روشی توزیع پذیر جهت یافتن عبارات معادل بین زبانی در بستر داده های حجیم

متون منتشر شده در اینترنت به زبان های مختلف نوشته شده اند. در حال حاضر توانایی سیستم های بازیابی اطلاعات برای جستجوی اطلاعات بینزبانی ضعیف است. یکی از بزرگترین موانع این کار، عدم تطبیق لفظ به لفظ کلمات در زبان های مختلف است. به عبارت دیگر ممکن است دو عبارت در دو زبان مختلف هممعنی باشند ولی هیچ شباهت تحت اللفظی ای نداشته باشند. در این مقاله با کمک پیکره های یک زبانه و دوزبانه، عبارات معادل در زبان های انگلیسی و فارسی شناسایی می شوند. روش ارایه شده قابلیت توزیع پذیری دارد. با افزایش حجم پیکره ها بدون افت کارایی کیفیت خروجی بهبود خواهد یافت. آزمایش و بررسی اصطلاحات معادل در داده هایی از متون فارسی، انگلیسی و ترکیبی که هر متن معادل آن در زبان دیگر نیز وجود دارد، بیانگر دقت مناسب این روش است. این روش به زبان اسکالا پیاده سازی شده و قابل تعمیم به زبان های دیگر است.