声明
致谢
摘要
1.1 研究背景及意义
1.2 研究发展与现状
1.3 本文组织
2 统计机器翻译方法
2.1 统计机器翻译系统模型
2.1.1 噪声信道模型
2.1.2 对数线性模型
2.1.3 语言模型
2.1.4 解码算法
2.2 现有统计机器翻译模型简介
2.2.1 基于词的翻译模型
2.2.2 基于短语的翻译模型
2.2.3 基于层次短语的翻译模型
2.2.4 基于句法树的翻译模型
2.4 机器翻译评价方法
2.4.1 人工评测方法
2.4.2 BLEU评测方法
2.4.3 NIST评测指标
2.5 本章小结
3 日语被动态与可能态分类模型
3.1 日语被动态与可能态
3.1.1 日语谓词的语态变化
3.1.2 被动态与可能态的标注
3.2 日语依存句法树
3.2.1 依存树简介
3.2.2 依存树解析
3.2.3 语态特征抽取
3.3 语态分类模型
3.3.1 最大熵模型
3.3.2 基于最大熵的语态分类模型
3.3.3 支持向量机模型
3.3.4 基于SVM的语态分类模型
3.4 本章小结
4 融合语态特征的翻译模型
4.1 翻译系统结构
4.2 最大熵规则分类
4.2.1 规则歧义
4.2.2 最大熵规则分类模型
4.3 规则特征抽取
4.3.1 日汉层次短语规则抽取
4.3.2 日英层次短语规则抽取
4.3.3 规则特征抽取算法
4.4 特征融合与解码
4.4.1 特征融合
4.4.2 解码流程
4.5 本章小结
5 融合语态特征翻译实验
5.1 语态分类实验及结果分析
5.2 日汉翻译实验及结果分析
5.2.1 实验系统设置
5.2.2 实验结果及分析
5.3 日英翻译实验及结果分析
5.3.1 实验系统设置
5.3.2 实验结果及分析
5.4 本章小结
6.1 总结
6.2 展望
参考文献
作者简历及攻读硕士/博士学位期间取得的研究成果
学位论文数据集