雙語(yǔ)平行句對(duì)的獲取與語(yǔ)料庫(kù)的建立.pdf

1、近年來(lái),互聯(lián)網(wǎng)信息的爆炸式增長(zhǎng)給了統(tǒng)計(jì)機(jī)器翻譯新的契機(jī),眾多研究團(tuán)體和商業(yè)機(jī)構(gòu)開始從互聯(lián)網(wǎng)上獲取大規(guī)模的雙語(yǔ)語(yǔ)料。機(jī)器翻譯模型的優(yōu)劣與語(yǔ)料的規(guī)模和質(zhì)量息息相關(guān),從互聯(lián)網(wǎng)上得到的數(shù)據(jù)規(guī)模也遠(yuǎn)大于使用傳統(tǒng)的人工采集的途徑,但如何確保語(yǔ)料的質(zhì)量并建立機(jī)器翻譯可用的語(yǔ)料庫(kù)則成為首要考慮的問(wèn)題。
　　在機(jī)器翻譯領(lǐng)域,基于句子間多特征融合的句子對(duì)齊方法已臻成熟,可以運(yùn)用在質(zhì)量較好的語(yǔ)料上,得到較好的結(jié)果;對(duì)于機(jī)器翻譯系統(tǒng)效果的評(píng)價(jià),已有多種常

2、用技術(shù),其中BLEU自出現(xiàn)以來(lái)一直是學(xué)者們采用的主流評(píng)測(cè)技術(shù),它通過(guò)判斷人工給出的參考翻譯與待評(píng)測(cè)翻譯結(jié)果的相似程度得到評(píng)估得分;在文本分類領(lǐng)域,對(duì)特征抽取和分類算法,也有針對(duì)不同情況的不同相關(guān)方法。
　　本文的主要研究?jī)?nèi)容集中在上述三個(gè)方面。首先對(duì)于雙語(yǔ)平行語(yǔ)料的句子對(duì)齊,我們采用借鑒TFIDF思想的一種多特征融合的句子對(duì)齊技術(shù),并進(jìn)行了更能適應(yīng)噪聲較多的互聯(lián)網(wǎng)語(yǔ)料的改動(dòng),加入了段落對(duì)齊的模塊,對(duì)長(zhǎng)文本進(jìn)行分割、存在噪聲的文本進(jìn)

3、行頭尾對(duì)齊,很好地解決或者削弱了噪聲的問(wèn)題;然后,對(duì)于語(yǔ)料的質(zhì)量評(píng)估,我們用在線翻譯系統(tǒng)的結(jié)果替代了人工翻譯作為參考翻譯,利用BLEU算法進(jìn)行質(zhì)量的評(píng)估得到分值,相較人工給出翻譯的方法更加高效,使其能夠運(yùn)用在大規(guī)模語(yǔ)料上;最后,對(duì)于領(lǐng)域分類,我們嘗試了多種特征抽取和分類算法,找到了更適于互聯(lián)網(wǎng)語(yǔ)料的組合。
　　在這三個(gè)方面的嘗試,都取得了一定程度的效果。通過(guò)實(shí)驗(yàn)結(jié)果,我們證明了我們所使用的雙語(yǔ)平行語(yǔ)料庫(kù)建立的相關(guān)技術(shù),即對(duì)齊方法、