Správa překladová paměť je dlouhodobý a všudypřítomný problém a ruční čištění je pracný proces. Čistá překladová paměť vede k lepším referencím pro lingvisty a kvalitnějšímu strojový překlad, což je obzvláště důležité pro Phrase NextMT, vzhledem k jeho pokročilým schopnostem využívat jazyková aktiva, jako jsou překladová paměť a glosáře.
Chcete-li vytvořit datovou sadu za účelem použití spravované TM v TMS, postupujte podle těchto kroků:
-
Na stránce Datové sady klikněte na Vyčistit překladová paměť.
Otevře se stránka .
-
Zadejte název datové sady.
-
Výběry jazyk umožňují různé možnosti:
-
Chcete-li vytvořit datovou sadu pro obecný jazyk, vyberte stejný zdroj a cíl jazyk ve výběrech pro zdroj a cíl jazyk a kód jazyka.
-
Chcete-li vytvořit datovou sadu specifickou pro kód jazyka, vyberte zdroj a cíl jazyk ze prvního seznam a poté určete zdroj a cíl kód jazyka z druhého seznam.
Lze také přidat více cíl kód jazyka (tj. různé varianty stejného jazyk) pro využití více zdrojů dat.
-
Chcete-li vytvořit datovou sadu s více zdroj a cíl kód jazyka, vyberte zdroj a cíl jazyk ze prvního seznam, určete zdroj a cíl kód jazyka z druhého seznam (lze přidat různé varianty stejného cíl jazyk) a klikněte na + přidat více párů kód jazyka.
Zobrazí se okno .
-
-
Klikněte na přidat překladová paměť.
Otevře se stránka s funkcí vyhledávání
.
-
Chcete-li přidat TM do datové sady, klikněte na ikonu
. TM je přidána do sloupce .
Lze přidat více TM, maximálně však 200 TM a maximálně 8 milionů segmentů. Datová sada by měla ideálně obsahovat alespoň 10 000 segmentů.
Kliknutím na název TM se zobrazí výběr na stránce překladové paměti.
Kliknutím na ikonu
odeberete TM ze sloupce .
-
Klikněte na Uložit.
Otevře se stránka .
-
Zkontrolujte zobrazené podrobnosti a pokud jsou správné, klikněte na pokračovat.
Otevře se stránka .
-
Použijte požadované filtry a klikněte na vytvořit.
Datová sada je vytvořena a přidána do seznamu na stránce s počátečním stavem a stavem ve sloupci .
Phrase Custom AI umožňuje spravovat překladové paměti pomocí čisticích filtrů založených na umělé inteligenci a pravidlech. K dispozici jsou výchozí nastavení, která mohou být vhodná pro nové uživatele.
Tento proces zachovává původní metadata segmentu TM a značky TM, což uživatelům umožňuje udržet využití TM při používání vyčištěných TM v TMS.
Sada dostupných filtrů zahrnuje jak filtry založené na pravidlech, tak filtry založené na strojovém učení:
-
Založené na pravidlech
Filtry, které pracují s jasně definovanými pravidly, jež jsou pro lidi snadno srozumitelná. Tato kategorie filtrů zahrnuje , , , , , , .
-
Založené na strojovém učení
Filtry, které analyzují obsah samotného textu, aby se rozhodly, namísto pouhého dodržování pevně stanovené sady pravidel. Tato kategorie filtrů zahrnuje a .
Časový rozsah
Vyloučí segmenty mimo nastavená data. Data konce a začátku jsou zahrnuta spolu s datem poslední úpravy segmentu.
Nesoulad mezi zdroj a cíl
Tento filtrovat určuje, jak dobře segmenty odpovídají z hlediska významu a sémantické podobnosti, a odstraňuje ty nejhůře hodnocené. Zarovnání dvojic vět se měří pomocí metriky LASER.
Nástroj umělá inteligence se používá ke kontrole, zda zdroj a cíl text znamenají totéž nebo do jaké míry znamenají totéž. Doporučené nastavení Zahodit 10 % nejhorších segmentů a ponechává 90 % nejlepších segmentů.
Pokročilé nastavení umožňuje změnu zarovnání nebo může být filtrovat založen na hrubém skóre shoda pomocí čísla mezi 0 a 1 (1 znamená Dokončit shoda). Při použití hrubého skóre shoda se doporučuje opatrnost, protože každý jazykový pár má jinou distribuci skóre a to, co je považováno za dobré skóre pro jeden jazykový pár, může být neuspokojivé skóre pro jiný.
Segmenty pod 0,5 obvykle nejsou příliš dobré a segmenty blízké nebo nad 1 jsou segmenty, které jsou v obou jazycích stejné.
Příklady:
Minimální počet znak a písmen
Počet znak zahrnuje všechny znak. To zahrnuje všechna písmena, mezery, interpunkci a symboly. Pro účely trénování může být užitečné Zahodit segmenty, které neobsahují žádná písmena.
