Vers la traduction neuronale augmentée par des exemples

Overview & Synopsis

Les méthodes de traduction neuronale s'appuient sur l'apprentissage et l'exploitation de très gros modèles probabilistes paramétriques, nourris par des corpus parallèles collectés de manière opportuniste, et rassemblant des textes souvent très divers. Une approche alternative de la traduction à base de corpus s'appuie sur des méthodes non-paramétriques et exploite de petits corpus très spécialisés et bien adaptés à une tâche donnée. Si les méthodes neuronales constituent aujourd'hui l'état de l'art, des travaux récents ouvrent la voie pour développer des méthodes hybrides, exploitant des mémoires de traduction, et qui permettraient en particulier d'apporter des réponses opérationnelles aux problème de traçabilité des modèles probabilistes. L'objectif de cette thèse est d'étudier et d'évaluer ces modèles hybrides pour traduire des textes en domaine de spécialité.