Show simple item record

dc.contributor.advisorNieminen, Paavo
dc.contributor.advisorKaijanaho, Antti-Juhani
dc.contributor.authorKoivuniemi, Milla
dc.date.accessioned2020-06-03T12:33:27Z
dc.date.available2020-06-03T12:33:27Z
dc.date.issued2020
dc.identifier.urihttps://jyx.jyu.fi/handle/123456789/69682
dc.description.abstractNeuroverkkokonekääntäminen on kasvava konekääntämisen erityisala. Tällä hetkellä suosituin neuroverkkokääntämistekniikka lienee kiintopisteneuroverkkokääntäminen (engl. Attentional Neural Machine Translation, suomennos oma), jossa neuroverkko kiinnittää huomiota käännettävän lauseen tiettyihin osiin vähentäen näin verkon kuormitusta. Tämä pro gradu -tutkielma on kirjallisuuskartoitus kiintopisteneuroverkkokääntämisestä, jossa tehdään läpileikkaus käytetyimmistä neuroverkon ominaisuuksista sekä käännösten laadusta. Erityishuomion kohteena on tunnettu kehityskohde, pienen aineiston kielet (engl. low-resource languages), eli kielet, joille on tarjolla vain verrattain pienikokoisia rinnakkaiskorpuksia eli kieliaineistoja. Tutkielman tulosten perusteella kiintopisteneuroverkkokääntäminen on tehokasta ja tuottaa sujuvia käännöksiä. Kokonaisuutena tämä kirjallisuuskartoitus tuottaa uutta kiinnostavaa tietoa neuroverkkokonekääntämisen tutkimuksen nykytilasta sekä luo pohjan erilaisille mielenkiintoisille jatkotutkimusaiheille.fi
dc.description.abstractNeural machine translation (NMT) is an emerging field of study in machine translation. The leading model for doing neural machine translation seems to be attention-based NMT, in which a part of the source sequence is selected and paid attention to in order to reduce the burden of the encoder. The present thesis is a literature mapping of attentional NMT. The study provides a crosscut of current research in attentional NMT, going over the most popular network features as well as translation quality. Special attention is given to a known problem area, translation of low-resource languages, i.e., languages with only small parallel corpora available. Judging by the papers reviewed, attentional NMT is efficient and produces fluent translation. As a whole, this mapping study produces new and valuable information about the state of research in NMT and provides foundation for different interesting topics for further research.en
dc.format.extent86
dc.language.isoen
dc.subject.otherneural machine translation
dc.subject.othernatural language processing
dc.subject.otherattention-based neural machine translation
dc.subject.othersystematic literature mapping
dc.subject.otherneuroverkkokääntäminen
dc.subject.otherluonnollisen kielen prosessointi
dc.subject.otherkiintopisteneuroverkkokääntäminen
dc.subject.othersystemaattinen kirjallisuuskartoitus
dc.titleAttention-based neural machine translation : a systematic mapping study
dc.identifier.urnURN:NBN:fi:jyu-202006033937
dc.type.ontasotMaster’s thesisen
dc.type.ontasotPro gradu -tutkielmafi
dc.contributor.tiedekuntaInformaatioteknologian tiedekuntafi
dc.contributor.tiedekuntaFaculty of Information Technologyen
dc.contributor.laitosInformaatioteknologiafi
dc.contributor.laitosInformation Technologyen
dc.contributor.yliopistoJyväskylän yliopistofi
dc.contributor.yliopistoUniversity of Jyväskyläen
dc.contributor.oppiaineTietotekniikkafi
dc.contributor.oppiaineMathematical Information Technologyen
dc.rights.copyrightJulkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.fi
dc.rights.copyrightThis publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.en
dc.contributor.oppiainekoodi602
dc.subject.ysokääntäminen
dc.subject.ysoneuroverkot
dc.subject.ysotranslating
dc.subject.ysoneural networks


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record