Morphological analysis of nouns in English to Uzbek machine translation

M.Kh. Khakimov; V.G. Bekova

Авторы

М.Х. Хакимов Национальный университет Узбекистана имени Мирзо Улугбека Автор
В.Г. Бекова Национальный университет Узбекистана имени Мирзо Улугбека Автор

Ключевые слова:

обработка естественного языка, категория существительного, вес слова, аффикс множественного числа, токенизация

Аннотация

В статье анализируется проделанная работа по созданию высококачественно го компьютерного перевода. Также описываются подходы, проблемы и решения в достижении семантически точного перевода при компьютерном переводе. В статье подчеркивается важность формализации при моделировании грамматических категорий для английского и узбекского языков, особенно классификации существительных при их вступлении в синтаксические отношения. Значимость морфо анализатора в обеспечении точного и качественного автоматического перевода анализируется с использованием математических моделей и классификации аффиксов слов и множественного числа и их весов в обоих языках. Новые математические модели, по строенные для обоих языков, представлены в отдельных таблицах для каждого типа категории существительных. В статье приводятся пояснения на основе построенных новых математических моделей.

Библиографические ссылки

Lin L., Liu J., Zhang X., Liang X. 2021. Automatic translation of spoken English based on improved machine learning algorithm // Journal of Intelligent & Fuzzy Systems.– Vol. 40, ›2.– P. 2385–2395.– doi: http://dx.doi.org/10.3233/JIFS-189234.

Zhang G. 2022. Research on the efficiency of intelligent algorithm for English speech recog nition and sentence translation // Inform An Int J Comput Inform.– Vol. 45, ›2.– P. 309–314.– doi: http://dx.doi.org/10.31449/inf.v45i2.3564.

Wen H. 2020. Intelligent English translation mobile platform and recognition system based on support vector machine // Journal of Intelligent & Fuzzy Systems.– Vol. 38, ›153. P. 1-12.– doi: http://dx.doi.org/10.3233/JIFS-179788.

Dandapat S., Federmann C. 2018. Iterative data augmentation for neural machine transla tion: a low resource case study for English-Telugu // Vol. Proceedings of the 21st Annual Conference of the European Association for Machine Translation, (Alacant, Spain), Euro pean Association for Machine Translation. may 28-30,– P. 287–292.

Lin X, Liu J, Zhang J, Lim S. 2020. A novel beam search to improve neural machine translation for English-Chinese // Comput Mater Contin (Engl).– Vol.65,– ›1– P. 387–404. doi: http://dx.doi.org/10.32604/cmc.2020.010984.

Luong MT, Manning CD. 2016. Achieving open vocabulary neural machine translation with hybrid word-character models // Proceedings of the 54th Annual Meeting of the As sociation for Computational Linguistics, (Berlin, Germany), Association for Computational Linguistics.– Vol.1,– P. 1054–1063. doi: http://dx.doi.org/10.18653/v1/P16-1100.

Choi H, Cho K, Bengio Y. 2017. Context-dependent word representation for neural machine translation // Comput Speech Lang.– Vol.45,– P. 149–160. doi: http://dx.doi.org/10. 1016/j.csl.2017.01.007. doi: http://dx.doi.org/10.18653/v1/P16-1100.

Marchuk Yu.N. 2010. Translation models: textbook.aid for student institutions of higher education // Publishing Center “Academy”.– 176 p.

Novikov I.A. 1983. Semantics of the and its formalization // M. Science,– 216 p.

Abdurakhmonova N. 2017. Representation morphological analysis in machine translation // O’zbekistonda xorijiy tillar ilmiy metodik elektron jurnal.– Vol.40,– ›2,– 13 p.

Xakimov M.X. 2019. Texnologiya mnogoyazikovogo modeliruemogo kompyuternogo perevodchika // Monografiya. LAP LAMBERT. Academic Publishing, Riga.– 174 p.

Xakimov M.X. 2009. Rasshiryaemiy vxodnoy yazik matematicheskogo modelirovaniya estesstvennogo yazika dlya mnogoyazichnoy situasii mashinnogo perevoda // O’zMU xabar lari.– P. 75–80.

Khakimov M.Kh., Sirojiddinov Z.Sh. 2021. Computer algorithmization in multi-language modelled translator technology // Modern problems of applied mathematics and information technologies al-Khwarizmi.–– 2 p.