Czytelnia / Technologie tłumaczeniowe

Ponadto istnieje również możliwość optymalizowania współczynników skalujących dotyczących modelu translacji w ramach pojedynczego najlepszego wyniku rozpoznawania, za pomocą parametrów λ dla nadania wartości początkowej/inicjacji. W ten sposób otrzymaliśmy ustawienia parametrów λ’, które zostały wykorzystane do ustalenia drugiej grupy wyników w tabeli nr 3. Podczas stosowania cech rozpoznawania, ustawienia parametrów λ’ pozostają niezmienne, a jedynie współczynniki skalujące dla wyniku modelu akustycznego (a w stosownych przypadkach również dla wyniku źródłowego modelu logarytmiczno - liniowego) są optymalizowane. W taki oto sposób redukujemy złożoność czasu potrzebnego do zoptymalizowania wszystkich czynników, wielokrotnie za pomocą algorytmu Downhill Simplex). Można także uniknąć błędnego dostosowania parametrów.

Optymalne lambda

Dane wejściowe

Transkrypcja

WER [%] PER [%]
Poprawny tekst

Poprawny tekst

Najl. poj. wynik

23,7

32,2

21,3

29,0

Najlepszy pojedynczy

Najl. poj. wynik

Siatka słów

+wynik. ak.

+wynik LM

wynik ak. +LM

 

31,0

31,0

30,3

30,4

29,8

 

28,0

28,3

27,5

27,7

27,0

SiatkaWszystkie czynniki29,2

 

26,3

 

 

Tabela 4. Wyniki przekładu BTEC (zbiór rozwoju). λ oznacza zbiór współczynników dla cech modelu translacji i modelu języka docelowego.

 

System

Dane wejściowe

WER PER BLUE
PBT

Najl. poj. wynik

32,4
27,2
55,4

Siatka słów

Wynik LM + ak.

Wszystkie

31,9

30,6

29,8

 

28,0

26,6

25,8

 

54,7

56,2

57,7

FSA

Najl. poj. wynik

Siatka + wyniki ak.

33,4

31,6

29,1

27,6

52,7

54,3

 

Tabela 5. Wyniki przekładu BTEC (zbiór testowany). Porównanie PBT i FSA.