forked from bfijalkowski/KWT-2024
449 lines
14 KiB
Plaintext
449 lines
14 KiB
Plaintext
{
|
|
"cells": [
|
|
{
|
|
"cell_type": "markdown",
|
|
"id": "continued-dinner",
|
|
"metadata": {},
|
|
"source": [
|
|
"\n",
|
|
"<div class=\"alert alert-block alert-info\">\n",
|
|
"<h1> Komputerowe wspomaganie tłumaczenia </h1>\n",
|
|
"<h2> 2. <i>Zaawansowane użycie pamięci tłumaczeń</i> [laboratoria]</h2> \n",
|
|
"<h3>Rafał Jaworski (2021)</h3>\n",
|
|
"</div>\n",
|
|
"\n",
|
|
""
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"id": "aggregate-listing",
|
|
"metadata": {},
|
|
"source": [
|
|
"Wiemy już, do czego służy pamięć tłumaczeń. Spróbujmy przeprowadzić mały research, którego celem będzie odkrycie, w jaki sposób do pamięci tłumaczeń podchodzą najwięksi producenci oprogramowania typu CAT.\n"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"id": "golden-turkish",
|
|
"metadata": {},
|
|
"source": [
|
|
"### Ćwiczenie 1: Wykonaj analizę funkcjonalności pamięci tłumaczeń w programach SDL Trados Studio 2021 oraz Kilgray memoQ. Dla obu programów wypisz funkcje, które są związane z TM oraz zaznacz, które funkcje są wspólne dla obu programów oraz których funkcji Tradosa brakuje w memoQ oraz odwrotnie."
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"id": "retired-burke",
|
|
"metadata": {},
|
|
"source": [
|
|
"Odpowiedź:"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"id": "existing-approval",
|
|
"metadata": {},
|
|
"source": [
|
|
"Jedną z funkcji dostępnych we wszystkich większych programach do wspomagania tłumaczenia jest znajdowanie bardzo pewnych dopasowań w pamięci tłumaczeń. Są one zwane **ICE** (In-Context Exact match) lub 101% match. Są to takie dopasowania z pamięci tłumaczeń, dla których nie tylko zdanie źródłowe z TM jest identyczne z tłumaczonym, ale także poprzednie zdanie źródłowe z TM zgadza się z poprzednim zdaniem tłumaczonym oraz następne z TM z następnym tłumaczonym."
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"id": "decimal-electricity",
|
|
"metadata": {},
|
|
"source": [
|
|
" Rozważmy przykładową pamięć tłumaczeń z poprzednich zajęć (można do niej dorzucić kilka przykładów):"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": 17,
|
|
"id": "confident-prison",
|
|
"metadata": {},
|
|
"outputs": [],
|
|
"source": [
|
|
"translation_memory = [\n",
|
|
" ('Wciśnij przycisk Enter', 'Press the ENTER button'), \n",
|
|
" ('Sprawdź ustawienia sieciowe', 'Check the network settings'),\n",
|
|
" ('Drukarka jest wyłączona', 'The printer is switched off'),\n",
|
|
" ('Wymagane ponowne uruchomienie komputera', 'System restart required')\n",
|
|
" ]"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"id": "informal-breakdown",
|
|
"metadata": {},
|
|
"source": [
|
|
"### Ćwiczenie 2: Zaimplementuj funkcję ice_lookup, przyjmującą trzy parametry: aktualnie tłumaczone zdanie, poprzednio tłumaczone zdanie, następne zdanie do tłumaczenia. Funkcja powinna zwracać dopasowania typu ICE. Nie pozwól, aby doszło do błędów podczas sprawdzania pierwszego i ostatniego przykładu w pamięci (ze względu na brak odpowiednio poprzedzającego oraz następującego przykładu)."
