基于文本挖掘的翻譯知識自動獲取研究.pdf

1、近年來，互聯網的普及與迅猛發(fā)展，提供了大量而豐富的電子信息。由于國際化的需要，越來越多的網站成為雙語網站，越來越多的網上信息以多語言的形式發(fā)布，這就為雙語提供了很大的來源?；ヂ摼W是一個取之不盡，日益增長的信息源，因此是一個潛在的巨大的多語種語料庫。研究有效的方法從互聯網上自動挖掘這些海量的、真實的雙語文本（即基于Web的雙語語料庫挖掘）、利用已挖掘的漢英平行語料庫進行漢英翻譯等價對的抽取、利用搜索引擎進行譯文的挖掘，無疑是解決雙語語料庫

2、建設和翻譯知識獲取難題的有效途徑。本文主要取得主要成果有以下幾方面：
　　 基于WEB的雙語平行語料庫獲取研究中探索了雙語平行資源在互聯網上的存在形式及相應的獲取方法，即定義一種啟發(fā)式信息來概括這類多語種平行文本存在的共同特征，以此作為一個有效的入口，來獲取我們關心的Web資源；實現了基于URL命名相似性的雙語候選網頁獲取算法，預先定義在URL命名中常見的與特定語種相關的前后綴表，來發(fā)現一個具有命名規(guī)律性的雙語網站中的雙語平行網

3、頁，利用該方法可以充分挖掘出具有命名相似性的雙語網站中存在的雙語平行網頁；改進了雙語平行句對抽取技術，通過利用雙語平行網頁HTML結構相似性這一優(yōu)點，而且牢牢把握住雙語平行句對互為翻譯這一本質特征，取得了很好的效果。
　　 從雙語語料庫中獲取翻譯對的研究中探討了如何利用漢英平行語料庫進行漢英翻譯等價對的抽取。首先對英文語料和中文語料分別進行詞性標注和切分與詞性標注，然后利用N-gram模型獲得候選翻譯單元，再根據統計同現函數計算