license: mit
Descrición do Modelo
Modelo feito con OpenNMT para o par español-galego utilizando unha arquitectura transformer.
Como utilizar
- Abrir terminal bash
- Instalar Python 3.9
- Instalar Open NMT toolkit v.2.2
- Traducir un input_text utilizando o modelo NOS-MT-es-gl co seguinte comando:
onmt_translate -src input_text -model NOS-MT-es-gl -output ./output_file.txt -replace_unk -phrase_table phrase_table-es-gl.txt -gpu 0
- O resultado da tradución estará no PATH indicado no flag -output.
Adestramento
No adestramento, utilizamos corpora auténticos e sintéticos. Os primeiros son corpora de traducións feitas directamente por tradutores humanos. Os segundos son corpora de traducións español-portugués e inglés-portugués, que convertemos en español-galego e inglés-galego a través da tradución automática portugués-galego con Opentrad/Apertium e transliteración para palabras fóra de vocabulário.
In the training we have used authentic and synthetic corpora. The former are corpora of translations directly produced by human translators. The latter are corpora of Spanish-Portuguese and English-Portuguese translations, which we have converted into Spanish-Galician and English-Galician by means of Portuguese-Galician translation with Opentrad/Apertium and transliteration for out-of-vocabulary words.
Procedemento de adestramento
Tokenization dos datasets feita co tokenizador de linguakit https://github.com/citiususc/Linguakit
O vocabulario para os modelos foi xerado a través do script learn_bpe.py da open NMT
Usando o .yaml neste repositorio pode replicar o proceso de adestramento do seguinte xeito
onmt_build_vocab -config bpe-es-gl_emb.yaml -n_sample 100000
onmt_train -config bpe-es-gl_emb.yaml
Hiperparámetros
Os parámetros usados para o desenvolvimento do modelo poden ser consultados directamente no mesmo ficheiro .yaml bpe-es-gl_emb.yaml
Avaliación A avalación dos modelos é feita cunha mistura de tests desenvolvidos internamente (gold1, gold2, test-suite) con outros datasets disponíbeis en galego (Flores).
| GOLD 1 | GOLD 2 | FLORES | TEST-SUITE |
|---|---|---|---|
| 79.6 | 43.3 | 21.8 | 74.3 |
Información adicional
Licensing information
Apache License, Version 2.0
Financiamento
This research was funded by the project "Nós: Galician in the society and economy of artificial intelligence", agreement between Xunta de Galicia and University of Santiago de Compostela, and grant ED431G2019/04 by the Galician Ministry of Education, University and Professional Training, and the European Regional Development Fund (ERDF/FEDER program), and Groups of Reference: ED431C 2020/21.
Citation Information
@article{garriga2022catalan, title={}, author={}, year={2023}, url={} }