नियम-आधारित मशीन अनुवाद (RBMT) मशीन अनुवाद का एक शास्त्रीय दृष्टिकोण है जो स्रोत और लक्ष्य भाषाओं के बारे में भाषाई जानकारी के आधार पर आउटपुट वाक्य उत्पन्न करता है। यह जानकारी एकभाषी, द्विभाषी, या बहुभाषी शब्दकोशों और व्याकरणों से ली जाती है जो प्रत्येक भाषा की मुख्य शब्दार्थ, रूपात्मक, और वाक्य-विन्यास नियमितताओं को कवर करते हैं। एक RBMT प्रणाली स्रोत वाक्य का विश्लेषण करती है और स्पष्ट नियमों का उपयोग करके लक्ष्य वाक्य का निर्माण करती है, जो तंत्रिका मशीन अनुवाद जैसे डेटा-संचालित तरीकों के विपरीत है। हालांकि RBMT दशकों तक प्रमुख प्रतिमान था, इसे धीरे-धीरे अधिक कुशल तरीकों से प्रतिस्थापित किया गया है, विशेष रूप से गहन शिक्षण और बड़े भाषा मॉडल पर आधारित तरीकों से।
इतिहास
पहली RBMT प्रणालियाँ 1970 के दशक की शुरुआत में उभरीं। सबसे प्रभावशाली में से एक Systran थी, जिसका विकास 1968 में शुरू हुआ और शीत युद्ध के दौरान रूसी और अंग्रेजी का अनुवाद करने के लिए व्यापक रूप से उपयोग किया गया। Systran बाद में कई भाषा युग्मों तक विस्तारित हुई और 1976 में यूरोपीय आयोग द्वारा अपनाई गई। एक और उल्लेखनीय प्रारंभिक प्रणाली जापानी MT परियोजना थी, जिसने 1980 के दशक में वाणिज्यिक प्रणालियों को जन्म दिया। आज, सामान्य RBMT प्रणालियों में Apertium शामिल है, जो संबंधित भाषाओं के बीच अनुवाद के लिए एक खुला-स्रोत मंच है, और GramTrans, जो स्कैंडिनेवियाई और अन्य यूरोपीय भाषाओं के लिए एक वाणिज्यिक प्रणाली है।
RBMT के प्रकार
RBMT प्रणालियों को आम तौर पर तीन प्रकारों में वर्गीकृत किया जाता है। प्रत्यक्ष प्रणालियाँ, जिन्हें शब्दकोश-आधारित मशीन अनुवाद भी कहा जाता है, इनपुट शब्दों को बुनियादी नियमों के साथ आउटपुट शब्दों से मैप करती हैं, अक्सर गहन वाक्य-विन्यास विश्लेषण के बिना। स्थानांतरण-आधारित प्रणालियाँ स्रोत भाषा का रूपात्मक और वाक्य-विन्यास विश्लेषण करती हैं और फिर संरचना को लक्ष्य भाषा में स्थानांतरित करती हैं। अंतर्भाषी प्रणालियाँ एक अमूर्त अर्थ प्रतिनिधित्व का उपयोग करती हैं, जिसे अंतर्भाषा कहा जाता है, जो किसी विशिष्ट भाषा से स्वतंत्र होता है। RBMT की तुलना अक्सर उदाहरण-आधारित मशीन अनुवाद से की जाती है, जो स्पष्ट नियमों के बजाय समानांतर कोष का उपयोग करता है। हाइब्रिड मशीन अनुवाद प्रणालियाँ RBMT के सिद्धांतों को सांख्यिकीय या तंत्रिका विधियों के साथ जोड़ती हैं।
बुनियादी सिद्धांत
RBMT का मुख्य दृष्टिकोण अर्थ को संरक्षित करते हुए स्रोत वाक्य की संरचना को लक्ष्य वाक्य की संरचना से जोड़ना है। उदाहरण के लिए, अंग्रेजी से जर्मन में "A girl eats an apple" का अनुवाद करने के लिए प्रत्येक अंग्रेजी शब्द को जर्मन समकक्ष से मैप करने वाले शब्दकोश, अंग्रेजी वाक्य संरचना के नियम, जर्मन वाक्य संरचना के नियम, और दोनों संरचनाओं से संबंधित नियमों की आवश्यकता होती है। इस प्रक्रिया में आम तौर पर कई चरण शामिल होते हैं: प्रत्येक स्रोत शब्द के लिए शब्द-भेद जानकारी प्राप्त करना, क्रिया के बारे में वाक्य-विन्यास जानकारी निर्धारित करना (जैसे काल और वाच्य), स्रोत वाक्य का विश्लेषण करना (अक्सर आंशिक रूप से), शब्दों का लक्ष्य भाषा में अनुवाद करना, और अंत में उपयुक्त विभक्ति रूप उत्पन्न करना। उदाहरण में, आउटपुट "Ein Mädchen isst einen Apfel" है, जहाँ लेख और संज्ञा के कारक जर्मन व्याकरण के अनुसार समायोजित किए जाते हैं।
