Thai language text presents unique

Thai language text presents unique challenges for integration into large-scale multi-language statistical machine translation (SMT) systems, largely stemming from the nominal lack of punctuation and inter-word space. We review our independent solutions for Thai character sequence normalization, tokenization, typed-entity identification, sentencebreaking, and text re-spacing. We describe a general maximum entropy-based classifier for sentence breaking, whose algorithm can be easily extended to other languages such as Arabic. After integration of all components, we obtain a final translation BLEU score of 0.19 for English to Thai and 0.21 for Thai to English.

ผลลัพธ์ (ไทย) 1:

ข้อความภาษาไทยแสดงความท้าทายที่ไม่ซ้ำสำหรับการรวมในขนาดใหญ่หลายสถิติเครื่องแปลภาษาระบบ (SMT) อันเนื่องมาจากขาดการระบุเครื่องหมายวรรคตอนและคำระหว่างพื้นที่ส่วนใหญ่ เราตรวจสอบโซลูชั่นของเราอิสระสำหรับฟื้นฟูลำดับอักขระไทย tokenization ทิพิมพ์รหัส sentencebreaking และข้อความระยะห่างอีกครั้ง เราอธิบายแบบทั่วไปสูงสุดตามเอนโทรปี classifier สำหรับประโยคทำลาย อัลกอริทึมสามารถได้ขยายภาษาอื่น ๆ เช่นภาษาอาหรับ หลังจากการรวมของส่วนประกอบทั้งหมด เราได้รับคะแนนสุดท้ายแปลเบลอ 0.19 สำหรับภาษาอังกฤษเป็นไทยและ 0.21 สำหรับภาษาไทยเป็นภาษาอังกฤษ

ผลลัพธ์ (ไทย) 2:

ข้อความภาษาไทยนำเสนอความท้าทายที่ไม่ซ้ำกันสำหรับการรวมเข้าขนาดใหญ่หลายภาษาเครื่องแปลภาษาทางสถิติ (SMT) ระบบส่วนใหญ่เกิดจากการขาดการระบุของเครื่องหมายวรรคตอนและพื้นที่ระหว่างคำ เราตรวจสอบการแก้ปัญหาที่เป็นอิสระของเราสำหรับการฟื้นฟูลำดับตัวอักษรไทย tokenization บัตรประจำตัวพิมพ์นิติบุคคล, sentencebreaking และข้อความระยะห่างอีกครั้ง เราอธิบายทั่วไปจําแนกตามเอนโทรปีสูงสุดสำหรับการทำลายประโยคซึ่งมีขั้นตอนวิธีการที่สามารถขยายได้อย่างง่ายดายกับภาษาอื่น ๆ เช่นภาษาอาหรับ หลังจากการรวมองค์ประกอบทั้งหมดที่เราได้รับคะแนนการแปล BLEU สุดท้ายของ 0.19 สำหรับภาษาอังกฤษเป็นภาษาไทยและ 0.21 สำหรับไทยเป็นอังกฤษ

ผลลัพธ์ (ไทย) 3:

ภาษาไทย ภาษาแสดงความท้าทายที่ไม่ซ้ำกันสำหรับบูรณาการในขนาดใหญ่หลายภาษาสถิติแปลภาษา ( SMT ) ระบบส่วนใหญ่ที่เกิดจากการระบุของเครื่องหมายวรรคตอนและพื้นที่ระหว่างคำ เราตรวจสอบโซลูชั่นของเราเป็นลำดับตัวอักษรภาษาไทยบรรทัดฐาน , tokenization , พิมพ์รหัส , นิติบุคคล sentencebreaking และระยะห่างอีกข้อความเราอธิบายทั่วไปสูงสุดเอนโทรปีตามลักษณนามสำหรับประโยคทำลายที่มีอัลกอริทึมที่สามารถขยายได้อย่างง่ายดายเพื่อภาษาอื่นๆ เช่น ภาษาไทย หลังจากการรวมของส่วนประกอบทั้งหมด เราได้รับคะแนนสุดท้ายแปลเบลอ 0.19 สำหรับอังกฤษเป็นไทย และไทย - อังกฤษ