ルールベース機械翻訳（RBMT）は、機械翻訳における古典的なアプローチであり、ソース言語とターゲット言語に関する言語情報に基づいて出力文を生成する。この情報は、各言語の主要な意味的、形態的、構文的な規則性をカバーする単言語、バイリンガル、または多言語の辞書や文法から引き出される。RBMTシステムは、ソース文を分析し、明示的なルールを使用してターゲット文を構築する。これは、ニューラル機械翻訳のようなデータ駆動型の手法とは対照的である。RBMTは数十年にわたって支配的なパラダイムであったが、より効率的な手法、特に深層学習や大規模言語モデルに基づく手法によって徐々に取って代わられてきた。
歴史
最初のRBMTシステムは1970年代初頭に登場した。最も影響力のあったものの1つはSystranであり、1968年に開発が始まり、冷戦時代にロシア語と英語の翻訳に広く使用された。Systranは後に多くの言語ペアに拡張され、1976年に欧州委員会に採用された。もう1つの注目すべき初期システムは日本語MTプロジェクトであり、1980年代の商用システムにつながった。今日、一般的なRBMTシステムには、関連言語間の翻訳のためのオープンソースプラットフォームであるApertiumや、スカンジナビア語や他のヨーロッパ言語向けの商用システムであるGramTransが含まれる。
RBMTの種類
RBMTシステムは一般に3つのタイプに分類される。直接方式（辞書ベース機械翻訳とも呼ばれる）は、入力単語を基本的なルールで出力単語にマッピングし、しばしば深い構文解析を伴わない。転送ベース方式は、ソース言語の形態的および構文的な分析を採用し、その後、構造をターゲット言語に転送する。インターリンガ方式は、特定の言語に依存しない抽象的な意味表現（インターリンガと呼ばれる）を使用する。RBMTは、明示的なルールではなく並列コーパスを使用する用例ベース機械翻訳としばしば対比される。ハイブリッド機械翻訳システムは、RBMTの原理を統計的またはニューラルな手法と組み合わせる。
基本原則
RBMTの核心的なアプローチは、意味を保持しながらソース文の構造をターゲット文の構造にリンクすることである。例えば、英語の「A girl eats an apple」をドイツ語に翻訳するには、各英語の単語をドイツ語の同等物にマッピングする辞書、英語の文構造のルール、ドイツ語の文構造のルール、および2つの構造を関連付けるルールが必要である。このプロセスは通常、いくつかの段階を含む：各ソース単語の品詞情報の取得、動詞に関する構文情報（時制や態など）の決定、ソース文の解析（しばしば部分的）、単語のターゲット言語への翻訳、そして最後に適切な活用形の生成。この例では、出力は「Ein Mädchen isst einen Apfel」となり、冠詞と名詞の格はドイツ語の文法に従って調整される。
オントロジー
オントロジーは、ドメイン内の概念と関係を含む知識の形式的な表現である。自然言語処理において、オントロジーは機械翻訳の知識源として機能し、語彙の曖昧性の解決に役立つ。例えば、「I saw a man with a microscope」という文は複数の方法で解釈できるが、大規模なオントロジーは文脈に基づいて可能な解釈を減らすことができる。1993年に開発されたPANGLOSS知識ベース機械翻訳システムは、オントロジーがどのように構築されるかを示している。これは、LDOCE辞書とWordNetを統合して、簡潔な定義と意味的関係を組み合わせることを目的としていた。定義マッチアルゴリズムは、定義内の共有単語に基づいて意味を自動的に統合し、階層マッチアルゴリズムは分類学的構造を使用して曖昧性を解決した。結果として得られたオントロジーは約5万ノードを持ち、システム内の解析と生成をサポートした。
コンポーネント
典型的なRBMTシステムは、いくつかのコンポーネントで構成される：単語の形態情報を提供するソース言語の形態解析器、文の構文を分析するソース言語のパーサー、ソース単語をターゲット言語の単語にマッピングする翻訳器、適切な活用形を生成するターゲット言語の形態生成器、そして最終文を構成するターゲット言語のパーサー。さらに、少なくとも3つの辞書が必要である：形態解析用のソース言語辞書、翻訳用のバイリンガル辞書、生成用のターゲット言語辞書。これらのコンポーネントは連携して、翻訳プロセスを定義する言語ルールを適用する。
限界と遺産
RBMTシステムにはいくつかの限界がある。ルールと辞書の広範な手動開発が必要であり、時間と費用がかかる。また、慣用表現、曖昧性、複雑な形態を持つ言語にしばしば苦労する。その結果、統計的および後のニューラルなアプローチ、例えばSequence-to-Sequence (Seq2Seq)モデルやTransformer (architecture)アーキテクチャが、商用アプリケーションでRBMTをほぼ置き換えてきた。しかし、RBMTの原理は、ハイブリッドシステムや、並列データが乏しい低リソース言語の設定において影響力を持ち続けている。言語知識と説明可能性への強調は、人工知能と機械学習の研究に情報を提供し続けている。