingual
  • Léxicos modulares de 2 o más idiomas y de la semántica de un dominio
  • Conjunto simple de enlaces de herencia interlingüísticos que vinculan entradas en diferentes lenguas
• Oración de entrada y oración de salida se ven como un una sola "oración" abstracta que consiste en nodos de palabras bilingües
• Los léxicos son declarativos, por tanto se puede traducir en ambas direcciones
• Se combinan fácilmente las paradigmas de interlingua y de transferencia en un sistema
• A diferencia de la traducción estándar basada en interlingua, no hay fases separadas de análisis y generación
  • La satisfacción de restricciones busca una representación de la oración a todos niveles simutáneamente
  • La sintaxis restringe la semántica, la semántica restringe la sintaxis, y las representaciones de fuente y de meta se restringen la una a la otra