依存樹(shù)到串模型中引入雙語(yǔ)短語(yǔ)的三種方法

謝軍，劉群

（中國(guó)科學(xué)院計(jì)算技術(shù)研究所，北京100190）

1 引言

依存樹(shù)旨在描述句子中各個(gè)成分之間的語(yǔ)法關(guān)系，兼有句法和語(yǔ)義知識(shí)，也被視為語(yǔ)言學(xué)從句法表示向語(yǔ)義表示邁進(jìn)的一種過(guò)渡形式。與成分樹(shù)相比，依存樹(shù)具有以下特點(diǎn)：1）完全由詞匯化元素構(gòu)成，更加簡(jiǎn)潔；2）同時(shí)包含了句法和語(yǔ)義知識(shí)；3）具有更好的跨語(yǔ)言短語(yǔ)聚合（phrasal cohesion）性質(zhì)［1］。因此，依存樹(shù)是一種非常適合構(gòu)建統(tǒng)計(jì)機(jī)器翻譯模型的知識(shí)源。

不過(guò)，依存樹(shù)缺乏類(lèi)似于短語(yǔ)結(jié)構(gòu)文法的生成式文法體系，構(gòu)建基于依存樹(shù)的翻譯模型時(shí)，需要首先定義合適的樹(shù)分解方式或形式化文法來(lái)描述依存樹(shù)的生成過(guò)程，這也使得這方面的研究工作相對(duì)更加困難。

在基于源語(yǔ)言依存樹(shù)的模型研究方面，研究人員從不同的角度進(jìn)行嘗試，提出了多種不同的樹(shù)分解方式。Lin［2］以路徑為基本結(jié)構(gòu)單元、合并為基本操作，提出了基于路徑轉(zhuǎn)換的模型。Quirk［3］等人擴(kuò)展了Lin的工作，將基本結(jié)構(gòu)單元由路徑擴(kuò)展為樹(shù)杈（Treelet），提出了依存樹(shù)杈模型；其中，樹(shù)杈指依存樹(shù)中的任意連通子樹(shù)，可以捕捉更大范圍的語(yǔ)言學(xué)知識(shí)。熊德意等人［4］提出的依存樹(shù)杈－串（DTSC）對(duì)應(yīng)模型，也以樹(shù)杈作為基本單元，不過(guò)使用了與依存樹(shù)杈模型不同的泛化處理方式，并定義了替換和粘接兩種操作。Xie等人［5］以中心詞及其所有依存節(jié)點(diǎn)組成的樹(shù)片段（簡(jiǎn)稱(chēng)HDR片段）為基本結(jié)構(gòu)單元，以替換為基本操作，提出了一種依存樹(shù)到串模型。相對(duì)于上述模型，該模型更加簡(jiǎn)潔，不再需要啟發(fā)式或調(diào)序模型輔助翻譯過(guò)程。該模型在大規(guī)模實(shí)驗(yàn)上表現(xiàn)出比當(dāng)前主流的成分樹(shù)到串模型［6］和層次短語(yǔ)模型［7］更好的性能和長(zhǎng)距離調(diào)序能力，是第一個(gè)性能超過(guò)主流模型水平的基于源語(yǔ)言依存樹(shù)的翻譯模型。

依存樹(shù)到串模型使用的基于HDR片段的翻譯規(guī)則擅長(zhǎng)捕捉源語(yǔ)言中的句子模式和短語(yǔ)模式（即句子或短語(yǔ)的組成方式），不過(guò)由于依存樹(shù)完全由詞匯化元素構(gòu)成、且結(jié)構(gòu)相對(duì)扁平的特點(diǎn)，這種翻譯規(guī)則表示在捕捉語(yǔ)言中的非組合現(xiàn)象（如習(xí)慣用語(yǔ)或固定搭配）方面存在明顯不足（詳見(jiàn)第3節(jié)的說(shuō)明）。而這類(lèi)非組合現(xiàn)象可以很容易被短語(yǔ)捕捉。為了緩解這一問(wèn)題，本文提出了三種引入短語(yǔ)的方法，除了傳統(tǒng)的引入句法短語(yǔ)的方法外，還探索了以下兩種新的方法：對(duì)句法短語(yǔ)進(jìn)行適度泛化以擴(kuò)大具有特定上下文的句法短語(yǔ)的適用性；通過(guò)構(gòu)造新的翻譯規(guī)則以使翻譯規(guī)則更好地兼容非句法短語(yǔ)。實(shí)驗(yàn)結(jié)果表明，同時(shí)引入句法短語(yǔ)、泛化的句法短語(yǔ)和非句法短語(yǔ)時(shí)，可以使依存樹(shù)到串模型的性能提升約1.0BLEU。

