文檔級統(tǒng)計機器翻譯的研究.pdf

1、機器翻譯是自然語言理解中的一個研究熱點,能有效地促進信息共享,具有廣泛的研究和應(yīng)用價值。統(tǒng)計機器翻譯(Statistical Machine Translation,SMT)是目前主流的機器翻譯技術(shù),但孤立進行句子翻譯的SMT系統(tǒng)在翻譯的過程中僅能利用當(dāng)前句子的信息,完全忽略了前后句子的關(guān)聯(lián)和文本的全局信息。然而,文檔級別的信息,比如風(fēng)格、主題、類別等,對機器翻譯而言是極為有用的,它們不僅能引導(dǎo)翻譯系統(tǒng)在詞形、詞義上進行正確的消歧,還能

2、保持譯文與原文在語言風(fēng)格和關(guān)鍵內(nèi)容上的一致。
　　雖然早在1992年就有學(xué)者提出基于篇章的機器翻譯概念,但機器翻譯發(fā)展至今,絕大多數(shù)還停留在孤立的句子層面,這里面有一些客觀的原因,比如語料的限制。但總體來看,進展的緩慢恰恰表示這項研究具有挑戰(zhàn)性。本文對文檔級統(tǒng)計機器翻譯展開研究,主要內(nèi)容包括:
　　1.文檔級統(tǒng)計機器翻譯系統(tǒng)架構(gòu)的研究。通過借鑒人類翻譯者的活動過程,本文首先提出了基于多策略緩存的文檔級SMT系統(tǒng)框架,該框架包

3、括三類緩存,分別用以刻畫文檔的背景知識、主題和詞匯銜接性。上述緩存中的各類信息被巧妙地設(shè)計成為SMT對數(shù)線性模型中的系統(tǒng)特征,能夠指導(dǎo)傳統(tǒng)的SMT系統(tǒng)靈活、有效地使用文檔級知識。第二種架構(gòu)是基于 N-best列表的后處理方式,重在解決譯文與原文的主題內(nèi)容的一致性,其主要原理是借鑒文本摘要的生成方法,聯(lián)合主題模型在N-best列表中選擇一組更符合原文內(nèi)容的翻譯假設(shè)集合。實驗表明,這兩套系統(tǒng)架構(gòu)都能夠成功集成文檔信息,第一種系統(tǒng)架構(gòu)更具優(yōu)勢

4、,其性能顯著優(yōu)于傳統(tǒng)的句子級 SMT系統(tǒng)。
　　2.文檔級統(tǒng)計機器翻譯中的時態(tài)研究。時態(tài)研究是文檔級SMT研究中的一個有效知識擴充,它建立在基于緩存的系統(tǒng)框架之上,能在翻譯系統(tǒng)中融入更多的上下文知識。本文利用時態(tài)在文檔內(nèi)的延續(xù)性,提出了N-gram時態(tài)模型,該模型能反映句子內(nèi)部和句子之間兩個層次的時態(tài)變化規(guī)律。在此基礎(chǔ)上,本文又提出了更具泛化能力的基于分類的時態(tài)模型。實驗表明,兩種時態(tài)模型各有優(yōu)勢,聯(lián)合了時態(tài)模型的SMT系統(tǒng)能夠顯

5、著改善翻譯質(zhì)量,最好的系統(tǒng)性能在BLEU值上提高0.97個點。
　　3.文檔級機器翻譯自動評價方法的研究。本文主要從兩個方面探索了文檔級翻譯的自動評價方法:第一,根據(jù)譯文需要反映原文的關(guān)鍵內(nèi)容出發(fā),分別提出了中心句驅(qū)動的評價方法和基于主題模型的評價方法;第二,從文檔級翻譯需要保持詞匯銜接性出發(fā),提出了基于詞匯鏈的評價方法。相關(guān)實驗表明改進后的評價方法能不同程度地提高與文檔級人工評分的相關(guān)系數(shù)。
　　上述三個方面構(gòu)成了此項研究