Traducción automática basada en el contexto

La idea básica consiste en ir cogiendo grupos de palabras de cierta longitud N (entre 4 y 8) y buscar todas las posibles traducciones mediante un diccionario bilingüe de gran capacidad. De esas posibilidades se seleccionan las que más sentido tienen. Repitiendo el proceso (cogiendo de la segunda palabra hasta la (N+1)-ésima) se obtiene un nuevo conjunto de traducciones. Es aquí donde, buscando coincidencias entre este último conjunto y el anterior, se obtiene una traducción sensible al contexto.

Lo primero que debe hacerse es disponer del diccionario bilingüe y del corpus monolingüe del lenguaje destino.

Para completar el primero se usa un diccionario comercial cualquiera más algunas reglas morfológicas básicas (número, género, conjugaciones, etc). Para la obtención del segundo se hace una recolección masiva de texto procedente de Internet.

Las traducciones se generan en grupos de N palabras seguidas del texto de origen. Estas traducciones se crean sustituyendo cada una de las N palabras por cada una de sus respectivas en el idioma destino gracias al diccionario bilingüe. Este proceso, también conocido como "flooding", produce un gran número de combinaciones, las cuales han de ser filtradas según tengan o no sentido alguno.

El filtrado de las traducciones se realiza buscando el mayor número de coincidencias con frases del corpus del lenguaje destino. Es de suponer, pues, que solo se seleccionarán frases idénticas o muy similares a las del corpus, las cuales evidentemente tendrán sentido.

El proceso se repite moviendo la ventana de las N palabras a traducir. Así pues, primero se obtienen las traducciones posibles de las N primeras palabras, después de la segunda a la N+1, de la tercera a la N+3, etc.

En este punto, disponemos de varios grupos de posibles traducciones (uno por ventana), las cuales parten de grupos de N palabras del texto original que incluyen solapamientos entre ellos (ya que la ventana se mueve de palabra en palabra). Para decidir cual es la mejor opción de cada grupo, y en consiguiente la mejor traducción final, se comparan mediante solapamientos (overlapping) cada posible traducción de un grupo con las de los grupos con ventanas anteriores y posteriores, y se escogen las que maximizan el número de coincidencias de palabras individuales.

Si a la hora de traducir una palabra en la fase anterior se han producido fallos parciales o totales de overlapping, es decir que hay una o más palabras sin coincidencias, o si no aparece en el diccionario bilingüe, se recurre a la generación de palabras sinónimas.

En el primer caso, para cada posible traducción de un grupo, se aíslan los contextos (las palabras anteriores y las palabras posteriores) de la palabra en cuestión y se sustituye esta por todas las palabras del corpus que puedan coincidir en ese contexto. Estos sinónimos pueden ser clasificados según su número de apariciones en el corpus.

En el segundo caso es cuando puede venir bien el disponer de un corpus del idioma origen de la traducción, pero dado que solo va a ser utilizado en esta parte, no es necesario que sea tan amplio como el del idioma destino. La búsqueda de sinónimos es entonces análoga a la del primer caso, buscando las palabras del corpus que puedan tener el mismo contexto.

Con los procesos anteriormente descritos aseguramos una correcta traducción en el interior de las frases, puesto que con la aplicación de los solapamientos aseguramos que la parte intermedia de la traducción es la mejor por coincidencia en la repetición, pero si nos fijamos, hay ciertas zonas en las que, debido al movimiento de la ventana, solamente confirmamos una o muy pocas veces, lo que puede provocar que la traducción pierda calidad en ese punto. Estas zonas concretas son el principio y el final de las frases, los llamados bordes de la frase.

Para evitar posibles pérdidas de calidad en la traducción debido a este hecho, se provee de un proceso de reconfirmación buscando otras oraciones en el idioma fuente en las cuales el principio de la ventana que se está analizando aparece en el interior de dichas oraciones.

Mediante el análisis "flooding" con las frases originales y las palabras contextualizadas, podemos asegurar que sea cual sea la traducción seleccionada es consistente con el contexto, bien sea escogiendo aquellas traducciones que hayan obtenido una mayor coincidencia o aquellas que a pesar de tener menor coincidencia satisfacen más criterios.

Así pues, el mismo proceso es el usado con los finales de frase, y puede ser aplicado a cortes estructurales de la escritura, como por ejemplo frases que rodean comas u otros signos de puntuación.

Con este paso añadimos también, de la misma forma que con el interior de las frases, la confirmación para los extremos tanto inicial como final de la frase, redondeando así la calidad de la traducción de la frase completa.