本文以下內(nèi)容中，首先簡(jiǎn)要介紹依存語(yǔ)言模型，然后說(shuō)明基于HDR片段的翻譯規(guī)則的缺點(diǎn)，隨后詳細(xì)說(shuō)明引入句法短語(yǔ)、泛化的句法短語(yǔ)和非句法短語(yǔ)的方法，并給出相應(yīng)的實(shí)驗(yàn)結(jié)果。

2 依存樹(shù)到串模型

Xie等人［5］提出依存樹(shù)到串模型，以HDR片段作為依存樹(shù)的基本結(jié)構(gòu)單元、替換為基本操作來(lái)描述依存樹(shù)的生成過(guò)程，將翻譯規(guī)則表示為：源語(yǔ)言端為適度泛化的HDR片段、目標(biāo)端為目標(biāo)語(yǔ)言詞和變量組成的串。

HDR片段是由中心詞及其所有依存節(jié)點(diǎn)組成的樹(shù)片段，高度為1。每個(gè)HDR片段與源語(yǔ)言中的一個(gè)句子模式或短語(yǔ)模式相對(duì)應(yīng)。因此，該模型使用的基于HDR片段的翻譯規(guī)則可以較好地描述源語(yǔ)言中的句子模式或短語(yǔ)模式的翻譯方式。這種類(lèi)型的翻譯規(guī)則被稱(chēng)為HDR翻譯規(guī)則。

為了保證翻譯的順利進(jìn)行，該模型還使用了另一類(lèi)中心詞翻譯規(guī)則，用于完成單個(gè)節(jié)點(diǎn)的翻譯。

圖1示例了三個(gè)HDR翻譯規(guī)則（a）、（b）、（c）和一個(gè)中心詞翻譯規(guī)則（d）。圖中，“＊”指示的節(jié)點(diǎn)為替換節(jié)點(diǎn)。需要說(shuō)明的是，三個(gè)HDR翻譯規(guī)則描述的是同一個(gè)句子模式（名詞短語(yǔ)＋介詞短語(yǔ)＋副詞＋動(dòng)詞”組成的句子模式）的翻譯方式。不同之處是，三條規(guī)則所描述的上下文環(huán)境。規(guī)則（a）清楚地指定了適用的上下文，規(guī)則（b）部分指定了適用的上下文，規(guī)則（c）則未對(duì)上下文做任何約束。

圖1 HDR翻譯規(guī)則和中心詞翻譯規(guī)則示例

該模型的解碼算法基于自底向上的chart－parsing算法。解碼器后序遍歷輸入的依存樹(shù)，對(duì)于訪問(wèn)到的每個(gè)節(jié)點(diǎn)，使用HDR翻譯規(guī)則和中心詞翻譯規(guī)則，利用Cube Pruning算法［6］為該節(jié)點(diǎn)生成n－best翻譯假設(shè)。重復(fù)此過(guò)程直至處理完依存樹(shù)的根節(jié)點(diǎn)，算法結(jié)束。

3 HDR翻譯規(guī)則的缺點(diǎn)

HDR翻譯規(guī)則可以較好地捕捉源語(yǔ)言的句子和短語(yǔ)模式這類(lèi)組合現(xiàn)象，但在處理習(xí)慣用語(yǔ)或固定搭配這類(lèi)非組合現(xiàn)象時(shí)存在明顯不足。例如，在圖2給出的兩個(gè)示例中，HDR翻譯規(guī)則為陰影指示的習(xí)慣用語(yǔ)或固定搭配難以給出準(zhǔn)確的翻譯。圖2（a）中“發(fā)射 升空”為一個(gè)常見(jiàn)的固定搭配，通常翻譯為“l(fā)auch／lauched／lift up”；圖2（b）中“中華人民共和國(guó)”為一個(gè)命名實(shí)體，有固定的翻譯方式“the People's Republic of China”。

