3 Grundlagen der maschinellen Übersetzung

3.6 Korpus-basierte Ansätze

Um 1990 begann man mit der Erforschung neuer Ansätze in der MÜ, die auf der Nutzung von Übersetzungs-"Korpora" beruhten, also großen Mengen übersetzten Materials, das zwei- oder mehrsprachig maschinenverwendbar vorliegt. Der neue Gedanke war, dass ein Übersetzungssystem aus diesem Material automatisch "lernen" sollte, statt einen festen Satz von Übersetzungsregeln zu verwenden.

Es ist nicht verwunderlich, dass dieser Ansatz in der Anfangszeit der MÜ nicht verwendet wurde. Solche mehrsprachigen Korpora waren erst verfügbar, als die Übersetzer zum Tippen ihrer Arbeit verbreitet Rechner benutzten. (Zu den ersten verwendeten Korpora gehörten die Protokolle des kanadischen Parlaments, die auf Englisch und Französisch verfasst werden.)

Obwohl Korpora mit mehr als zwei Sprachen existieren (vor allem aus den Übersetzungsdiensten der Europäischen Union), scheinen sich die Forschungen auf zweisprachige Systeme zu konzentrieren. Es ist schwer vorstellbar, wie man den Korpus-Ansatz auf ein brückensprachliches System anwenden könnte. Daher konzentrieren sich die korpus-basierten Systeme überwiegend auf "wichtige" Sprachenpaare. Andererseits hängt die Grundstruktur solcher Systeme nicht von konkreten Sprachen ab; daher kann man ein solches System leicht auf ein neues Sprachenpaar trainieren, wenn ein entsprechender Korpus verfügbar ist.

3.6.1 Statistischer Ansatz

Einer der neuen Ansätze, dessen Eerforschung um 1990 begann, richtete sich radikal gegen die traditionelle Überzeugung, zum Übersetzen müsse man die Struktur des zu übersetzenden Textes analysieren. Das neue Prinzip ging von der Tatsache aus, dass es für jedem Satz f der Ausgangssprache und jedem Satz c der Zielsprache eine Wahrscheinlichkeit gibt, dass c als Übersetzung von f verwendet wird. Diese Wahrscheinlichkeit lässt sich statistisch ausdrücken als die bedingte Wahrscheinlichkeit p(c|f), also die "Wahrscheinlichkeit von c unter der Bedingung f". Solche Wahrscheinlichkeiten lassen sich aus einem zweisprachigen Korpus bestimmen.

Erstaunlicherweise stellte sich heraus, dass solche Systeme, die wenig von der Struktur eines Textes verstehen, befriedigend übersetzen können. Letzteres bewiesen vergleichende Untersuchungen in den Jahren 1992-1994, die dem System CANDIDE (von IBM) vergleichbare Fähigkeiten bescheinigten wie den besten herkömmlichen Systemen.

Wie gut statistische Systeme die Struktur von Texten "verstehen" können, ergibt sich aus der Tatsache, dass sie einen Satz strukturell an seiner Übersetzung "ausrichten" können. Diese Ausrichtung ist eine Zuordnung zwischen den Wörtern der beiden Sätze. Wegen der unterschiedlichen Wortstellung und weil ein Wort durch mehrere Wörter übersetzt werden kann und umgekehrt, ist diese Ausrichtung nicht trivial, wie das folgende (französisch-deutsche) Beispiel zeigt:

Wenn man diese Ausrichtungsmatrix nach der deutschen oder nach der französischen Wortreihenfolge durchläuft, ergeben sich zwei verschiedene Zickzack-Wege:

Statistische Übersetzungssysteme sind in der Lage, auf der Basis gegebener Satzgrenzen Sätze nach ihren Übersetzungen auszurichten, wenn ein genügend umfangreicher Korpus zur Verfügung steht.

Wenn ein statistisches System zumindest eine mögliche Übersetzung für einen gegebenen Satz kennt, kann es eine Übersetzung anbieten. Wenn nicht, muss es eine andere Lösung finden; zum Beispiel kann es Übersetzungen für Teile des Satzes suchen und sie zu einer Übersetzung des ganzen Satzes zusammensetzen. Das führt im Grenzfall zur Übersetzung Wort für Wort, bei der folgende Erscheinungen für schlechte Ergebnisse sorgen:

• Wörter haben oft mehrere Bedeutungen (Mehrdeutigkeit).
• Ein Wort kann durch ein, mehrere oder gar kein Wort übersetzt werden. Die Zahl der Wörter in der Übersetzung des Worts heißt seine Fruchtbarkeit. Im obigen Beispiel ist die Fruchtbarkeit des deutschen Worts "nicht" gleich 2 (es wird durch "ne ... pas" übersetzt).
• Die Position entsprechender Wörter im Satz ist in verschiedenen Sprachen unterschiedlich. Dieses Phänomen heißt Verzerrung des Satzes.

