Die geringe Übersetzungsqualität von Sprachen mit niedrigen Ressourcen war schon immer ein Problem im Bereich der maschinellen Übersetzungsforschung im digitalen Zeitalter. Derzeit haben relevante Algorithmen und Modelle bei der Übersetzung von Sprachen mit hohen Ressourcen bemerkenswerte Erfolge erzielt, die sogar menschliche Leistungen übertreffen; bei Sprachen mit niedrigen Ressourcen führt jedoch die Inkonsistenz von internem und externem Wissen in Sprachmodellen zu schlechten Fähigkeiten der Maschine im Textlesen, Verstehen und Übersetzen. Dieser Artikel analysiert Ontologie und Wissensträger in Sprachen mit niedrigen Ressourcen und untersucht den Nutzen von niedrig ressourcenbasiertem Wissen zur Verbesserung der Übersetzungsqualität bei maschineller Übersetzung solcher Sprachen. Darauf aufbauend entwickelt und verbessert dieser Artikel ein Wissensmodell für niedrige Ressourcen basierend auf Wissensstämmen, Wissensgruppen und Wissensdatenbanken, um das interne und externe Wissen, das Modelle für maschinelle Übersetzung bei Sprachen mit niedrigen Ressourcen benötigen, auszugleichen und so die Übersetzungsqualität zu steigern.

Qualität der maschinellen Übersetzung;ressourcenarme Sprachen;niedrig ressourcenbasiertes Wissen;Modell für niedrig ressourcenbasiertes Wissen