基于文本挖掘的翻譯知識(shí)自動(dòng)獲取研究.pdf

1、近年來，互聯(lián)網(wǎng)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(wǎng)站成為雙語網(wǎng)站，越來越多的網(wǎng)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?lián)網(wǎng)是一個(gè)取之不盡，日益增長的信息源，因此是一個(gè)潛在的巨大的多語種語料庫。研究有效的方法從互聯(lián)網(wǎng)上自動(dòng)挖掘這些海量的、真實(shí)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(jìn)行漢英翻譯等價(jià)對的抽取、利用搜索引擎進(jìn)行譯文的挖掘，無疑是解決雙語語料庫

2、建設(shè)和翻譯知識(shí)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(lián)網(wǎng)上的存在形式及相應(yīng)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(gè)有效的入口，來獲取我們關(guān)心的Web資源；實(shí)現(xiàn)了基于URL命名相似性的雙語候選網(wǎng)頁獲取算法，預(yù)先定義在URL命名中常見的與特定語種相關(guān)的前后綴表，來發(fā)現(xiàn)一個(gè)具有命名規(guī)律性的雙語網(wǎng)站中的雙語平行網(wǎng)

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(wǎng)站中存在的雙語平行網(wǎng)頁；改進(jìn)了雙語平行句對抽取技術(shù)，通過利用雙語平行網(wǎng)頁HTML結(jié)構(gòu)相似性這一優(yōu)點(diǎn)，而且牢牢把握住雙語平行句對互為翻譯這一本質(zhì)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(jìn)行漢英翻譯等價(jià)對的抽取。首先對英文語料和中文語料分別進(jìn)行詞性標(biāo)注和切分與詞性標(biāo)注，然后利用N-gram模型獲得候選翻譯單元，再根據(jù)統(tǒng)計(jì)同現(xiàn)函數(shù)計(jì)算