НЕЙРОСЕТЕВЫЕ ПОДХОДЫ К РУССКО-УЗБЕКСКОМУ МАШИННОМУ ПЕРЕВОДУ И ОЦЕНКЕ ЕГО КАЧЕСТВА
Keywords:
нейронный машинный перевод, Transformer, многоязычная модель, трансферное обучение, параллельные данные, BLEU, оценка качества.Abstract
Рассматриваются возможности нейросетевых и многоязычных моделей для русско-узбекского машинного перевода при ограниченности параллельных данных. Определены направления адаптации моделей и требования к воспроизводимости сравнения. Показана необходимость сочетания автоматических метрик с экспертным анализом переводческих ошибок.
References
1. Vaswani A., Shazeer N., Parmar N., Uszkoreit J., Jones L., Gomez A. N., Kaiser Ł., Polosukhin I. Attention Is All You Need // Advances in Neural Information Processing Systems. 2017. Vol. 30. URL: https://arxiv.org/abs/1706.03762 (дата обращения: 24.09.2026).
2. NLLB Team et al. No Language Left Behind: Scaling Human-Centered Machine Translation. 2022. arXiv:2207.04672. DOI: 10.48550/arXiv.2207.04672.
3. Mamasaidov M., Shopulatov A. Open Language Data Initiative: Advancing Low-Resource Machine Translation for Karakalpak // Proceedings of the Ninth Conference on Machine Translation. Miami: Association for Computational Linguistics, 2024. P. 606–613. DOI: 10.18653/v1/2024.wmt-1.48.
4. Papineni K., Roukos S., Ward T., Zhu W.-J. BLEU: a Method for Automatic Evaluation of Machine Translation // Proceedings of the 40th Annual Meeting of the Association for Computational Linguistics. Philadelphia: Association for Computational Linguistics, 2002. P. 311–318. DOI: 10.3115/1073083.1073135.