Auch für diese drei Erscheinungen lassen sich Wahrscheinlichkeiten ermitteln; zum Beispiel existieren für die Verzerrung Wahrscheinlichkeiten, dass die Übersetzung des 1., 2., 3... Wortes im Satz der Ausgangssprache das 1., 2., 3... Wort im Satz der Zielsprache ist. Mit dieses Wahrscheinlichkeiten wird die statistische Übersetzung wesentlich genauer als eine bloße Wort-für-Wort-Übersetzung.

3.6.2 Übersetzung anhand von Beispielen

Die Übersetzung anhand von Beispielen (beispiel-basierte Übersetzung) stützt sich, ebenso wie statistische Methoden, auf einen Korpus zweisprachiger Texte. Im Gegensatz zur statistischen Übersetzung versucht sie, ein gewisses linguistisches Wissen anzuwenden. Wenn ein solches Übersetzungssystem mehrere mögliche Übersetzungen für ein Wort findet, wendet es Regeln an, um die im gegebenen Fall geeignetste zu finden. Dazu kann es Informationen über in der Nähe stehende Wörter (Semantik) oder über die grammatikalische Struktur des Satzes (Syntax) verwenden.

Die Grundideen tauchten bereits lange vor 1990 auf und gingen von der Annahme aus, dass menschliche Übersetzer häufig Wissen über früher übersetzte "ähnliche" Texte nützen und "analog" zu solchen "Beispielen" übersetzen. Die Frage ist, wie sich Ähnlichkeit und Analogie formal definieren lassen.

Das Prinzip der Übersetzung anhand von Beispielen ist einfach: Wenn (aus dem Korpus) für einen Textteil eine Übersetzung (ein "Beispiel") bekannt ist, wird sie verwendet. Das funktioniert gut, wenn der Textteil ein vollständiger Satz ist. Wenn andererseits die Textteile einzelne Wörter sind, kommt es zur Übersetzung Wort für Wort, mit ihren bekannten Problemen. Da sich nicht sehr oft ein vollständiger gegebener Satz im Korpus findet, ist ein Kompromiss nötig, bei dem möglichst Satz-Stücke (nicht unbedingt komplette Satzteile) aus mehreren Wörtern gefunden werden.

Betrachten wir nochmals Zamenhofs Beispiel "Ich weiß nicht, wo ich meinen Stock gelassen habe." Alle vier Mehrdeutigkeiten lassen sich mit Beispielen aus zwei Wörtern leicht auflösen. (Die letzte Spalte der Tabelle zeigt die Zahl der möglichen Bedeutungen.)

3.6.2 Probleme korpus-basierter Systeme

Trotz ihrer Erfolge haben korpus-basierte Systeme auch ihre Probleme. Zunächst beschränkt sich die Parallelisierung von Ausgangs- und Zieltexten gewöhnlich auf Sätze, nach der Annahme, dass ein Satz immer in genau einen Satz übersetzt wird. Dadurch geht allerdings jegliche Information über die Bezugswörter (Antezessoren) von Pronomina verloren, und wenn zum Beispiel die Zielsprache mehrere (nach Geschlecht usw.) unterschiedliche Pronomina für ein Pronomen der Ausgangssprache hat, lässt sich diese Mehrdeutigkeit nicht auflösen.

Weiterhin funktioniert die automatische Parallelisierung von ausgangs- und zielsprachlichen Sätzen zwar gut, aber nicht perfekt. Parallelisierung durch Menschen ist teuer. Daher gibt es verschiedene Ansätze, zur automatischen Parallelisierung auch syntaktische oder lexikalische Information heranzuziehen.

In vielen Texten treten Elemente auf, die semantisch zur selben, sehr engen Kategorie gehören, aber sehr viele Ausprägungen besitzen, viel mehr als in einem normalen Korpus vorkommen können. Von dieser Art sind Eigennamen von Personen, Tieren, Orten, Flüssen, Ländern, und Mengenangaben wie Zahlen und Daten. Um sie zu übersetzen, ist ein Mechanismus zur Verallgemeinerung notwendig, der zum Beispiel erlaubt, einen Satz mit der Zahl "129" oder mit dem Namen "Rabindranath Tagore" analog zu einem Satz mit "872" bzw. "Umslopogaas" zu übersetzen.

Manche Ansätze fassen auch semantisch ähnliche Wörter (Quasisynomyme, wie sich unterhalten und kommunizieren) zu Kategorien zusammen und erlauben die Anwendung eines Beispiels, auch wenn es dazu nötig ist, manche Wörter durch andere aus derselben Kategorie zu ersetzen.