由于依存結(jié)構(gòu)的特點(diǎn)，習(xí)慣用語(yǔ)和固定搭配通常作為HDR片段的一部分出現(xiàn)，如圖2（a）中的“發(fā)射升空”和圖2（b）中“中華人民共和國(guó)”。對(duì)于這類(lèi)非組合現(xiàn)象，使用HDR翻譯規(guī)則進(jìn)行翻譯時(shí)，將會(huì)非常低效（如圖2（b）），甚至完全無(wú)法得到理想的譯文（如圖2（a））。

圖2 HDR翻譯規(guī)則難以捕捉的短語(yǔ)示例

4 引入短語(yǔ)的三種方法

對(duì)于習(xí)慣用語(yǔ)或固定搭配這類(lèi)非組合現(xiàn)象，可以很容易地使用短語(yǔ)來(lái)捕捉。因此，可以通過(guò)引入短語(yǔ)來(lái)彌補(bǔ)HDR翻譯規(guī)則在處理非組合現(xiàn)象方面的不足，從而進(jìn)一步提高依存樹(shù)到串模型的性能。本文嘗試了三種引入短語(yǔ)的方法，除了借鑒成分樹(shù)到串模型，為依存樹(shù)到串模型引入句法短語(yǔ)外，還探索了引入泛化的句法短語(yǔ)和引入非句法短語(yǔ)的方法。

4.1 引入句法短語(yǔ)

句法短語(yǔ)是指依存樹(shù)中由一棵完整的子樹(shù)所覆蓋的短語(yǔ)。例如，圖2（b）所示的依存樹(shù)片段中，包含兩個(gè)句法短語(yǔ)，分別為：“偉大 的”和“偉大 的 中華人民共和國(guó)”。

4.1.1 雙語(yǔ)句法短語(yǔ)的獲取

雙語(yǔ)句法短語(yǔ)的獲取相對(duì)比較簡(jiǎn)單。類(lèi)似于成分樹(shù)到串模型，本文直接利用基于短語(yǔ)的模型［6］的規(guī)則抽取模塊來(lái)獲取雙語(yǔ)短語(yǔ)。

4.1.2 雙語(yǔ)句法短語(yǔ)的使用

在引入雙語(yǔ)句法短語(yǔ)方面，依存樹(shù)到串模型借鑒了成分樹(shù)到串模型［6］的方法。

具體來(lái)說(shuō)，解碼過(guò)程中，對(duì)于訪問(wèn)到的每個(gè)內(nèi)部節(jié)點(diǎn)n，翻譯假設(shè)的生成將包含兩個(gè)步驟：

1）查找短語(yǔ)表，獲取與以n為根的子樹(shù)覆蓋的句法短語(yǔ)匹配的雙語(yǔ)短語(yǔ)，使用匹配到的雙語(yǔ)短語(yǔ)，為節(jié)點(diǎn)n生成翻譯假設(shè)；

2）根據(jù)以n為中心詞的HDR片段，生成HDR片段所包含句子模式或短語(yǔ)模式的實(shí)例，查找規(guī)則表，獲取匹配的HDR翻譯規(guī)則及必須的中心詞翻譯規(guī)則，利用Cube Pruing算法為節(jié)點(diǎn)n生成新的翻譯假設(shè)。

4.2 引入泛化句法短語(yǔ)

泛化句法短語(yǔ)是通過(guò)對(duì)句法短語(yǔ)的某些部分進(jìn)行泛化得到的，用以擴(kuò)大具有特定上下文的句法短語(yǔ)的適用性。本質(zhì)上，泛化的句法短語(yǔ)與HDR翻譯規(guī)則類(lèi)似，不過(guò)泛化的句法短語(yǔ)的對(duì)應(yīng)的樹(shù)片段高度≥1。

