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)機構開始從互聯(lián)網上獲取大規(guī)模的雙語語料。機器翻譯模型的優(yōu)劣與語料的規(guī)模和質量息息相關,從互聯(lián)網上得到的數(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,可以運用在質量較好的語料上,得到較好的結果;對于機器翻譯系統(tǒng)效果的評價,已有多種常

2、用技術,其中BLEU自出現(xiàn)以來一直是學者們采用的主流評測技術,它通過判斷人工給出的參考翻譯與待評測翻譯結果的相似程度得到評估得分;在文本分類領域,對特征抽取和分類算法,也有針對不同情況的不同相關方法。
　　本文的主要研究內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,并進行了更能適應噪聲較多的互聯(lián)網語料的改動,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,對于語料的質量評估,我們用在線翻譯系統(tǒng)的結果替代了人工翻譯作為參考翻譯,利用BLEU算法進行質量的評估得到分值,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。通過實驗結果,我們證明了我們所使用的雙語平行語料庫建立的相關技術,即對齊方法、