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": 18,
|
|
"id": "continental-submission",
|
|
"metadata": {},
|
|
"outputs": [],
|
|
"source": [
|
|
"def ice_lookup(sentence, prev_sentence, next_sentence):\n",
|
|
" # Wyniki dopasowania ICE\n",
|
|
" ice_matches = []\n",
|
|
"\n",
|
|
" # Iterujemy przez pamięć tłumaczeń, pomijając pierwszy i ostatni element dla bezpieczeństwa kontekstowego\n",
|
|
" for index in range(1, len(translation_memory) - 1):\n",
|
|
" # Pobieramy obecne, poprzednie i następne zdania z TM\n",
|
|
" prev_tm_sentence, _ = translation_memory[index - 1]\n",
|
|
" current_tm_sentence, current_tm_translation = translation_memory[index]\n",
|
|
" next_tm_sentence, _ = translation_memory[index + 1]\n",
|
|
"\n",
|
|
" # Sprawdzamy, czy wszystkie trzy zdania zgadzają się z odpowiednikami w TM\n",
|
|
" if (prev_tm_sentence == prev_sentence and current_tm_sentence == current_sentence and next_tm_sentence == next_sentence):\n",
|
|
" ice_matches.append(current_tm_translation)\n",
|
|
"\n",
|
|
" return ice_matches"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"id": "figured-server",
|
|
"metadata": {},
|
|
"source": [
|
|
"Inną powszechnie stosowaną techniką przeszukiwania pamięci tłumaczeń jest tzw. **fuzzy matching**. Technika ta polega na wyszukiwaniu zdań z pamięci, które są tylko podobne do zdania tłumaczonego. Na poprzednich zajęciach wykonywaliśmy funkcję tm_lookup, która pozwalała na różnicę jednego słowa."
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"id": "beautiful-fancy",
|
|
"metadata": {},
|
|
"source": [
|
|
"Zazwyczaj jednak funkcje fuzzy match posiadają znacznie szersze możliwości. Ich działanie opiera się na zdefiniowaniu funkcji $d$ dystansu pomiędzy zdaniami $x$ i $y$. Matematycznie, funkcja dystansu posiada następujące właściwości:\n",
|
|
"1. $\\forall_{x,y} d(x,y)\\geqslant 0$\n",
|
|
"2. $\\forall_{x,y} d(x,y)=0 \\Leftrightarrow x=y$\n",
|
|
"3. $\\forall_{x,y} d(x,y)=d(y,x)$\n",
|
|
"4. $\\forall_{x,y,z} d(x,y) + d(y,z)\\geqslant d(x,z)$"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"id": "square-usage",
|
|
"metadata": {},
|
|
"source": [
|
|
"Rozważmy następującą funkcję:"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": 19,
|
|
"id": "fourth-pillow",
|
|
"metadata": {},
|
|
"outputs": [],
|
|
"source": [
|
|
"def sentence_distance(x,y):\n",
|
|
" return abs(len(y) - len(x))"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"id": "mediterranean-cosmetic",
|
|
"metadata": {},
|
|
"source": [
|
|
"### Ćwiczenie 3: Czy to jest poprawna funkcja dystansu? Które warunki spełnia?"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"id": "graduate-theorem",
|
|
"metadata": {},
|
|
"source": [
|
|
"Odpowiedź: Nie, ponieważ w tej funkcji interesuje nas tylko długość zdania, tzn. drugi warunek nie będzie spełniony\n",
|
|
"\n",
|
|
"Przykład: `kot != bok`, a dla tej funkcji zwróci 0\n",
|
|
"\n",
|
|
"Spełnione warunki: 1, 3, 4"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"id": "native-amber",
|
|
"metadata": {},
|
|
"source": [
|
|
"A teraz spójrzmy na taką funkcję:"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": 20,
|
|
"id": "continued-christopher",
|
|
"metadata": {},
|
|
"outputs": [],
|
|
"source": [
|
|
"def sentence_distance(x,y):\n",
|
|
" if (x == y):\n",
|
|
" return 0\n",
|
|
" else:\n",
|
|
" return 3"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"id": "every-surveillance",
|
|
"metadata": {},
|
|
"source": [
|
|
