優(yōu)化地學(xué)詞匯標(biāo)注方案 奠定完善地質(zhì)語料庫基礎(chǔ)*

張翼翼 董淑欣 楊會蘭

(中國地質(zhì)大學(xué)，北京100083)

優(yōu)化地學(xué)詞匯標(biāo)注方案 奠定完善地質(zhì)語料庫基礎(chǔ)*

張翼翼 董淑欣 楊會蘭

(中國地質(zhì)大學(xué)，北京100083)

在地學(xué)文獻(xiàn)翻譯實(shí)踐過程中，筆者通過Google在線翻譯提供的譯文，結(jié)合地質(zhì)專業(yè)詞匯的特點(diǎn)，分析基于語料庫的機(jī)器翻譯系統(tǒng)存在的一些典型問題。同時(shí)，從優(yōu)化詞匯標(biāo)注方案角度對語料處理提出建議，借此提升地學(xué)文獻(xiàn)的機(jī)器翻譯質(zhì)量，為構(gòu)建地學(xué)領(lǐng)域的專用型語料庫奠定基礎(chǔ)。

語料庫；詞匯；標(biāo)注

1 引言

關(guān)于語料庫的定義，Atkins 和Clear認(rèn)為，語料庫是為專門目的、按照明確設(shè)計(jì)標(biāo)準(zhǔn)收集的文章集合(Granger 1998：7)。該定義包含3個(gè)方面：(1)建構(gòu)語料庫具有專門的目的；(2)語料庫具有明確的設(shè)計(jì)標(biāo)準(zhǔn)；(3)語料庫是由文章組成的集合(王建新 2005：16)。也就是說，語料庫由自然出現(xiàn)的語言樣本匯集而成，是為語言研究而收集并用電子形式保存的語言材料。

計(jì)算機(jī)技術(shù)迅速發(fā)展，使包含廣泛自然語料的語料庫得以建立。語料庫不僅對詞匯學(xué)、翻譯、語言教學(xué)等研究有巨大促進(jìn)作用，而且對機(jī)器翻譯軟件、信息提取軟件、拼寫檢查軟件的發(fā)展具有重大的推動作用，語料庫方法也因此成為自然語言處理的重要方法(王建新2005：4)。

近年來，計(jì)算機(jī)語料庫對自然語言處理的各個(gè)不同方面(如話語識別、人機(jī)對話、信息提取、網(wǎng)頁分類、機(jī)器翻譯、文字處理等)都顯得極為重要，而且極具潛力，這已經(jīng)得到國際計(jì)算語言學(xué)界的廣泛認(rèn)可(王建新 2005：3)。但是，基于語料庫的機(jī)器翻譯的效果仍然不夠理想，尤其是涉及到具有專業(yè)背景和行業(yè)特色的相關(guān)文獻(xiàn)時(shí)，這種不理想體現(xiàn)得更加明顯。

目前，地學(xué)領(lǐng)域的中英文語料庫還未完全建立，作為專用型語料庫，地質(zhì)語料庫是專門為地學(xué)領(lǐng)域的科研、教學(xué)、教材編寫以及語言比較研究而收集的文章集合，其取樣的文本應(yīng)該力求代表地學(xué)環(huán)境中的英語語言及其變體。語料庫中除了大量地學(xué)信息有助于提升機(jī)器翻譯質(zhì)量之外，相應(yīng)語料處理尤其是詞匯標(biāo)注(附碼)在很大程度上決定著翻譯質(zhì)量的高低。因此，本文以節(jié)選自Long-termpersistenceofoilfromtheExxonValdezspillintwo-layerbeaches(NatureGeoscience)的片段為例，說明如何通過優(yōu)化語料庫詞匯的標(biāo)注方案，提升地學(xué)文獻(xiàn)的機(jī)器翻譯質(zhì)量，為完善地學(xué)領(lǐng)域的專用型語料庫奠定基礎(chǔ)。

2 實(shí)證分析

原文：Oil spilled from the tanker Exxon Valdez in 1989 (refs 1, 2) persists in the subsurface of gravel beaches in Prince William Sound, Alaska. / The contamination includes considerable amounts of chemicals that are harmful to the local fauna 3. / However, remediation of the beaches was stopped in 1992, because it was assumed that the disappearance rate of oil was large enough to ensure a complete removal of oil within a few years. / Here we present field data and numerical simulations of a two-layered beach with a small freshwater recharge in the contaminated area, where a high-permeability upper layer is underlain by a low-permeability lower layer.

