基于事件抽取的日漢新聞語料庫構建研究.pdf

1、隨著統(tǒng)計技術的發(fā)展，大規(guī)模的雙語語料庫是機器翻譯和跨語言處理中不可缺少的基本資源。平行雙語語料庫提供了兩種相應語言的豐富的匹配信息。通常情況下，獲得高質量和大規(guī)模平行雙語語料庫的難度較大?？缯Z言信息處理的主流方法之一是利用雙語語料庫構建互譯等價信息對，雙語詞典或雙語命名實體，來支持機器翻譯和跨語言信息檢索。然而，現有的雙語語料庫的資源比較缺乏，近年來，從部分雙語網站挖掘雙語語料庫的技術方法，變得越來越重要。
　　特別是，許多新聞網

2、站包含高質量的多語種的新聞資源。眾所周知，每一條新聞都是以敘事為主，在新聞翻譯成不同語言的情況下，時間、地點、人物和組織機構的信息必須嚴格匹配。因此，利用這些信息構建雙語相比較的語料庫是一個很好的方法。
　　而傳統(tǒng)的語料庫的構建方法，通常采用了基于網絡結構信息，相似度計算，跨語言信息檢索和維基百科鏈接等方法。在本文中，我們提出了一種基于事件抽取技術的構建日漢新聞可比的語料庫方法。首先，我們通過CRF模型實現分詞和命名實體識別，通過