文档级统计机器翻译的研究

摘要

机器翻译是自然语言理解中的一个研究热点,能有效地促进信息共享,具有广泛的研究和应用价值。统计机器翻译(Statistical Machine Translation,SMT)是目前主流的机器翻译技术,但孤立进行句子翻译的SMT系统在翻译的过程中仅能利用当前句子的信息,完全忽略了前后句子的关联和文本的全局信息。然而,文档级别的信息,比如风格、主题、类别等,对机器翻译而言是极为有用的,它们不仅能引导翻译系统在词形、词义上进行正确的消歧,还能保持译文与原文在语言风格和关键内容上的一致。
　　虽然早在1992年就有学者提出基于篇章的机器翻译概念,但机器翻译发展至今,绝大多数还停留在孤立的句子层面,这里面有一些客观的原因,比如语料的限制。但总体来看,进展的缓慢恰恰表示这项研究具有挑战性。本文对文档级统计机器翻译展开研究,主要内容包括:
　　1.文档级统计机器翻译系统架构的研究。通过借鉴人类翻译者的活动过程,本文首先提出了基于多策略缓存的文档级SMT系统框架,该框架包括三类缓存,分别用以刻画文档的背景知识、主题和词汇衔接性。上述缓存中的各类信息被巧妙地设计成为SMT对数线性模型中的系统特征,能够指导传统的SMT系统灵活、有效地使用文档级知识。第二种架构是基于 N-best列表的后处理方式,重在解决译文与原文的主题内容的一致性,其主要原理是借鉴文本摘要的生成方法,联合主题模型在N-best列表中选择一组更符合原文内容的翻译假设集合。实验表明,这两套系统架构都能够成功集成文档信息,第一种系统架构更具优势,其性能显著优于传统的句子级 SMT系统。
　　2.文档级统计机器翻译中的时态研究。时态研究是文档级SMT研究中的一个有效知识扩充,它建立在基于缓存的系统框架之上,能在翻译系统中融入更多的上下文知识。本文利用时态在文档内的延续性,提出了N-gram时态模型,该模型能反映句子内部和句子之间两个层次的时态变化规律。在此基础上,本文又提出了更具泛化能力的基于分类的时态模型。实验表明,两种时态模型各有优势,联合了时态模型的SMT系统能够显著改善翻译质量,最好的系统性能在BLEU值上提高0.97个点。
　　3.文档级机器翻译自动评价方法的研究。本文主要从两个方面探索了文档级翻译的自动评价方法:第一,根据译文需要反映原文的关键内容出发,分别提出了中心句驱动的评价方法和基于主题模型的评价方法;第二,从文档级翻译需要保持词汇衔接性出发,提出了基于词汇链的评价方法。相关实验表明改进后的评价方法能不同程度地提高与文档级人工评分的相关系数。
　　上述三个方面构成了此项研究的一个有机整体,比较全面地涵盖了文档级SMT亟待处理的几个核心问题。目前国内外的相关研究尚处于起步阶段,本文的研究亦属于探索性工作,上述研究内容创新性明显,相信会对今后的相关研究提供重要的参考价值。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1研究背景和意义

1.2统计机器翻译概述

1.3文本表示

1.4机器翻译自动评价综述

1.5文档级机器翻译综述

1.6本文的研究内容

1.7本文的组织结构

第2章 文档级SMT系统架构的研究

2.1 引言

2.2系统架构分析

2.3 基于多策略缓存的文档级SMT的研究

2.4 基于N-best和主题模型的文档级SMT研究

2.5本章小结

第3章 文档级SMT的时态研究

3.1 引言

3.2 时态与SMT

3.3 时态的自动识别

3.4 N-gram时态模型与SMT

3.5基于时态分类模型的SMT研究

3.6本章小结

第4章 文档级机器翻译自动评价方法的研究

4.1引言

4.2 必要性分析

4.3设计原则和框架

4.4中心句驱动的评价方法

4.5 基于主题模型的评价方法

4.6 基于词汇链的评价方法

4.7本章小结

第5章 总结和展望

5.1研究工作总结

5.2未来工作设想

参考文献

作者在攻读博士学位期间完成的论文及科研工作

致谢