基于浅层句法分析的翻译模板自动获取研究

论文摘要

传统的EBMT（Example-Based Machine Translation,基于实例的机器翻译）方法是建立在大规模的实例库基础之上的,存在着精确匹配率不高,模糊匹配时产生译文质量较差等缺点。利用翻译模板可以有效的解决翻译实例的数据稀疏问题、简化实例库的规模并提高实例匹配的精确率。因此,本文提出了基于两级翻译模板的方法,提出了两级翻译模板的体系结构并给出了定义,给出了从句子对齐的双语语料库自动抽取两级翻译模板的方法,并设计了利用模板库进行模板匹配的算法。文中首先对机器翻译的重要技术尤其是基于EBMT的翻译方法进行了整理和分析,其次,概括了翻译模板提出的意义,提出了本文翻译模板的定义和研究策略。最后,在此基础上实现了两级翻译模板的抽取。基于模板的翻译方法的核心问题是模板的抽取与匹配算法。本文在抽取翻译模板的过程中采用了浅层句法分析方法,主要运用了组块识别。浅层句法分析的优点是可以识别出确定性高的部分分析结果,减少句法分析中的歧义,从而降低句法分析的难度。具体方法是:在模板抽取过程中首先对翻译实例进行浅层句法分析,得到双语组块信息,并确定实例的框架,根据对齐约束提取短语翻译模板,在此基础上,提取出句子级的翻译模板。在模板匹配过程中首先对输入句进行组块分析,然后在系统模板库中检索匹配模板。检索过程中兼顾模板的结构信息及子块信息。

论文目录

• 摘要
• Abstract
• 第一章 引言
• 1.1 自然语言处理与机器翻译综述
• 1.2 机器翻译简介
• 1.3 语料库与翻译模板
• 1.4 本文的工作
• 1.4.1 研究背景和目标
• 1.4.2 正文组织
• 第二章 机器翻译技术概述
• 2.1 机器翻译问题及其研究
• 2.1.1 问题描述
• 2.1.2 历史综述
• 2.2 基于规则的机器翻译
• 2.3 基于统计的机器翻译
• 2.3.1 概述
• 2.3.2 基于信源信道模型的统计机器翻译方法
• 2.3.3 语言模型
• 2.3.4 翻译模型
• 2.3.5 解码算法
• 2.4 基于实例的机器翻译
• 2.5 机器翻译主流评测方法
• 2.5.1 几个简单的机器翻译自动评价指标
• 2.5.2 IBM的BLEU评价方法
• 2.5.3 NIST评价
• 第三章 翻译模板及其研究意义
• 3.1 EBMT
• 3.1.1 EBMT的基本原理
• 3.1.2 EBMT的基本流程
• 3.1.3 泛化的EBMT
• 3.2 翻译模板及其研究现状
• 3.2.1 kaji的方法
• 3.2.2 CMU的方法
• 3.2.3 Bilkent的方法
• 3.2.4 东北大学的方法
• 3.2.5 厦门大学的实验
• 3.3 定义层次
• 3.4 本文的定义
• 第四章 翻译模板的抽取算法
• 4.1 浅层句法分析综述
• 4.1.1 浅层句法分析方法
• 4.1.2 组块识别
• 4.1.3 基本名词短语（BaseNP）识别
• 4.1.4 CRF（条件随机场）
• 4.2 应用
• 4.3 短语抽取方法
• 4.4 模板抽取的难点
• 4.4.1 关于分析深度
• 4.4.2 关于框架结构
• 4.5 模板抽取算法
• 4.5.1 基于双语分析算法描述
• 4.5.2 基于单语分析算法描述
• 4.5.3 应用
• 4.6 模板翻译概率
• 4.7 句子级模板的抽取
• 4.8 相关实验
• 4.8.1 语料库及其预处理
• 4.8.2 部分实验结果
• 4.8.3 例子
• 4.9 结果分析
• 第五章 翻译模板的存储与匹配
• 5.1 模板库的存储组织
• 5.1.1 句子级模板的存储和索引
• 5.1.2 短语级模板的存储
• 5.2 模板的匹配
• 5.2.1 句子级模板的匹配
• 5.2.2 短语级模板的匹配
• 5.3 译文生成
• 第六章 基于模板的EBMT系统
• 6.1 EBMT系统的类型
• 6.2 EBMT系统的关键问题
• 6.3 系统流程
• 6.4 相关实验
• 6.5 小结
• 第七章 总结与展望
• 7.1 结论
• 7.2 今后的工作方向
• 参考文献
• 攻读硕士学位期间发表论文
• 致谢
• 附录1
• 附录2