利用Google 提供的在線翻譯譯文：石油從油輪，埃克森公司在1989年瓦爾迪茲(文獻(xiàn)1，2)瀉堅(jiān)持在阿拉斯加州威廉王子灣，礫石的海灘地下。/ 污染向當(dāng)?shù)貏游锒际怯泻Φ幕瘜W(xué)物質(zhì)，包括相當(dāng)數(shù)量。/ 然而，泳灘的整治是在1992年停止，因?yàn)樗羌僭O(shè)石油的消失率足夠大，以確保在幾年之內(nèi)徹底清除的石油。這里我們提出一個(gè)兩層的海灘，在污染區(qū)，其中一個(gè)高滲透率的上層是由一個(gè)低滲透率較低層之下的小淡水補(bǔ)給領(lǐng)域的數(shù)據(jù)和數(shù)值模擬。

在討論之前，首先看機(jī)器翻譯的基本模式(巢文涵 2008：9)：

從圖中可以看出，處理語料庫中的詞匯在機(jī)器翻譯中扮演著重要角色。Google提供的在線翻譯將remediation，removal分別譯為“整治”、“清除”，這說明機(jī)器翻譯系統(tǒng)針對某些詞匯能根據(jù)整個(gè)語篇進(jìn)行意義層面的對齊，然而對另外一些詞匯的釋義卻不夠理想。例如，將persist譯為“堅(jiān)持”，是由于受到后面介詞in的影響。英文單詞persist既有 “堅(jiān)持做某事”的釋義，也有“持續(xù)/存留”的釋義。Google在線翻譯使用的翻譯系統(tǒng)對語料庫中persist進(jìn)行詞類自動標(biāo)注時(shí)，依據(jù)局部上下文線索(王建新 2005：180)區(qū)分persist的兩種含義，致使in及其后面單詞的詞性成為區(qū)分兩種不同意義的關(guān)鍵。其實(shí)，原文中的in是地點(diǎn)狀語的一部分，與后面的名詞關(guān)系密切，與前面的動詞關(guān)系松散，并不代表persist in doing sth中的in，因此persist應(yīng)該翻譯為“存留”而非“堅(jiān)持”。有鑒于此，標(biāo)注詞匯時(shí)是將詞組拆開還是另覓其他組合方式，有賴于句法規(guī)則和出現(xiàn)頻率。

受到固定搭配影響的例子還包括將assumed錯(cuò)誤地翻譯為“假設(shè)”，而沒有視其為常常出現(xiàn)在科技文章中的習(xí)慣性用法，正確地將it is assumed that翻譯成“人們認(rèn)為”。語料庫中的詞匯大部分是一個(gè)一個(gè)被標(biāo)注的，而特定語言環(huán)境要求靈活地將幾個(gè)單詞標(biāo)注為一個(gè)整體，這往往成為機(jī)器翻譯的死角。

再如，由于忽略地質(zhì)英語詞匯的特點(diǎn)，將field data直譯為“領(lǐng)域上的數(shù)據(jù)”。這說明現(xiàn)有語料庫對地學(xué)領(lǐng)域的語料收集不足，單詞釋義也缺乏融合專業(yè)背景的詳盡標(biāo)注。許多術(shù)語雖然由日常詞匯構(gòu)成，卻有別于常規(guī)用法，不可“望詞生義”，更不能將兩個(gè)單詞的詞義簡單疊加：field data 應(yīng)該譯為“野外數(shù)據(jù)”，field moisture 應(yīng)該譯為“土壤水分”，field capacity 應(yīng)該譯為“田間持水量”，oil field 應(yīng)該譯為“油田”。其他的例子還包括：ground water不是“地上的水”而是“地下水”，guide fossil不是“指導(dǎo)化石”而是“標(biāo)準(zhǔn)化石”，induced fracture 不是“引導(dǎo)裂縫”而是“次生裂縫”，oil recovery 不是“油恢復(fù)”而是“采油”，pressure buildup 不是“壓力增加”而是“壓力恢復(fù)”(何大順 2007)。