"### Ćwiczenie 4: Czy to jest poprawna funkcja dystansu? Które warunki spełnia?"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"id": "metallic-leave",
|
|
"metadata": {},
|
|
"source": [
|
|
"Odpowiedź: Tak, spełnia wszystkie warunki\n",
|
|
"\n",
|
|
"Sprawdzenie dla warunku 4"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": 29,
|
|
"id": "349a3547",
|
|
"metadata": {},
|
|
"outputs": [
|
|
{
|
|
"name": "stdout",
|
|
"output_type": "stream",
|
|
"text": [
|
|
"True\n",
|
|
"True\n",
|
|
"True\n",
|
|
"True\n"
|
|
]
|
|
}
|
|
],
|
|
"source": [
|
|
"# x == y i y == z\n",
|
|
"print(sentence_distance(\"kot\", \"kot\") + sentence_distance(\"kot\", \"kot\") >= sentence_distance(\"kot\", \"kot\"))\n",
|
|
"\n",
|
|
"# x == y i y != z\n",
|
|
"print(sentence_distance(\"kot\", \"kot\") + sentence_distance(\"kot\", \"pies\") >= sentence_distance(\"kot\", \"pies\"))\n",
|
|
"\n",
|
|
"# x != y i y == z\n",
|
|
"print(sentence_distance(\"kot\", \"pies\") + sentence_distance(\"pies\", \"pies\") >= sentence_distance(\"kot\", \"pies\"))\n",
|
|
"\n",
|
|
"# x != y i y != z\n",
|
|
"print(sentence_distance(\"kot\", \"pies\") + sentence_distance(\"pies\", \"kot\") >= sentence_distance(\"kot\", \"kot\"))"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"id": "executed-baptist",
|
|
"metadata": {},
|
|
"source": [
|
|
"Wprowadźmy jednak inną funkcję dystansu - dystans Levenshteina. Dystans Levenshteina pomiędzy dwoma łańcuchami znaków definiuje się jako minimalną liczbę operacji edycyjnych, które są potrzebne do przekształcenia jednego łańcucha znaków w drugi. Wyróżniamy trzy operacje edycyjne:\n",
|
|
"* dodanie znaku\n",
|
|
"* usunięcie znaku\n",
|
|
"* zamiana znaku na inny"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"id": "square-brown",
|
|
"metadata": {},
|
|
"source": [
|
|
"### Ćwiczenie 5: Czy dystans Levenshteina jest poprawną funkcją dystansu? Uzasadnij krótko swoją odpowiedź sprawdzając każdy z warunków."
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"id": "bibliographic-stopping",
|
|
"metadata": {},
|
|
"source": [
|
|
"Odpowiedź:\n",
|
|
"- Dystans Levenshteina jest zawsze nieujemny\n",
|
|
"- Jeśli dwa ciągi są identyczne, nie potrzeba żadnych operacji do przekształcenia jednego w drugi\n",
|
|
"- Dystans Levenshteina jest symetryczny, ponieważ liczba operacji wymaganych do przekształcenia ciągu A w ciąg B jest taka sama jak liczba operacji potrzebnych do przekształcenia ciągu B w ciąg A\n",
|
|
"- Dystans Levenshteina spełnia nierówność trójkąta. Można to uzasadnić rozważając, że przekształcenie ciągu X w Y przez ciąg pośredni Z (najpierw przekształcając X w Z, a następnie Z w Y) nie będzie wymagać więcej operacji niż bezpośrednie przekształcenie X w Y"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"id": "attended-channels",
|
|
"metadata": {},
|
|
"source": [
|
|
"W Pythonie dostępna jest biblioteka zawierająca implementację dystansu Levenshteina. Zainstaluj ją w swoim systemie przy użyciu polecenia:\n",
|
|
"\n",
|
|
"`pip3 install python-Levenshtein`\n",
|
|
"\n",
|
|
"I wypróbuj:"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": 21,
|
|
"id": "secondary-wrist",
|
|
"metadata": {},
|
|
"outputs": [
|
|
{
|
|
"data": {
|
|
"text/plain": [
|
|
"2"
|
|
]
|
|
},
|
|
"execution_count": 21,
|
|
"metadata": {},
|
|
"output_type": "execute_result"
|
|
}
|
|
],
|
|
"source": [
|
|
"from Levenshtein import distance as levenshtein_distance\n",
|
|
"\n",
|
|
"levenshtein_distance(\"kotek\", \"kotki\")\n"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"id": "concrete-satellite",
|
|
