Construcción de recursos para traducción automática guaraní-español
Supervisor(es): Chiruzzo, Luis
Resumen:
Aunque han pasado varios siglos desde que el guaraní y el español entraron en contacto por primera vez, la traducción automática entre este par de lenguas se mantiene como un tópico de investigación poco explorado dentro de la comunidad científica. Incluso si no nos limitamos a la traducción automática y consideramos todas las tareas de PLN, la escasez de recursos desarrollados para el guaraní se evidencia más aún. Por estar en esta situación, el guaraní es considerada una lengua de escasos recursos. Este trabajo presenta una serie de esfuerzos realizados para fortalecer el desempeño de la traducción automática entre el guaraní y el español, tanto en una dirección como en la otra. Al inicio de nuestra investigación construimos un conjunto paralelo de noticias y uno monolingüe conformado por tweets. El conjunto paralelo construido contiene 15.175 pares de oraciones, mientras que el conjunto monolingüe cuenta con 9.635 tweets. Posteriormente nos centramos en construir representaciones vectoriales de palabras y de su uso, junto al resto de recursos construidos, a la hora de realizar experimentos de traducción automática. En cuanto a los resultados experimentales, si bien los vectores de palabras logran tener buenos resultados tanto en tests intrínsecos como extrínsecos, creemos que la ausencia de diversidad en los textos impacta muy fuertemente en su calidad. Respecto a la traducción automática logramos mejorar resultados previos en la dirección guaraní-español; adicionalmente comparamos nuestro desempeño en el sentido español-guaraní con el de los participantes de la shared task de AmericasNLP, que tuvo lugar en junio de 2021.
2021 | |
Guaraní PLN Procesamiento de Lenguaje Natural Traducción automática Vectores de palabras Word embeddings OpenNMT |
|
Español | |
Universidad de la República | |
COLIBRI | |
https://hdl.handle.net/20.500.12008/30019 | |
Acceso abierto | |
Licencia Creative Commons Atribución - No Comercial - Sin Derivadas (CC - By-NC-ND 4.0) |