4.2.1 泛化句法短語(yǔ)的獲取

由于句法短語(yǔ)涉及樹(shù)高≥1，泛化不像HDR翻譯規(guī)則那樣直接。作為初步嘗試，本文使用了簡(jiǎn)單的啟發(fā)式，僅對(duì)包含時(shí)間詞和數(shù)詞的句法短語(yǔ)做了泛化處理。之所以選擇包含時(shí)間詞或數(shù)詞的句法短語(yǔ)作為處理對(duì)象，是因?yàn)闀r(shí)間詞和數(shù)詞是未登錄詞的主要組成部分。

句法短語(yǔ)的泛化處理中，將滿(mǎn)足下述條件的節(jié)點(diǎn)替換為變量：

·節(jié)點(diǎn)的中心詞跨度（head span）［4］是對(duì)齊一致的；

·節(jié)點(diǎn)的詞性標(biāo)記屬于集合｛CD，OD，NT｝，即該節(jié)點(diǎn)為基數(shù)詞、序數(shù)詞或時(shí)間詞。

為了獲取泛化的句法短語(yǔ)，對(duì)于依存樹(shù)中的每個(gè)節(jié)點(diǎn)，除了標(biāo)記中心詞跨度和依存跨度（dependency span）［4］外，我們還標(biāo)記一個(gè)新的屬性——短語(yǔ)跨度（phrase span）［2］，以說(shuō)明以該節(jié)點(diǎn)為根的子樹(shù)覆蓋的句法短語(yǔ)的對(duì)齊情況。

圖3給出了一個(gè)標(biāo)記有中心詞跨度、依存跨度和短語(yǔ)跨度的依存樹(shù)片段示例。為了清晰起見(jiàn)，圖中只顯示了與泛化句法短語(yǔ)相關(guān)的樹(shù)片段，只在相關(guān)節(jié)點(diǎn)標(biāo)記了三個(gè)跨度；不再給出陰影覆蓋的部分詳細(xì)對(duì)齊信息。其中，節(jié)點(diǎn)“占”和“25.5%”上標(biāo)記的三個(gè)集合依次為中心詞跨度、依存跨度和短語(yǔ)跨度。

圖3（b）給出了一個(gè)泛化句法短語(yǔ)的翻譯規(guī)則示例。

圖3 樹(shù)標(biāo)記及泛化句法短語(yǔ)示例

完成依存樹(shù)標(biāo)記后，獲取泛化的句法短語(yǔ)只需要對(duì)依存樹(shù)到串模型的翻譯規(guī)則抽取算法做簡(jiǎn)單修改。具體來(lái)說(shuō)，對(duì)于訪問(wèn)到每個(gè)內(nèi)部節(jié)點(diǎn)，除了按照原有的規(guī)則抽取過(guò)程生成HDR翻譯規(guī)則和中心詞翻譯規(guī)則外，短語(yǔ)跨度對(duì)齊一致時(shí)，且存在滿(mǎn)足上述約束的節(jié)點(diǎn)，則可以生成泛化的句法短語(yǔ)。需要說(shuō)明的是，短語(yǔ)跨度的對(duì)齊一致性與基于短語(yǔ)模型的雙語(yǔ)短語(yǔ)對(duì)齊一致性是等價(jià)的，可以直接利用雙語(yǔ)短語(yǔ)的對(duì)齊一致性來(lái)判斷短語(yǔ)跨度的對(duì)齊一致性。

4.2.2 泛化句法短語(yǔ)的使用

解碼過(guò)程中，泛化句法短語(yǔ)的使用與HDR翻譯規(guī)則的使用類(lèi)似。

具體來(lái)說(shuō)，在后序遍歷源語(yǔ)言依存樹(shù)的過(guò)程中，對(duì)于訪問(wèn)到的每個(gè)內(nèi)部節(jié)點(diǎn)n，使用兩個(gè)步驟為n生成n－best翻譯假設(shè)：

1.根據(jù)以n為根的子樹(shù)，生成泛化句法短語(yǔ)的源語(yǔ)言端，查找翻譯規(guī)則表獲取匹配的泛化句法短語(yǔ)，利用Cube Pruning算法，為n生成翻譯假設(shè)；

