Automatic alignment in parallel corpora

Abstract

This paper addresses the alignment issue in the framework of exploitation of large bimultilingual corpora for translation purposes. A generic alignment scheme is proposed that can meet varying requirements of different applications. Depending on the level at which alignment is sought, appropriate surface linguistic information is invoked coupled with information about possible unit delimiters. Each text unit (sentence, clause or phrase) is represented by the sum of its content tags. The results are then fed into a dynamic programming framework that computes the optimum alignment of units. The proposed scheme has been tested at sentence level on parallel corpora of the CELEX database. The success rate exceeded 99%. The next steps of the work concern the testing of the scheme's efficiency at lower levels endowed with necessary bilingual information about potential delimiters.

"Alinhamento sentencial de textos paralelos português-inglês"

“…Nela, assume-se X AB = {x 1 , x 2 , ..., x m } e Y AB = {y 1 , y 2 , ..., y n }, com x i = (x a,i , x b,i ) e y j = (y a,j , y b,j ), e têm-se X' AB = união i (x a,i X x b,i ) e Y' AB = união j (y a,j X y b,j ), onde "união"é a operação de união utilizada em teoria dos conjuntos. (Papageorgiou et al, 1994;Piperidis et al, 2000 A restrição quanto ao domínio do conhecimento de onde proviria esse corpus foi resultado da opção pela seleção de textos de um domínio específico. De acordo com a literatura consultada, esse é um critério a ser adotado quando a construção do corpus representa um estágio do desenvolvimento de um produto ou da busca de um objetivo de pesquisa, o caso desse trabalho (Renouf, 1987;Sinclair, 1991apud Martins et al, 2001 Tabela 1: Quantidade de palavras e sentenças nos corpora autêntico e pré-editado (Martins et al, 2001).…”

“…Mesmo assim, os métodos lingüísticos são muito importantes para o projeto PESA e por isso um deles foi escolhido como representante desta classe: o método lingüístico apresentado em (Papageorgiou et al, 1994;Piperidis et al, 2000). Este método, referenciado no restante deste texto como simplesmente "método lingüístico", utiliza a etiquetação morfológica das línguas envolvidas como recurso para o alinhamento dos textos paralelos.…”

“…Este método foi escolhido principalmente devido à precisão de 99% demonstrada nas avaliações realizadas em (Papageorgiou et al, 1994) e (Piperidis et al, 2000). Além disso, um dos principais interesses da avaliação de um método lingüístico é analisar as vantagens de um pré-processamento intenso dos corpora, como acontece no método lingüístico escolhido, em relação ao custo desse processo.…”

“…O método lingüístico, por sua vez, alinha as sentenças considerando suas cargas semânticas, ou seja, a quantidade de substantivos, verbos, adjetivos e advérbios (Papageorgiou et al, 1994;Piperidis et al, 2000). Por ser o único representante da classe de métodos lingüísticos, este método será referenciado no decorrer deste texto simplesmente como "método lingüístico".…”

Alinhamento automático de textos e sumários multidocumento

“…Tais alinhamentos podem fazer uso de informações como o número de substantivos, verbos, advérbios e adjetivos presentes nas duas unidades textuais. (por exemplo, Papageorgiou et al, 1994;Piperidis et al, 2000). Esses alinhamentos utilizam recursos dependentes de língua, que são de difícil construção, além de requererem muito conhecimento das duas línguas envolvidas.…”