Системы машинного перевода

предложения развернуты за счет однородных членов.

Для передачи логических связей в тексте используется большое число союзов, в том числе и двойных.

Например:

Webster’s New World Dictionary as late as 1957 ...

... was once known as Lake Khwarizm ...

... as explained by the Oxford English Dictionary ...

... as invented by Leibniz.

Специфичными для технических текстов, являются препозитивные определительные группы.

Например:

computer programming,

В данном отрывке их найдено не очень большое количество. Правда, с самой этой фразой переводчики справились не самым лучшим образом. Google хорошо передал смысл, но Яндексу, при некотором его искажении, удалось удачно согласовать фразу с другими членами предложения.

Морфологические особенности

Широко распространены пассивные конструкции:

Например:

... the Khwarizm region is located ...

С этой задачей обе системы справились. Широко распространены так же безличные и неопределенно-личные конструкции:

... it may look ...

... It comes from the name ...

При машинном переводе эти выражения были переведены шаблонно. С одной стороны это сохранило их безличную форму, которая также характерна для русского языка, с другой стороны, это отрицательно повлияло на согласование. Человек-переводчик в данном случае предпочел изменить порядок слов. Это немного изменило стилистическую направленность текста, но упростило бы восприятие. Авторская речь построена в первом лице множественного числа:

Например:

... so we should begin with a careful analysis of this concept ...

Подобная форма важна для технического текста, и с этой особенностью справились обе машины.

Заключение

В работе мы рассмотрели различные типы систем машинного перевода. Особое внимание было уделено системам статистического машинного перевода. Это связано с тем, что такие системы представляют исключительный интерес для автора и, по мнению некоторых экспертов, являются наиболее перспективными среди прочих СМП.

Развитие машинного перевода связано с дальнейшей разработкой и углублением теории и практики перевода, как машинного, так и «человеческого». Для развития теории важны результаты сопоставительного языкознания, общей теории перевода, теории закономерных соответствий, способов представления знаний, оптимизации и совершенствования лингвистических (и математических) алгоритмов.

Качество перевода, сделанного машинной сильно зависит от стилистики самого текста, и стилистики текстов для которых система была изначально построена. Для статистических систем, как показывает практика, перевод получается идеальным, если он проводился для научно-политического текста. В случае Google это очень закономерно, так как начальная база системы набиралась с использованием протоколов заседаний Генеральной Ассамблеи ООН. Практически, все СМП хорошо справляются со научно техническим текстом.

При переводе научного текста значительную роль играют эквивалентные переводные соответствия. В меньшей мере вариантные переводные соответствия. Крайне редко используются трансформационные. Это обусловлено стилистическими особенностями научного текста. Вообще подобное совпадение не случайно. Машинный перевод изначально создавался для оперативного перевода технической документации. И потому именно в этой сфере он проявляет себя лучше всего. Мы лишь очередной раз на конкретном примере показали это.

Основные ошибки совершенные машинной относятся к лексическим особенностям текста. Но даже при неверном разрешении омонимии в некоторых случаях основный смысл был передан (учитывая экстралингвистические реалии, не составляет труда догадаться что именно имел автор).

Синтаксические и морфологические особенности были переданы верно. Таким образом, у читателя машинного складывается приемлемое представление о тексте, его структуре и основных идеях. Это очень важно для научных текстов, когда нужно в кратчайшие сроки получить общее представление о каком-либо явлении или изобретении, при том, можно пренебречь некоторыми деталями, и красотой языка.

Для разрешения проблемы омонимии и трансформационных соответствий, перед применением машинного перевода текст должен пройтинекоторую предобработку. При этом, безусловно, потеряется колорит текста и любая экспрессивность (которой и так очень мало в научном тексте). На данном этапе развития, такова цена за безупречную ясность.

В ходе исследования автор узнал о существовании отечественных систем статистического перевода (переводчик Яндекс). Это безусловно является положительным моментом работы. Качество переводчика Яндекса на данном этапе оставляет желать лучшего, он по ряду параметров уступает западному аналогу. Правда огрехи и неточности перевода можно списать на малое время работы системы и пока еще не очень большую базу текстов. Потенциально Яндекс переводчик должен превзойти Google, благодаря тому что русскому языку будет уделяться большое внимание.

Список использованной литературы:

1. Анисимов А. В. «Компьютерная Лингвистика для Всех. Мифы. Алгоритмы. Язык» — Киев: Наукова думка, 1991 — 208 с.

2. Арнольд И. В. «Основы научных исследований в лингвистике» — Высшая школа, 1991 — 140 с.

3. Белоногов Г. Г. «Компьютерная лингвистика и перспективные информационные

технологии» — М.: Русский мир, 2004 — 300 c. литературы на иностранных языках, 1958 — 459 с.

4. Грязнухина Т. А., Дарчук И. П., Клименко Н. Ф., и др. «Использование ЭВМ в лингвистических исследованиях» / Отв. ред. Перебейнос В. И. — Киев: Наукова думка, 1990 — 226 с.

5. Марчук Ю. Н. «Основы компьютерной лингвистики. Учебное пособие. Издание 2-е до-полненное» — М.: Изд-во МПУ «Народный учитель», 2000 — 226 с.

6. Рахимбердиев Б.Н. Эволюция семантики экономической терминологии русского языка в XX веке. Дисс. на соиск. уч. степ. канд. филол. наук. М., 2003. 188 стр.

7. Реформатский А. А. «Введение в языковедение» /Под ред. В. А. Виноградова. — М.: Аспект Пресс, 1996. — 536 с.

8. Швейцер А. Д. «Теория перевода» — М.: Наука, 1988 — 280 с.

2