2.根據(jù)以n為中心詞的HDR片段，生成HDR片段所包含的句子模式或短語(yǔ)模式實(shí)例，查找規(guī)則表，獲取匹配的HDR翻譯規(guī)則及必須的中心詞翻譯規(guī)則，利用Cube Pruning算法為節(jié)點(diǎn)n生成新的翻譯假設(shè)。

4.3 非句法短語(yǔ)

非句法短語(yǔ)是指不能夠被依存樹(shù)中的一棵完整的子樹(shù)所覆蓋的短語(yǔ)。也就是說(shuō)，非句法短語(yǔ)涉及的節(jié)點(diǎn)或者是子樹(shù)的一部分，或者跨越多棵子樹(shù)。引入非句法短語(yǔ)的目的是為了進(jìn)一步改善依存樹(shù)到串模型的短語(yǔ)覆蓋度。

4.3.1 非句法短語(yǔ)的獲取

由于基于短語(yǔ)的模型的短語(yǔ)規(guī)則獲取中，不涉及句法樹(shù)的約束，因此可以利用基于短語(yǔ)的模型的短語(yǔ)規(guī)則抽取算法來(lái)獲取非句法短語(yǔ)。

4.3.2 非句法短語(yǔ)的使用

非句法短語(yǔ)的使用是通過(guò)構(gòu)建新的HDR翻譯規(guī)則來(lái)實(shí)現(xiàn)的。

具體來(lái)說(shuō)，在后序遍歷源語(yǔ)言依存樹(shù)的過(guò)程中，對(duì)于訪問(wèn)到的每個(gè)內(nèi)部節(jié)點(diǎn)n，將按照以下兩個(gè)步驟來(lái)為n生成n－best翻譯假設(shè)：

1.根據(jù)以n為中心詞的HDR片段，生成HDR片段所包含的句子模式或短語(yǔ)模式實(shí)例，查找規(guī)則表，獲取匹配的HDR翻譯規(guī)則及必須的中心詞翻譯規(guī)則，利用Cube Pruning算法為節(jié)點(diǎn)n生成翻譯假設(shè)；

2.對(duì)于每個(gè)匹配的HDR翻譯規(guī)則，按照如下過(guò)程生成新的HDR翻譯規(guī)則：

1）查找翻譯規(guī)則中不發(fā)生調(diào)序的、且長(zhǎng)度＞1的片段（可能有多個(gè)）；

2）對(duì)于步驟1）得到的片段，生成片段覆蓋的源語(yǔ)言短語(yǔ)，查找規(guī)則表獲取匹配的雙語(yǔ)短語(yǔ)；

3）若存在匹配的雙語(yǔ)短語(yǔ)，則將該片段設(shè)置為對(duì)應(yīng)的源語(yǔ)言端和目標(biāo)語(yǔ)言端替換為一個(gè)新的變量；

4）按照步驟2）和3）依次處理所有片段，即生成一條新的HDR翻譯規(guī)則，該規(guī)則將使用原HDR翻譯規(guī)則的概率；

根據(jù)新生成的HDR翻譯規(guī)則和雙語(yǔ)短語(yǔ)，利用Cube Pruning算法為節(jié)點(diǎn)n生成新的翻譯假設(shè)。

圖4 生成新的HDR翻譯規(guī)則示例

圖4示例說(shuō)明了根據(jù)雙語(yǔ)短語(yǔ)和HDR翻譯規(guī)則生成新的HDR翻譯規(guī)則的過(guò)程。假設(shè)目前訪問(wèn)的節(jié)點(diǎn)為陰影指示的節(jié)點(diǎn)“升空”。

根據(jù)以“升空”為中心詞的HDR片段，生成對(duì)應(yīng)句子模式的所有實(shí)例，如（b）所示；查找翻譯規(guī)則表獲得匹配的HDR翻譯規(guī)則，假設(shè)只有一條匹配的HDR翻譯規(guī)則（c）；確定HDR翻譯規(guī)則（c）不發(fā)生調(diào)序的片段“VV3VV4”；根據(jù)“VV3VV4”所覆蓋的源語(yǔ)言短語(yǔ)“發(fā)射 升空”查找短語(yǔ)表，得到匹配的翻譯規(guī)則；將“VV3VV4”及其在目標(biāo)語(yǔ)言端的對(duì)應(yīng)部分分別替換為新的變量“VV3＿VV4”和“X34”，從而得到新的HDR翻譯規(guī)則。

