Reranking Hypotheses of Machine-Translated Queries for Cross-Lingual Information Retrieval

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F16%3A10335525" target="_blank" >RIV/00216208:11320/16:10335525 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-319-44564-9_5" target="_blank" >http://dx.doi.org/10.1007/978-3-319-44564-9_5</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-319-44564-9_5" target="_blank" >10.1007/978-3-319-44564-9_5</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Reranking Hypotheses of Machine-Translated Queries for Cross-Lingual Information Retrieval

Popis výsledku v původním jazyce

Machine Translation (MT) systems employed to translate queries for Cross-Lingual Information Retrieval typically produce single translation with maximum translation quality. This, however, might not be optimal with respect to retrieval quality and other translation variants might lead to better retrieval results. In this paper, we explore a method exploiting multiple translations produced by an MT system, which are reranked using a supervised machine-learning method trained to directly optimize the retrieval quality. We experiment with various types of features and the results obtained on the medical-domain test collection from the CLEF eHealth Lab series show significant improvement of retrieval quality compared to a system using single translation provided by MT.

Název v anglickém jazyce

Reranking Hypotheses of Machine-Translated Queries for Cross-Lingual Information Retrieval

Popis výsledku anglicky

Machine Translation (MT) systems employed to translate queries for Cross-Lingual Information Retrieval typically produce single translation with maximum translation quality. This, however, might not be optimal with respect to retrieval quality and other translation variants might lead to better retrieval results. In this paper, we explore a method exploiting multiple translations produced by an MT system, which are reranked using a supervised machine-learning method trained to directly optimize the retrieval quality. We experiment with various types of features and the results obtained on the medical-domain test collection from the CLEF eHealth Lab series show significant improvement of retrieval quality compared to a system using single translation provided by MT.

Druh

D - Stať ve sborníku

CEP obor

IN - Informatika

OECD FORD obor

—

Projekt

<a href="/cs/project/GBP103%2F12%2FG084" target="_blank" >GBP103/12/G084: Centrum pro multi-modální interpretaci dat velkého rozsahu</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2016

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Experimental IR Meets Multilinguality, Multimodality, and Interaction 7th International Conference of the CLEF Association

ISBN

978-3-319-44563-2

ISSN

0302-9743

e-ISSN

—

Počet stran výsledku

13

Strana od-do

54-66

Název nakladatele

Springer

Místo vydání

Berlin, Germany

Místo konání akce

Évora, Portugal

Datum konání akce

5. 9. 2016

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—