ACL05 (28.6.): Paraphrasing with Bilingual Parallel Corpora

Frühere Arbeiten ueber automatische Paraphrasierung benutzten einsprachige parallele Korpora, wie zum Beispiel mehrere unterschiedliche Übersetzungen des selben Romanklassikers vom Französischen ins Englische, oder speziell für die Evaluation von maschinellen Übersetzungssystemen erstellte Texte (BLEU). Waehrend dieser Ansatz ziemlich gute Resultate bringt, hat er das Problem, dass das Textmaterial nicht sehr umfangreich ist, und deswegen nur eine beschränkte Anyahl an Paraphrasen extrahiert werden kann.

Colin Bannard und Chris Callison-Burch umgehen das Problem, in dem sie zweisprachige parallele Textkorpora verwenden. Das sind große Sammlungen von Texten und ihren Übersetzungen, die man mit ein paar Tricks kann dazu benutzen kann, um zu einer bestimmten Phrase in einer Sprache die statistisch wahrscheinlichste Übersetzung der anderen Sprache zu ermitteln. Ein beliebter zweisprachiger paralleler Korpus ist der Europarl-Korpus, der auf den Protokollen des Europäischen Parlaments, die professionell in 11 Sprachen übersetzt sind, basiert. Dieser Korpus umfasst über 28 Millionen Wörter pro Sprache.

Die Übersetzung in der zweiten Sprache fungiert nun als Angelpunkt für das Finden von Umschreibungen. Die gewünschte Phrase wird zuerst in die zweite Sprache übersetzt, und anschliessend werden diese Übersetzungen zurückübersetzt. Dabei ergeben sich meist mehrere mögliche Umschreibungen, denn meist gibt es mehrere Übersetzungen der Phrase von Sprache A nach Sprache B, und natürlich auch mehere Übersetzungen von Sprache B zurück nach Sprache A. Diese werden dann bewertet. Und natürlich passen nicht alle gefunden Umschreibungen auch in den Kontext der Original-Phrase, man muss also eine Methode finden, die unpassenden Paraphrasen auszufiltern.

Viele der unpassenden Kandidaten rühren daher, dass es Homonyme gibt, also Wörter die gleich geschrieben werden, aber unterschiedliche Bedeutungen haben. Mit einer Methode zur Desambiguierung von Wortbedeutungen könnte man also viele unpassende Umschreibungen ausfiltern. Leider gehört die Desambiguierung von Wortbedeutungen zu den schwierigeren Aufgaben in der Computerlinguistik.
Eine weiterer Vorschlag von Bannard und Callison-Burch ist, die Datenbasis dadurch zu vergrößern, indem man mehrere Sprachpaare gleichzeitig verwendet, also z.B. Englisch-Deutsch und Englisch-Spanisch.

In Zukunft wollen die beiden Autoren ihre Bewertungsmechanismen weiter verbessern, dass die gefundenen Paraphrasen nicht nur von ihrer Bedeutung, sondern auch grammatisch besser in den Satz passen.