ترجمه ماشینی به کمک شبکه‌های عصبی ژرف گرافی و روش‌های معنایی

چکیده:امروزه با پیشرفت چشمگیر هوش مصنوعی^{^[۱]} در تمام زمینه ها بسیاری از افراد و شرکت های بزرگ در صدد استفاده از این علم برای پیشرفت کسب و کارها و کاهش هزینه های خود برآمده اند. یکی از حوزه های مهم هوش مصنوعی ،پردازش زبان طبیعی^{^[۲]} است، که در زمینه های مختلفی همچون تحلیل احساسات^{^[۳]} ، خلاصه سازی متون^{^[۴]} ، تبدیل گفتار به متن^{^[۵]} و ترجمه ماشینی^{^[۶]} به پیشرفت های بسیار مهمی دست یافته است. ترجمه ماشینی فناوری است که با ماشینی کردن ترجمه از زبانی به زبان دیگر ، باعث کاهش هزینه ها و افزایش سرعت ترجمه برای کاربران شده است. از این رو طرفداران بسیاری دارد و از طرفی منتقدانی نیز بر سر راه این فناوری وجود دارند، افرادی که معتقد هستند این فناوری هیچ گاه قادر به درک کامل زبان انسانها و ظرافت های زبان طبیعی نخواهد بود یا افرادی که معتقدند ترجمه ماشینی باعث بیکاری مترجمان خواهد شد . اگر چه ترجمه ماشینی برای رسیدن به نقطه ی درک کامل زبان طبیعی و ظرافت های آن راهی دراز در پیش دارد، اما این فناوری از سال ۲۰۱۳ با ظهور مدل های یادگیری ژرف^{^[۷]} پیشرفت بسیار چشم گیری در راستای درک شناختی از زبان طبیعی را داشته است. و همه روزه با تلاش دانشمندان این حوزه خود را قدرتمند تر کرده و برای رویارویی و رقابت با ترجمه انسانی آماده تر می شود. با ظهور مدل های یادگیری ژرف هر چند که بسیاری از مشکلات ترجمه ماشینی حل شده است ولی این مدل ها نیز از نقاط ضعف و مشکلاتی برخوردار هستند. در این پایان نامه سعی شده است مطالعه ای عمیق در رابطه با مدل های یادگیری ژرف در ترجمه ماشینی و نقاط ضعف و قوت آن انجام شود و همچنین اصلاحاتی برای بهبود دقت این مدل ها و افزایش سرعت و بهبود قدرت شناختی این مدل ها انجام شود.
کلمات کلیدی: هوش مصنوعی، یادگیری ژرف، ترجمه ماشینی

[۱] Artificial Intelligence

[۲] Natural Language Processing

[۳] Sentiment Analysis

[۴] Text Summarization

[۵] Speech To Text

[۶] Machine Translation

[۷] Deep learning

سایر مطالب این بخش | نسخه قابل چاپ | ارسال به دوستان |

دفعات مشاهده: 597 بار | دفعات چاپ: 119 بار | دفعات ارسال به دیگران: 0 بار | 0 نظر