5 實(shí)驗(yàn)部分

為了驗(yàn)證這三種引入短語(yǔ)的方法在改善依存樹(shù)到串模型性能方面的作用，我們以不引入任何短語(yǔ)的依存樹(shù)到串模型作為基準(zhǔn)系統(tǒng)進(jìn)行了漢—英翻譯實(shí)驗(yàn)。

5.1 實(shí)驗(yàn)數(shù)據(jù)及工具說(shuō)明

實(shí)驗(yàn)使用的開(kāi)發(fā)集為NIST 2002，測(cè)試集為NIST 2005；訓(xùn)練語(yǔ)料來(lái)自LDC語(yǔ)料，雙語(yǔ)平行語(yǔ)料包括27萬(wàn)句對(duì)①包括LDC2002E18，LDC2003E07，LDC2003E14，LDC2004T07，LDC2005T06.，英語(yǔ)單語(yǔ)語(yǔ)料為L(zhǎng)DC單語(yǔ)語(yǔ)料Gigaword Xinhua部分。

上述語(yǔ)料的漢語(yǔ)部分使用Stanford Word Segmenter［8］②http：／／nlp.stanford.edu／software／segmenter.shtml進(jìn)行分詞處理。

使用GIZA＋＋［9］對(duì)雙語(yǔ)平行句對(duì)進(jìn)行雙向?qū)R，并借助“grow－diag－and”啟發(fā)式來(lái)優(yōu)化對(duì)齊結(jié)果。

使用Stanford Parser［10］對(duì)雙語(yǔ)平行句對(duì)的中文句子進(jìn)行句法分析得到投射性（projective）的依存句法樹(shù)。其中，依存樹(shù)的每個(gè)節(jié)點(diǎn)都標(biāo)記有詞性標(biāo)記。

使用SRI語(yǔ)言模型工具包［11］在英語(yǔ)單語(yǔ)語(yǔ)料上訓(xùn)練得到三元的語(yǔ)言模型。

使用MERT［12］進(jìn)行調(diào)參以最大化依存樹(shù)到串模型在開(kāi)發(fā)集上的BLEU值。

使用大小寫(xiě)不敏感的BLEU－4指標(biāo)［13］對(duì)于翻譯結(jié)果進(jìn)行評(píng)價(jià)，實(shí)驗(yàn)使用腳本為mteval－v11b.pl①ftp：／／jaguar.ncsl.nist.gov／mt／resources／mteval－v11b.pl。

5.2 實(shí)驗(yàn)結(jié)果

表1給出了實(shí)驗(yàn)結(jié)果。其中，“dep2str”為不引入任何短語(yǔ)的基準(zhǔn)系統(tǒng)，“dep2str＋bp”為引入雙語(yǔ)句法短語(yǔ)的系統(tǒng)，“dep2str＋bp＋gbp”為引入雙語(yǔ)句法短語(yǔ)及泛化句法短語(yǔ)的系統(tǒng)，“dep2str＋bp＋gbp＋nsbp”為引入雙語(yǔ)句法短語(yǔ)、泛化句法短語(yǔ)和非句法短語(yǔ)的系統(tǒng)。

從表中可以看到，依次引入句法短語(yǔ)、泛化句法短語(yǔ)和非句法短語(yǔ)，依存樹(shù)到串模型的性能也逐漸升高。其中，雙語(yǔ)句法短語(yǔ)的引入使系統(tǒng)的性能提升了0.52BLEU，泛化的句法短語(yǔ)的引入使系統(tǒng)性能進(jìn)一步提高0.14BLEU，非句法短語(yǔ)的引入使系統(tǒng)的性能再度提升0.31BLEU。最終，同時(shí)引入句法短語(yǔ)、泛化的句法短語(yǔ)和非句法短語(yǔ)使得依存樹(shù)到串模型的性能比基準(zhǔn)系統(tǒng)提升了0.97BLEU值。

表1 依次引入句法短語(yǔ)、泛化句法短語(yǔ)和非句法短語(yǔ)后的性能比較

6 結(jié)語(yǔ)

