[メモ] 機械翻訳の訳文、システム間の類似度を比較させてみた。

私は今、、
TotalPatentのセミナー準備 、真っ最中。


TotalPatentは、中国をはじめ、
何カ国か、機械翻訳の英文フルテキストが追加されたので、
今回、「中国特許」の比較事例を中心に、準備してます。


そんな中・・・

Dialogでも、Chinese Patents Fulltext (325) に、
英文の全文データが入った、というニュースが！！
（以下、この記事中では　ChinaPatFull　と書きます。)

GSH DATABASE NAVI : Dialogに中国特許全文データベースが登場！

さて、当然といえば当然ですが、
TotalPatent と、ChinaPatFull とでは、英文データの制作元が違います。


レクシスネクシスの方から、この情報を教えていただいて、
真っ先に浮かんだ疑問は・・・


「でも、正直、
　両者の訳文は、どの程度違っていて
　どの程度まで似ているの？」


・・・だって、翻訳用のマシンが訳すものですし、
基本的な辞書、訳語などのレベルでは、
似通った点も多いはずですよね。


「もしかしたら、そんなに違わないのかも？」



と、いうことで。



「類似度」　で表現すると、どの程度似ているか
を、調べてみました。



使ったツールは、
PHPで2つの文章の類似度を計算する
です。



※　なお、今回の記事では、
　　「どちらの訳文が、どのシステム」なのか、は
　　あえて記載しません。ご了承くださいませ。



まず、同じ公報番号を使い、
両システムで、機械翻訳全文を表示させ、
それぞれ、エディタに貼付けます。



次に、対応する箇所に、同じ色をつけます。




元々同じ文章の、同じ位置を探すわけですから、
すんなり発見できそうなものですが・・・

実際には、
両者の改行頻度がかなり違って、探しにくかったのと、
また、訳語も案外違っていたりして、


色付け作業の時点で、
「どこだ どこだ？」と、相手を捜し回りました。



これは・・・
意外と、低めの類似度が出るかも！
　（・・・って、何を期待しているんだか。笑）



では、比較結果。
３パラグラフ分、続けてお見せします。

※比較テキストに、目を凝らしていただくと、
　　「ほんとだ、意外と文章違うんだ。」　と、実感できるかと思います。

他にも何カ所か、比べてみまして、
類似度は概ね、４５～５５％程度、といったところ。


元は、同一の中国特許公報なのに・・・って考えると、
意外と、類似度が低いような気もしますし、


「でも、別々の翻訳者（人間）が訳したら？」　と考えると、
人手翻訳であっても、この程度の類似度になるのかもしれません。
　　　（こちらは、試した事はありませんが・・・）



※ この翻訳比較、
セミナーでご紹介するかは、まだ未定です。
　　・・・面白いんですが、内容が内容なので、没になるかも・・・


中国特許、ご興味のある方はご検討ください。入場無料です。

TotalPatent 実践セミナー(6/11,17)｜レクシスネクシス・ジャパン株式会社

※終了しました！