"metadata": {},
|
|
"source": [
|
|
"Funkcja ta daje nam możliwość zdefiniowania podobieństwa pomiędzy zdaniami:"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": 22,
|
|
"id": "associate-tuner",
|
|
"metadata": {},
|
|
"outputs": [],
|
|
"source": [
|
|
"def levenshtein_similarity(x,y):\n",
|
|
" return 1 - levenshtein_distance(x,y) / max(len(x), len(y))"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"id": "built-michael",
|
|
"metadata": {},
|
|
"source": [
|
|
"Przetestujmy ją!"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": 23,
|
|
"id": "focal-pathology",
|
|
"metadata": {},
|
|
"outputs": [
|
|
{
|
|
"data": {
|
|
"text/plain": [
|
|
"0.9166666666666666"
|
|
]
|
|
},
|
|
"execution_count": 23,
|
|
"metadata": {},
|
|
"output_type": "execute_result"
|
|
}
|
|
],
|
|
"source": [
|
|
"levenshtein_similarity('Program jest uruchomiony', 'Program jest uruchamiany')"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": 24,
|
|
"id": "roman-ceiling",
|
|
"metadata": {},
|
|
"outputs": [
|
|
{
|
|
"data": {
|
|
"text/plain": [
|
|
"0.9428571428571428"
|
|
]
|
|
},
|
|
"execution_count": 24,
|
|
"metadata": {},
|
|
"output_type": "execute_result"
|
|
}
|
|
],
|
|
"source": [
|
|
"levenshtein_similarity('Spróbuj wyłączyć i włączyć komputer', 'Spróbuj włączyć i wyłączyć komputer')"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": 25,
|
|
"id": "invisible-cambodia",
|
|
"metadata": {},
|
|
"outputs": [
|
|
{
|
|
"data": {
|
|
"text/plain": [
|
|
"0.631578947368421"
|
|
]
|
|
},
|
|
"execution_count": 25,
|
|
"metadata": {},
|
|
"output_type": "execute_result"
|
|
}
|
|
],
|
|
"source": [
|
|
"levenshtein_similarity('Spróbuj wyłączyć i włączyć komputer', 'Nie próbuj wyłączać i włączać drukarki')"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"id": "administrative-phoenix",
|
|
"metadata": {},
|
|
"source": [
|
|
"### Ćwiczenie 6: Napisz funkcję fuzzy_lookup, która wyszuka w pamięci tłumaczeń wszystkie zdania, których podobieństwo Levenshteina do zdania wyszukiwanego jest większe lub równe od ustalonego progu."
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": 26,
|
|
"id": "genetic-cradle",
|
|
"metadata": {},
|
|
"outputs": [],
|
|
"source": [
|
|
"# Write a fuzzy_lookup function that will search the translation memory for all sentences whose Levenshtein similarity to the searched sentence is greater than or equal to a set threshold.\n",
|
|
"def fuzzy_lookup(sentence, threshold):\n",
|
|
" fuzzy_matches = []\n",
|
|
"\n",
|
|
" # Iterujemy przez pamięć tłumaczeń\n",
|
|
" for tm_sentence, tm_translation in translation_memory:\n",
|
|
" # Sprawdzamy, czy podobieństwo Levenshteina jest większe niż próg\n",
|
|
" if levenshtein_similarity(sentence, tm_sentence) >= threshold:\n",
|
|
" fuzzy_matches.append(tm_translation)\n",
|
|
"\n",
|
|
" return fuzzy_matches"
|
|
]
|
|
}
|
|
],
|
|
"metadata": {
|
|
"author": "Rafał Jaworski",
|
|
"email": "rjawor@amu.edu.pl",
|
|
"kernelspec": {
|
|
"display_name": "Python 3",
|
|
"language": "python",
|
|
"name": "python3"
|
|
},
|
|
"lang": "pl",
|
|
"language_info": {
|
|
"codemirror_mode": {
|
|
"name": "ipython",
|
|
"version": 3
|
|
},
|
|
"file_extension": ".py",
|
|
"mimetype": "text/x-python",
|
|
"name": "python",
|
|
"nbconvert_exporter": "python",
|
|
"pygments_lexer": "ipython3",
|
|
"version": "3.10.14"
|
|
},
|
|
"subtitle": "2. Zaawansowane użycie pamięci tłumaczeń",
|
|
"title": "Komputerowe wspomaganie tłumaczenia",
|
|
"year": "2021"
|
|
},
|
|
"nbformat": 4,
|
|
"nbformat_minor": 5
|
|
}
|