ऑन्टोलॉजी
एक ऑन्टोलॉजी ज्ञान का एक औपचारिक प्रतिनिधित्व है जिसमें किसी डोमेन के भीतर अवधारणाएँ और संबंध शामिल होते हैं। प्राकृतिक भाषा प्रसंस्करण में, ऑन्टोलॉजी मशीन अनुवाद के लिए ज्ञान के स्रोत के रूप में काम कर सकती हैं, जिससे शाब्दिक अस्पष्टताओं को हल करने में मदद मिलती है। उदाहरण के लिए, वाक्य "I saw a man with a microscope" की कई तरह से व्याख्या की जा सकती है, लेकिन एक बड़ी ऑन्टोलॉजी संदर्भ के आधार पर संभावित व्याख्याओं को कम कर सकती है। 1993 में विकसित PANGLOSS ज्ञान-आधारित मशीन अनुवाद प्रणाली, यह दर्शाती है कि ऑन्टोलॉजी कैसे बनाई जाती हैं। इसका उद्देश्य LDOCE शब्दकोश और WordNet को मिलाकर संक्षिप्त परिभाषाओं को शब्दार्थ संबंधों के साथ जोड़ना था। एक परिभाषा मिलान एल्गोरिथ्म ने परिभाषाओं में साझा शब्दों के आधार पर अर्थों को स्वचालित रूप से मिलाया, और एक पदानुक्रम मिलान एल्गोरिथ्म ने अस्पष्टताओं को हल करने के लिए वर्गीकरण संरचनाओं का उपयोग किया। परिणामी ऑन्टोलॉजी, लगभग 50,000 नोड्स के साथ, प्रणाली में विश्लेषण और उत्पादन का समर्थन करती थी।
घटक
एक विशिष्ट RBMT प्रणाली में कई घटक होते हैं: एक स्रोत भाषा रूपात्मक विश्लेषक जो शब्दों के लिए रूपात्मक जानकारी प्रदान करता है, एक स्रोत भाषा पार्सर जो वाक्य वाक्य-विन्यास का विश्लेषण करता है, एक अनुवादक जो स्रोत शब्दों को लक्ष्य भाषा के शब्दों से मैप करता है, एक लक्ष्य भाषा रूपात्मक जनरेटर जो उपयुक्त विभक्ति रूप उत्पन्न करता है, और एक लक्ष्य भाषा पार्सर जो अंतिम वाक्य की रचना करता है। इसके अतिरिक्त, कम से कम तीन शब्दकोशों की आवश्यकता होती है: रूपात्मक विश्लेषण के लिए एक स्रोत भाषा शब्दकोश, अनुवाद के लिए एक द्विभाषी शब्दकोश, और उत्पादन के लिए एक लक्ष्य भाषा शब्दकोश। ये घटक अनुवाद प्रक्रिया को परिभाषित करने वाले भाषाई नियमों को लागू करने के लिए एक साथ काम करते हैं।
सीमाएँ और विरासत
RBMT प्रणालियों की कई सीमाएँ हैं। उन्हें नियमों और शब्दकोशों के व्यापक मैनुअल विकास की आवश्यकता होती है, जो समय लेने वाला और महंगा है। वे अक्सर मुहावरेदार अभिव्यक्तियों, अस्पष्टता, और जटिल रूपविज्ञान वाली भाषाओं के साथ संघर्ष करती हैं। परिणामस्वरूप, सांख्यिकीय और बाद में तंत्रिका दृष्टिकोण, जैसे Sequence-to-Sequence (Seq2Seq) मॉडल और Transformer (architecture) आर्किटेक्चर, ने वाणिज्यिक अनुप्रयोगों में RBMT को काफी हद तक बदल दिया है। हालाँकि, RBMT सिद्धांत हाइब्रिड प्रणालियों और कम-संसाधन भाषा सेटिंग्स में प्रभावशाली बने हुए हैं जहाँ समानांतर डेटा दुर्लभ है। भाषाई ज्ञान और व्याख्यात्मकता पर जोर कृत्रिम बुद्धिमत्ता और मशीन शिक्षण में अनुसंधान को सूचित करना जारी रखता है।