2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩67頁未讀 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡介

1、大規(guī)模雙語平行或可比較語料庫是構(gòu)建高質(zhì)量統(tǒng)計(jì)機(jī)器翻譯系統(tǒng)的重要基礎(chǔ)資源。目前大規(guī)模雙語語料庫的建設(shè)存在著很大的困難,在規(guī)模、時(shí)效性和領(lǐng)域平衡性等方面還不能滿足處理真實(shí)文本的需要。
   本文充分利用維基百科中大量存在的雙語平行或可比較資源,研究自動(dòng)獲取的方法并驗(yàn)證其有效性,從而獲取滿足雙語平行或可比較語料。
   從某個(gè)特定的網(wǎng)頁中,需要定義一種啟發(fā)式信息來概括這類多語種平行或可比較文本存在的共同特征,以此作為一個(gè)有效的

2、入口,來獲取我們關(guān)心的資源。維基百科中雙語平行或可比較資源是完全存在于兩個(gè)平行或可比較的單語網(wǎng)頁中。本文針對(duì)這種資源定義了有效的啟發(fā)式信息,從而很好地解決了大規(guī)模數(shù)據(jù)的來源問題。
   網(wǎng)絡(luò)作者在進(jìn)行雙語平行或可比較網(wǎng)頁URL命名時(shí)往往具有一定的規(guī)律性。本文提出了一種自動(dòng)發(fā)現(xiàn)一個(gè)具有URL命名規(guī)律性算法,從而從維基百科中找出盡可能多的可信的中英文候選網(wǎng)頁配比對(duì)。
   雙語平行或可比較的網(wǎng)頁文本不同于一般的雙語對(duì)照文本,

3、其中不僅存在有用的雙語對(duì)照信息,還存在一定的無關(guān)噪音信息等;此外,網(wǎng)頁文本中的詞匯量也大大超出任何一本雙語詞典的范圍。這些都造成了對(duì)雙語平行或可比較網(wǎng)頁進(jìn)行句子對(duì)齊的難度。本文基于維基百科的網(wǎng)頁結(jié)構(gòu),充分利用雙語平行或可比較網(wǎng)頁HTML結(jié)構(gòu)相似性這一優(yōu)點(diǎn),提出了一種基于標(biāo)簽序列最長公共子串的DOM樹對(duì)齊改進(jìn)算法的雙語平行或可比較句對(duì)的抽取技術(shù),從而取得到了很好的效果。
   最后,我們實(shí)現(xiàn)了上述三個(gè)方面的技術(shù),搭建了一個(gè)可以在維

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

評(píng)論

0/150

提交評(píng)論