Xie等人［4］提出的依存樹(shù)到串模型使用基于HDR片段的翻譯規(guī)則，這種翻譯規(guī)則可以較好地捕捉源語(yǔ)言的句子模式和短語(yǔ)模式等組合現(xiàn)象，但在處理如習(xí)慣用語(yǔ)或固定搭配等非組合現(xiàn)象方面存在不足。為了緩解這一問(wèn)題，改善依存樹(shù)到串模型的性能，本文針對(duì)HDR翻譯規(guī)則的特點(diǎn)，提出了三種不同的引入短語(yǔ)的方法，分別為：引入句法短語(yǔ)的方法、引入泛化的句法短語(yǔ)方法和引入非句法短語(yǔ)的方法。實(shí)驗(yàn)結(jié)果表明，同時(shí)引入句法短語(yǔ)、泛化句法短語(yǔ)和非句法短語(yǔ)可以將依存樹(shù)到串模型的性能顯著提高約1.0BLEU。

本文工作是對(duì)依存樹(shù)到串模型引入短語(yǔ)方法的初步探索，還有很多工作需要進(jìn)一步改進(jìn)和優(yōu)化。比如，泛化的句法短語(yǔ)的處理仍比較簡(jiǎn)單，目前僅能處理時(shí)間詞和數(shù)詞等，覆蓋度比較有限。今后的工作中我們將探索更加有效的方法，以提高泛化句法短語(yǔ)的適用性。引入非句法短語(yǔ)方面，本文的方法可以較好地處理HDR翻譯規(guī)則中的不發(fā)生調(diào)序的片段，可以有效處理圖2（a）中“發(fā)射升空”這類(lèi)非句法短語(yǔ)。不過(guò)對(duì)于圖2（b）中“中華人民共護(hù)國(guó)”這類(lèi)非句法短語(yǔ)的翻譯需要調(diào)序的情形仍無(wú)法有效處理，這將是我們今后研究工作的重要內(nèi)容。

［1］ Heidi J.Phrasal cohesion and statistical machine translation［C］／／Proceedings of EMNLP 2002：304－311.

［2］ Dekang Lin.A path－based transfer model for machine translation［C］／／Proceedings of COLING 2004：625－630.

［3］ Chris Quirk，Arul Menezes，Colin Cherry.Dependency treelet translation：Syntactically informed phrasal smt［C］／／Proceedings of ACL 2005：271－279.

［4］ Deyi Xiong，Qun Liu，Shouxun Lin.A dependency treelet string correspondence model for statistical machine translation［C］／／Proceedings of the second workshop on Statistical Machine Translation.Assocication for Computational Linguistics，2007：40－47.

［5］ Jun Xie，Haitao Mi，Qun Liu.A novel dependency－tostring model for statistical machine translation［C］／／Proceedings of EMNLP 2011：216－226.

［6］ Yang Liu，Qun Liu，Shouxun Lin.Tree－to－string alignment template for statistical machine translation［C］／／Proceedings of ACL 2006：609－616.

［7］ David Chiang.Hierarchical phrase－based translation［J］.Computational Linguistics，2007，33（2）：201－228.

［8］ Huihsin Tseng，Pichuan Chang，Galen Andrew，et al.A Conditional Random Field Word Segmenter［C］／／Proceedings of Fourth SIGHAN Workshop on Chinese Language Processing.

［9］ Franz Josef Och，Hermann Ney.A systematic comparison of various statistical alignment models［J］.Computational Linguistics，2003，29（1）：19－51.

［10］ Dan Klein，Christopher D.Manning.Fast exact inference with a factored model for natural language parsing［C］／／Proceedings of Advances in Neural Information Processing Systems 15NIPS，2003：3－10.

［11］ Andreas Stolcke.Srilm—an extensible language modeling toolkit［C］／／Proceedings of ICSLP，2002，30：901－904.

［12］ Franz Josef Och.Minimum error rate training instatistical machine translation［C］／／Proceedings of ACL 2003：160－167.

［13］ Kishore Papineni，SalimRoukos，Todd Ward，Wei Jing Zhu.Bleu：a method for automatic evaluation of machine translation［C］／／Proceedings of ACL 2002：311－318.