雙語平行句對的獲取與語料庫的建立.pdf

1、近年來,互聯(lián)網(wǎng)信息的爆炸式增長給了統(tǒng)計機器翻譯新的契機,眾多研究團體和商業(yè)機構(gòu)開始從互聯(lián)網(wǎng)上獲取大規(guī)模的雙語語料。機器翻譯模型的優(yōu)劣與語料的規(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)模也遠大于使用傳統(tǒng)的人工采集的途徑,但如何確保語料的質(zhì)量并建立機器翻譯可用的語料庫則成為首要考慮的問題。
　　在機器翻譯領(lǐng)域,基于句子間多特征融合的句子對齊方法已臻成熟,可以運用在質(zhì)量較好的語料上,得到較好的結(jié)果;對于機器翻譯系統(tǒng)效果的評價,已有多種常

2、用技術(shù),其中BLEU自出現(xiàn)以來一直是學者們采用的主流評測技術(shù),它通過判斷人工給出的參考翻譯與待評測翻譯結(jié)果的相似程度得到評估得分;在文本分類領(lǐng)域,對特征抽取和分類算法,也有針對不同情況的不同相關(guān)方法。
　　本文的主要研究內(nèi)容集中在上述三個方面。首先對于雙語平行語料的句子對齊,我們采用借鑒TFIDF思想的一種多特征融合的句子對齊技術(shù),并進行了更能適應(yīng)噪聲較多的互聯(lián)網(wǎng)語料的改動,加入了段落對齊的模塊,對長文本進行分割、存在噪聲的文本進

3、行頭尾對齊,很好地解決或者削弱了噪聲的問題;然后,對于語料的質(zhì)量評估,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算法進行質(zhì)量的評估得到分值,相較人工給出翻譯的方法更加高效,使其能夠運用在大規(guī)模語料上;最后,對于領(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)語料的組合。
　　在這三個方面的嘗試,都取得了一定程度的效果。通過實驗結(jié)果,我們證明了我們所使用的雙語平行語料庫建立的相關(guān)技術(shù),即對齊方法、