ویرایش کلمات چندبخشی فارسی طبق اصول ترجمه ماشینی آماری

زبان فارسی شامل کلماتی است که از چند بخش تشکیل شدهاند و رسمالخط استاندارد این کلمات چندبخشی به این صورت است که اجزاء کلمه چندبخشی جدا از هم نوشته شوند و این اجزاء با نیمفاصله از هم جدا شوند تا یکپارچگی خود را حفظ کنند و بهصورت یک کلمه واحد شناسایی شوند. رعایت این نوع فاصلهگذاری منتج به متنی استاندارد میشود و وجود متن استاندارد تاثیر بسزایی در بالا بردن کارایی سیستمهای پردازش زبان طبیعی بهویژه آنالیز لغوی و نشانهگذاری متن دارد. علاوه بر آن استاندارد بودن متن نقش بسزایی در خوانا و قابل درک بودن متن، که هدف هر نویسندهای است، دارد. در این مقاله روش آماری برایویرایش کلمات چندبخشی فارسی طبق اصول ترجمه ماشینی آماری ارائه شده است و با استفاده از این روش فاصله میان اجزاء کلمات چندبخشی به نیمفاصله ویرایش شده است. ترجمه ماشینی آماری با استفاده از تکنیکهای آماری، متنی را از یک زبان طبیعی به زبانی دیگر ترجمه میکند. به این معنا که، تطبیق کلمات و عبارات را روی یک پیکره موازی از زبان مبدا به زبان مقصد انجام میدهد. در این مقاله با بکارگیری این اصول ترجمه ماشینی آماری و مدل تطبیقIBM مبتنی بر باروی، به تطبیق میان کلمات چندبخشی ویرایشنشده با کلمات چندبخشی ویرایششده پرداخته شده و فاصله میان اجزاء کلمات چندبخشی به نیمفاصله ویرایش شده است. بنابراین در گام اول نیاز به یک پیکره موازی فارسی است که شامل متنی با کلمات چندبخشی ویرایشنشده درسمت مبدا و ویرایششده آن متن در سمت هدف باشد که چنین پیکرهای در این مقاله ایجاد شده است. ارزیابی نتایج حاصل از این روش نشاندهنده صحت و کارایی روش پیشنهاد شده برای ویرایش کلمات چندبخشی فارسی است

Keywords:

کلمات چندبخشی فارسی , روش آماری , ترجمه ماشینی آماری , مدلIBM مبتنی بر باروی , پیکره موازی فارسی