پيكره متني تطبيقي فارسي-انگليسي حوزه تخصصي فاوا

ICT English-Persian comparable textual corpus

در زبانشناسي، پيكره انباره اي از داده هاي متني است. در اين مقاله، تمركز ما بر طراحي و ساخت خودكار پيكره دو زبانه فارسي-انگليسي است. ما نرم افزاري براي ساخت پيكره طراحي كرده ايم كه هزينه و زمان ساخت پيكره را كاهش مي-دهد؛ به علاوه نرم افزار ارايه شده قابليت مديريت پيكره را نيز براي كاربران فراهم مي كند. در اين مقاله، روشي براي ترازبندي جمله هاي پيكره فارسي تخصصي حوزه فاوا و جملات انگليسي پيكره تخصصي حوزه فاوا ارايه شده است. هدف ما طراحي يك سيستم ترازبندي براي استخراج جمله هاي متناظر دو زبان است. در اين روش، ما با استفاده از يك لغت نامه دو زباني كه خود مولفان ايجاد كرده ايم و با استفاده از تكنيك پيشنهاد شده، امتياز شباهت دو جمله را محاسبه مي كنيم. آزمايشات نشان مي دهد كه اين تكنيك علاوه بر اينكه از نظر دقت بسيار قوي است، تعداد جمله هاي كانديد را نيز كاهش مي دهد.

In Computational Linguistics, corpus is a collection of written texts or spoken materials in machine-readable form, assembled for the purpose of studying linguistic structures, language changes over time as well as natural language processing projects. In this paper, we focus on designing a bilingual corpus. This corpus is made automatically and it consists of resources and documents in ICT domain. We developed a software framework for building textual corpus to reduce the cost and construction time. In addition, this software provides corpus management capabilities. We also proposed an alignment method for Persian-English ICT corpus. Our goal is to design an alignment system for the extraction of corresponding sentences. In this method, we deployed a bilingual dictionary and artificial intelligence techniques in order to calculate score representing the similarity between two sentences. then, we automatically map each pair of sentences in both languages.