高璞等(2009)認(rèn)為，地質(zhì)英語詞匯的特點(diǎn)按照構(gòu)成方式的不同可以分為：(1)本專業(yè)特有的詞匯，如geology(地質(zhì)學(xué))、mineral (礦石) 和dinosaur(恐龍)；(2)與其他專業(yè)共有的詞匯，如reservoir(水力專業(yè))譯為“水庫”、plat form (交通專業(yè))譯為“站臺”；(3)與日常生活共用的詞匯，如fault (平時(shí)譯為“缺點(diǎn)”，地質(zhì)含義為“斷層”)、basin(平時(shí)譯為“盆或者臉盆”，地質(zhì)含義為“盆地或者流域”)、shear(平時(shí)譯為“剪切”，地質(zhì)含義為“受剪切破壞的面或者帶”)、graduate(平時(shí)譯為“畢業(yè)或者畢業(yè)生”，地質(zhì)含義為“刻度”)、envelope(平時(shí)譯為“封皮”，地質(zhì)含義為“圍巖”)、horizon(平時(shí)譯為“地平線”，地質(zhì)含義為“層位”)、joint(平時(shí)譯為“接頭”，地質(zhì)含義為“節(jié)理”)。顯然，上述因素會加大語料庫構(gòu)建過程中詞匯的標(biāo)注難度。

即便都是地學(xué)的相關(guān)文獻(xiàn)，由于細(xì)分的專業(yè)不同，同一單詞會呈現(xiàn)出不同含義，這使得詞匯的標(biāo)注過程更加復(fù)雜。例如，earth core 在普通地質(zhì)學(xué)中譯為“地核”，rare earth在能源地質(zhì)學(xué)中譯為“稀有金屬”，earth slide在工程地質(zhì)學(xué)中譯為“滑坡”(林徹 1983)。有時(shí)候，同一詞匯的含義在不同學(xué)科的地質(zhì)著作中大相徑庭。例如，當(dāng)trap與地層、構(gòu)造、沉積作用有關(guān)時(shí)，譯為“圈閉”；與石油有關(guān)時(shí)，譯為“油捕”；與火山巖有關(guān)時(shí)，則譯為“暗色巖”。又如，deposit與各種礦產(chǎn)、礦床類型的術(shù)語以及專有名詞Noranda，Quemont，Jerome 等連用時(shí)，通常譯為“礦床”，而與表示各種沉積巖類型的術(shù)語聯(lián)用時(shí)則譯為“沉積”。不僅如此，某些詞的單、復(fù)數(shù)形式也影響單詞的含義，例如，單數(shù)compass 譯為“羅盤”，復(fù)數(shù)compasses 則譯為“圓規(guī)”；單數(shù)earth譯為“地球”，復(fù)數(shù)earths譯為“土族金屬”；單數(shù)fold譯為“褶曲”，復(fù)數(shù)folds譯為“褶皺”；單數(shù)scale譯為“比例尺”，復(fù)數(shù)scales譯為“天平”(尹麗莉 2009)。遺憾的是，目前機(jī)器翻譯系統(tǒng)尚不能識別、區(qū)分這些詞匯及其形式所表意義上的細(xì)微差別。

