中国大学生英语翻译计算机评分的研究与设计

摘要

在机器翻译和作文自动评分领域已经有比较成熟的研究成果，但是在人工翻译评分领域的研究还不够深入。在同为主观题的作文评分中，采用多元线性回归方法建立文本特征和分数之间的方程。但是人工翻译评分选取的文本特征之间关系更为复杂，如果使用作文评分中的方法去构建模型，并不能取得最好的效果。而神经网络作为一种自适应学习模型，在处理复杂变量之间关系时会更有优势。在此背景下，本文尝试构建汉译英人工翻译评分模型，并在此基础上构建大学生翻译评分系统。
　　本文首先从语言基础、语义、连贯性、测试点四大方向提取学生译文语料中的翻译文本特征，并对其中一些提取算法进行设计与改进。一些重要的改进包括:(1)将潜语义分析的方法与翻译评分结合，并提出了一个基于相似译文集的潜语义相似度提取算法。(2)通过引入连接词权重，实现一种新的基于相似译文集的带权连接词相似值提取算法，解决了单纯连接词个数与人工评分负相关的不合理现象。其次，本文比较了神经网络和多元线性回归，并最终选择用BP神经网络构建人工翻译评分模型。针对BP算法收敛慢，不利于全局寻优的特点，进一步采用粒子群算法进行优化。最后，在特征提取和模型构建的基础上，进一步搭建大学生翻译评分系统，能有效的给学生译文打分，并能进行一定的反馈评价。
　　在特征提取方面，基于译文集的连接词算法使得该特征与人工评分正相关，引入连接词权重之后进一步将相关度提高了1％;潜语义相似度提取算法效果比较显著，单单考虑相似度区间为0.9-1的译文集，就将相关度提高了24％。在模型构建上，本文分别使用多元线性回归与PSO-BP神经网络两种方法进行了测试验证。结果表明，PSO-BP神经网络能提高6％的相关度，更适宜于翻译评分模型构建。

目录

声明

摘要

表格索引

插图索引

主要符号对照表

第一章 绪论

1．1 研究背景和意义

1．1．1 研究背景

1．1．2 研究意义

1．2 国内外研究现状

1．2．1 主观题评分的研究现状

1．2．2 神经网络的研究现状

1．3 论文研究内容

1．4 论文结构安排

第二章 相关理论与技术分析

2．1 技术路线分析

2．2 机器翻译评分的研究

2．2．1 基于测试点检测

2．2．2 BLEU算法

2．2．3 机器翻译评分与人工翻译评分的区别

2．3 PSO-BP神经网络研究

2．3．1 人工神经网络简介

2．3．2 BP神经网络

2．3．3 PSO算法

2．4 其他技术

2．4．1 python

2．4．2 matlab

2．5 本章小结

第三章 潜语义分析在翻译评分中的应用

3．1 潜语义分析简介

3．2 潜语义分析理论基础

3．2．1 潜语义分析基本思想

3．2．2 奇异值分解数学基础

3．3 潜语义分析特点

3．4 潜语义分析用于翻译评分的过程

3．4．1 构建译文-单词矩阵

3．4．2 矩阵元素权重化

3．4．3 矩阵奇异值分解

3．5 分段译文潜语义相似度特征值的提取

3．6 本章小结

第四章 翻译文本特征提取算法设计与实现

4．1 数据收集和评分标准制定

4．1．1 数据收集与处理

4．1．2 评分标准制定

4．1．3 文本特征分类

4．2 语言基础特征提取

4．3 语义特征提取

4．3．1 BLEU值提取算法

4．3．2 分段译文潜语义相似度提取算法

4．3．3 BLEU值和分段译文潜语义相似度的比较

4．4 测试点匹配率特征提取

4．5 连贯性特征提取

4．5．1 算法设计

4．5．2 算法效果

4．5．3 算法实现

4．6 各特征值对评分的影响

4．7 本章小结

第五章 使用PSO-BP网络构建翻译评分模型以及实验仿真

5．1 BP神经网络结构设计

5．1．1 数据预处理

5．1．2 各层节点设计

5．1．3 神经网络参数设置

5．2 使用PSO算法优化BP神经网络

5．2．1 惯性权重自适应调整

5．2．2 选择适应度函数

5．2．3 算法步骤

5．3 基于PSO-BP神经网络实验结果及分析

5．3．1 基于PSO-BP神经网络预测效果

5．3．2 PSO-BP神经网络与多元线性回归的对比

5．4 本章小结

第六章 大学生翻译评分系统的设计与实现

6．1 需求分析

6．2 系统设计

6．2．1 系统结构层次

6．2．2 模块设计

6．2．3 翻译评分系统的构建流程

6．3 翻译评分系统与翻译系统的关系

6．4 本章小结

第七章 总结与展望

7．1 本文的工作总结

7．2 后继工作展望

参考文献

致谢

在读期间发表的学术论文与取得的研究成果