まとめ

第I部では，``相対的意味論に基づく変換主導型統計機械翻訳（以下，TDSMT）"を提案した．現在主流となっている翻訳手法では，翻訳精度が十分ではなく，また翻訳手順の解析が難しい．この問題を解決するために新しい翻訳手法として，TDSMTを提案した．TDSMTの学習である変換テーブルの自動作成手法により，約570万個の変換テーブルの作成に成功した．また，変換テーブルの精度は高かった．しかし，TDSMTの翻訳実験により，入力文に対する翻訳可能な入力文の割合（以下，カバー率）は20% 程度と低かった．TDSMTの翻訳精度をMosesと比較した．この結果，TDSMTは翻訳文の出力に成功した場合，Mosesと同等程度の翻訳精度をもつことがわかった．また，TDSMTは開発段階であり，手法の改善によりさらに，翻訳精度の高い翻訳手法になることが期待できる．

TDSMTは翻訳の手順を詳しく解析することが可能である．翻訳の手順を詳しく解析することによって，誤りの原因をしることができる．誤りの原因をふまえた改善法を提案することにより，効率の良い発展が期待できる．この発展性がTDSMTの利点である．

第II部では，TDSMTにおいて，未知語を出力する手法を提案した．低いカバー率の原因は対訳文中に存在しない語や，対訳文中に出現する頻度が低く，学習が困難である語（未知語）が入力文中に出現した場合，翻訳不可能になってしまうことである．この問題を解決するために，未知語を出力文中に出力する手法を提案した．未知語出力用変換テーブルの自動作成手法を利用することにより，未知語出力用変換テーブルは大量に作成された．この結果，翻訳に利用する変換テーブルの数は10倍程度まで増加した．このため，提案手法は従来のTDSMTよりも多くの計算空間と計算時間を要する．しかし，未知語を出力することによって，カバー率は60% 程度まで増加した．

また，Mosesと翻訳精度の比較を行った．人手評価では，提案手法はmosesよりも翻訳精度が高い．これは，学習の難しい語を少ない情報から翻訳するよりも，未知語として出力することで，文法を維持した翻訳文を生成することができると考えられる．

本実験において，新しい手法である``相対的意味論に基づく変換主導型統計機械翻訳"を提案し，未知語を出力可能にして，カバー率と翻訳精度を向上させた．しかし，カバー率と翻訳精度はまだまだ低い．このため，出力文の解析と改善法の提案を行う必要がある．