3 研究結(jié)論

綜上所述，我們應(yīng)該加大帶有行業(yè)背景的專業(yè)語料的收集力度，為完善地學(xué)領(lǐng)域的專用型語料庫奠定堅(jiān)實(shí)的“物質(zhì)基礎(chǔ)”。而語料庫中的詞匯是否能夠被合理地標(biāo)注，則成為語料庫構(gòu)建的重中之重。筆者認(rèn)為，對于經(jīng)常用到的固定搭配，要根據(jù)科技文獻(xiàn)的寫作特點(diǎn)，用整體標(biāo)注替代分別標(biāo)注；若通過機(jī)器翻譯系統(tǒng)的自動標(biāo)注軟件難以實(shí)現(xiàn)詞間“整合”，則在必要時(shí)采取自動標(biāo)注后的人工核對或者人工標(biāo)注；對于容易產(chǎn)生歧義的詞匯，要基于規(guī)則和概率結(jié)合的方法，根據(jù)上下文和專業(yè)排除可能的歧義。

實(shí)際上，除了可以通過改進(jìn)詞匯的標(biāo)注方式來實(shí)現(xiàn)語料庫的維護(hù)和升級外，語料本身的質(zhì)量也決定著機(jī)器翻譯的質(zhì)量。這要求在收集語料時(shí)，既要保證收錄高質(zhì)量的源語言語料，又要保證收錄相應(yīng)的高質(zhì)量譯文，如此，才能為語料的后期處理提供更多方便。

巢文涵．基于雙語語料庫的機(jī)器翻譯關(guān)鍵技術(shù)研究[D]. 國防科學(xué)技術(shù)大學(xué)博士學(xué)位論文, 2008.

陳群秀．計(jì)算機(jī)輔助翻譯系統(tǒng)漫談[Z]．第十一屆全國民族語言文字信息研討會, 2007.

馮志偉．機(jī)器翻譯研究[M]．北京：中國對外翻譯出版公司, 2004.

馮志偉．基于語料庫的機(jī)器翻譯系統(tǒng)[J]．術(shù)語標(biāo)準(zhǔn)化與信息技術(shù), 2010(1).

高璞等．石油地質(zhì)英語詞匯教學(xué)方法探析[J]．中國地質(zhì)教育, 2009(4).

何大順 何 春. 論地學(xué)專業(yè)文獻(xiàn)的英漢翻譯[J]．成都理工大學(xué)學(xué)報(bào)(社會科學(xué)版), 2007(4).

林 徹．地質(zhì)翻譯參考[M]．北京：地質(zhì)出版社, 1983.

曲江秀 譚麗娟．地質(zhì)專業(yè)英語的特點(diǎn)和教學(xué)方法探討[J]．中國科教創(chuàng)新導(dǎo)刊, 2008(19).

王建新．計(jì)算機(jī)語料庫的建設(shè)與應(yīng)用[M]．北京：清華大學(xué)出版社, 2005.

肖維青．平行語料庫與應(yīng)用翻譯研究[J]．中國科技翻譯, 2007(3).

尹麗莉．地質(zhì)英語的詞匯特點(diǎn)探析[J]．吉林地質(zhì), 2009(3).

Granger, S.TheComputerLearnerCorpus:AVersatileNewSourceofDataforSLAResearch[M]. London/New York: Longman, 1998.

Mona, B.CorpusLinguisticsandTranslationStudies:ImplicationsandApplications[M]. Amsterdam: John Benjamins Publishing Company, 1993.

OnWord-processingBasedupontheAnnotatedCorpus

Zhang Yi-yi Dong Shu-xin Yang Hui-lan

(China University of Geosciences, Beijing 100083, China)

This study is done by the Work-shop of English for Geology, an academic group under the Department of Foreign Languages at China University of Geosciences (Beijing). According to a piece of Chinese episode translated into English by Google on the Internet, this paper focuses on how to make computer-aid-translation better in light of word-processing based upon the annotated corpus, by means of correcting the translations with problems and analyzing the features of writing in Geological field.

corpus; word; annotated

*本文系中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金資助項(xiàng)目“基于我國世界地質(zhì)公園的中英文公示語研究雙語平行對譯語料庫的構(gòu)建”(2-9-2012-04)的階段性成果。

H314

A

1000-0100(2013)04-0122-3

2013-03-31

【責(zé)任編輯王松鶴】