Počet písmen počítá pouze písmena, jako je anglická abeceda, ale také složitější znak s diakritikou nebo čínské znak. Jeden čínský znak se počítá jako jedno písmeno, i když představuje více než jeden znak. Pro jazyky založené na znak jsou výchozí hodnoty 1, ale pro jazyky založené na slovech jsou výchozí hodnoty 4 (znak) a 3 (písmena). Minimální hodnota je 1 a maximální hodnota je 500.
Pokud v datech uchováváte mnoho krátkých segmentů (například zkratky), udržujte hodnoty filtrovat nízké.
Příklad:
Řetězec \"Hello, World!" 1 2 3\" má 19 znak a 10 písmen.
Délka dvojice vět
Tento filtrovat odstraní všechny segmenty, které jsou delší než prahová hodnota nastavená uživateli.
Celkový počet znak zahrnuje všechny znak – písmena, mezery a interpunkci – ze zdroj i cíl vět. Vezměte v úvahu typ jazyk (například čínština a angličtina); pokud zdroj jazyk není typu CJK a cíl jazyk je CJK (nebo naopak), tento filtrovat bude ignorován.
Poměr délky
Tento filtrovat identifikuje segment, kde je délka výrazně vyšší při porovnání zdroj segment a cíl segment. Některé překlady se při překladu ze zdroj do cíl jazyk prodlužují nebo zkracují. Příliš dlouhé nebo příliš krátké překlady mohou indikovat nekvalitní segment.
Pokud zdroj jazyk není typu CJK a cíl jazyk je (nebo naopak), tento filtrovat bude ignorován.CJK
Některé jazyky jsou obšírnější než jiné, takže 200 % je dobrá výchozí hodnota. Pokud je cíl jazyk podobný jako zdroj jazyk, nebo je potřeba filtrovat více dat, může být hodnota nižší.
Příklady:
Jeden jazyk je CJK – poměr je 1. Nebude vyřazeno:
{"zdroj": "This is a sentence.", "cíl": "这是一个句子。", "ratio": 1}
Německý překlad je srovnatelně dlouhý jako anglický zdroj a nebude vyřazen:
{"zdroj": "This is a sentence.", "cíl": "Dies ist ein Satz.", "poměr": 1.1}
Německý překlad je mnohem delší než anglický zdroj a bude vyřazen:
{"zdroj": "This is a sentence.", "cíl": "Dies ist ein Satz mit zusätzlichen unnötigen Füllungen.", "poměr": 3.1}
Nepřekládaný text
Nepřekládaný text jsou segmenty, kde jsou zdroj a cíl segmentu stejné. Vyloučí všechny páry vět typu nepřekládaný text, kde cíl text zůstává nezměněn oproti zdroj textu.
Duplicity
Vytvářejí se skupiny segmentů, které mají stejný zdroj větu. Z každé skupiny je ponechán pouze nejlepší segment, takže pokud je zdroj věta segmentu unikátní, je automaticky ponechán. V opačném případě je ponechán segment s nejvyšším skóre podobnosti.
Téměř duplicity
Při testování na téměř duplicity se (mírně čistší verze) zdroj věty normalizuje; všechny znaky, které nejsou písmeny (některé příklady: “,?)!-), jsou nahrazeny Space a všechna písmena jsou převedena na malá.
Pomocí normalizované zdroj věty se vytvářejí skupiny segmentů, které mají stejnou normalizovanou zdroj větu. Z každé skupiny je ponechán pouze nejlepší segment, takže pokud je normalizovaný zdroj segmentu unikátní, je automaticky ponechán. V opačném případě je ponechán segment s nejvyšším skóre podobnosti.
Identifikace jazyk
K identifikaci zdroj a cíl jazyk na základě vět se používá nástroj umělá inteligence. Segment je odebrat pouze tehdy, pokud nástroj rozpozná (zdroj/cíl) jazyk (například kratší věty často nástroj k určení jazyk nestačí) a jazyk se liší od očekávaného.
QPS
Filtr QPS umožňuje odebrat páry vět s nejnižší kvalitou v překladová paměť, aby bylo zajištěno, že výsledné segmenty budou mít nejvyšší kvalitu.
Filtr QPS lze nakonfigurovat dvěma způsoby:
-
Odebrat stanovené procento párů vět s nejnižší skóre QPS. Doporučení je 10 %.
-
Výběr prahové hodnoty skóre. Použít pokročilé nastavení k eliminaci párů vět, které spadají pod nastavitelný práh QPS. Doporučený výchozí bod je 50.
Tyto dvě možnosti poskytují automatizovanou správu překladová paměť pro dosažení souladu s cíli kvality uživatelů.
Proces čištění překladová paměť, který může trvat několik hodin, musí být Dokončit, než lze použít upravenou TM.
Chcete-li použít upravenou TM v TMS, postupujte podle těchto kroků:
Tím se spustí proces stáhnout datové sady, který bude trvat jen několik minut. Výslednou upravenou TM ve formát .TMX lze poté nahrát do TMS jako novou, upravenou TM o velikosti až 1 Gb.
Pokud byly u stejné TM provedeny dva nebo více procesů čištění, lze k různým verzím přistupovat na záložka .