This paper proposes machine learnin

This paper proposes machine learning techniques, which help disambiguate word meaning. These methods focus on considering the relationship between a word and its surroundings, described as context information in the paper. Context information is produced from rule-based translation such as part-of-speech tags, semantic concept, case relations and so on. To automatically extract the context information, we apply machine learning algorithms which are C4.5, C4.5rule and RIPPER. In this paper, we test on ParSit, which is an interlingual-based machine translation for English to Thai. To evaluate our approach, an verb-to-be is selected because it has increased in frequency and it is quite difficult to be translated into Thai by using only linguistic rules. The result shows that the accuracy of C4.5, C4.5rule and RIPPER are 77.7%, 73.1% and 76.1% respectively whereas ParSit give accuracy only 48%.

ผลลัพธ์ (ไทย) 1:

กระดาษนี้เสนอเครื่องเทคนิคการเรียนรู้ ซึ่งช่วยให้ disambiguate ความหมายของคำ วิธีการเหล่านี้เน้นพิจารณาความสัมพันธ์ระหว่างคำและสภาพแวดล้อม เป็นข้อมูลบริบทในกระดาษ ผลิตข้อมูลบริบทจากแปลตามกฎเช่นแท็กเป็นส่วนหนึ่งของคำพูด แนวคิดทางตรรก กรณีความสัมพันธ์และ เมื่อต้องการโดยอัตโนมัติสกัดข้อมูลบริบท เราใช้เครื่องเรียนรู้อัลกอริทึม C4.5, C4.5rule และ RIPPER ในกระดาษนี้ เราทดสอบบน ParSit ซึ่งเป็นการ interlingual เครื่องแปลภาษาสำหรับภาษาอังกฤษเป็นไทย การประเมินแนวทางของเรา มีกริยา--จะถูกเลือกเนื่องจากมันได้เพิ่มความถี่ และค่อนข้างยากที่จะแปลเป็นภาษาไทย โดยใช้กฎทางภาษาเท่านั้น ผลลัพธ์แสดงให้เห็นว่า ความถูกต้องของ C4.5, C4.5rule และ RIPPER เป็น 77.7%, 73.1% และ 76.1% ตามลำดับขณะที่ ParSit ให้แม่นยำเพียง 48%

ผลลัพธ์ (ไทย) 2:

กระดาษนี้นำเสนอเทคนิคการเรียนรู้เครื่องซึ่งช่วยให้ความหมายของคำกระจ่าง วิธีการเหล่านี้มุ่งเน้นไปที่การพิจารณาความสัมพันธ์ระหว่างคำและสภาพแวดล้อมที่อธิบายถึงข้อมูลบริบทในกระดาษ ข้อมูลบริบทที่ผลิตจากการแปลตามกฎดังกล่าวเป็นส่วนหนึ่งของคำพูดของแท็กแนวคิดความหมายกรณีความสัมพันธ์และอื่น ๆ เพื่อดึงข้อมูลบริบทโดยอัตโนมัติเราใช้ขั้นตอนวิธีการเรียนรู้ของเครื่องซึ่งเป็น C4.5, C4.5rule และ RIPPER ในบทความนี้เราจะทำการทดสอบในภาษิตซึ่งเป็นเครื่องแปลภาษา interlingual ที่ใช้สำหรับภาษาอังกฤษเป็นภาษาไทย ในการประเมินวิธีการของเราเป็นคำกริยาเพื่อจะถูกเลือกเพราะมันได้เพิ่มขึ้นในความถี่และมันค่อนข้างยากที่จะได้รับการแปลเป็​​นภาษาไทยโดยใช้กฎเฉพาะภาษา ผลที่ได้แสดงให้เห็นว่าความถูกต้องของ C4.5, C4.5rule และ RIPPER เป็น 77.7%, 73.1% และ 76.1% ตามลำดับในขณะที่ภาษิตให้ความถูกต้องเพียง 48%

ผลลัพธ์ (ไทย) 3:

บทความนี้เสนอเทคนิคการเรียนรู้ของเครื่องซึ่งช่วยทำให้กระจ่างความหมายคำ วิธีการเหล่านี้เน้นพิจารณาความสัมพันธ์ระหว่างคำและสภาพแวดล้อม , อธิบายบริบท ข้อมูลในกระดาษ ข้อมูลบริบทเป็นฐานผลิตจากการแปลดังกล่าวเป็นส่วนหนึ่งของการพูด , แนวคิด , ความหมาย , กรณีความสัมพันธ์และอื่น ๆ โดยอัตโนมัติสกัดข้อมูลบริบท เราใช้เครื่องที่มีโปรแกรม C4.5 ขั้นตอนวิธีการเรียนรู้ , และ c4.5rule Ripper ในบทความนี้เราทดสอบในภาษิต ซึ่งเป็น interlingual ใช้เครื่องแปลจากภาษาไทยเป็นภาษาอังกฤษ เพื่อประเมินแนวทางของเรา เป็นกริยาจะถูกเลือกเพราะมันมีเพิ่มขึ้นในความถี่และมันค่อนข้างยากที่จะได้รับการแปลเป็นภาษาไทยโดยเฉพาะกฎเกณฑ์ทางภาษา ผลการศึกษาพบว่า ความถูกต้องของโปรแกรม C4.5 c4.5rule Ripper , และเป็น 77.7 % , 75.4 % และ 76.1 ตามลำดับในขณะที่ภาษิตให้ความถูกต้องเพียง 48%