20.500.12556/RUL-179659 Izboljšava strojnega prevajanja figurativnega jezika z vstavljanjem jezikovnega znanja Enhancing machine translation of figurative language by linguistic knowledge injection Razumevanje in prevajanje figurativnega jezika kljub napredku strojnega prevajanja ostajata velik izziv, zlasti pri manjših jezikih z omejenimi jezikovnimi viri, kot je slovenščina. V diplomskem delu raziskujemo vpliv vstavljanja figurativnega znanja v velike jezikovne modele z namenom izboljšanja kakovosti prevodov iz angleščine v slovenščino. Zaradi omejene razpoložljivosti obstoječih dvojezičnih virov smo oblikovali vzporedno zbirko IdiomKB-SLO-EN s skoraj 4000 pari figurativnih izrazov. Z uporabo s poizvedovanjem obogatenega generiranja (RAG) smo jo vključili v veliki slovenski jezikovni model GaMS. Razvili smo hibridni mehanizem pridobivanja znanja o figurativnih izrazih, relevantnih za dano vhodno besedilo, ki združuje leksikalno in semantično iskanje, izbrane informacije pa modelu posreduje kot dodaten kontekst pri prevajanju. Evalvacijo smo izvedli s kombinacijo kvantitativnih in kvalitativnih metod: s standardnimi metrikami strojnega prevajanja, ročnim ocenjevanjem in ocenjevanjem s pomočjo velikega jezikovnega modela. Rezultati kažejo, da vstavljeno znanje prispeva k bolj naravnim in tekočim prevodom ter zmanjšuje pojav dobesednega prevajanja figurativnega jezika. The understanding and translation of figurative language remain major challenges for machine translation, despite recent advances, particularly for low-resource languages with limited linguistic resources, such as Slovene. In this thesis, we explore the impact of injecting figurative knowledge into large language models to improve translation quality from English to Slovene. Due to the limited availability of existing bilingual resources, we constructed a parallel dataset, IdiomKB-SLO-EN, containing nearly 4,000 pairs of figurative expressions. Using a retrieval-augmented generation (RAG) approach, we integrated the dataset into the GaMS Slovene large language model. We developed a hybrid retrieval mechanism that combines lexical and semantic search to retrieve knowledge about figurative expressions relevant to the input text, providing it as additional context during translation. The proposed approach was evaluated using a combination of quantitative and qualitative methods, including standard machine translation metrics, manual evaluation, and a large language model as a judge. The results show that injected knowledge leads to more natural and fluent translations and reduces the occurrence of literal translations of figurative expressions. strojno prevajanje figurativni jezik veliki jezikovni modeli vstavljanje znanja s poizvedovanjem obogateno generiranje machine translation figurative language large language models knowledge injection retrieval-augmented generation true false false Slovenski jezik Angleški jezik Diplomsko delo/naloga 2026-02-19 07:50:00 2026-02-19 07:50:08 2026-08-12 04:02:40 0000-00-00 00:00:00 2026 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 38174 270350595 Pelko_Jaka_-_Izboljsava_strojnega_prevajanja_figurativnega_jezika_z_vstavljanjem_jezikovnega_zna.pdf Pelko_Jaka_-_Izboljsava_strojnega_prevajanja_figurativnega_jezika_z_vstavljanjem_jezikovnega_zna.pdf 1 0D8CAD3FAEC42092ACEF0D2F1DA9AD58 6ab5a1738ce74692d1caba8f401a5757dc41f532010c2b5c2f8041f565b99e54 faa13348-0d5e-11f1-a1ba-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=228419 Fakulteta za računalništvo in informatiko 0 0 0