機器翻譯質量評估與譯后編輯策略研究以中日專利文本為中心

中圖分類號：H085;H315.9；TP391.2 DOI:10.12339/j. issn.1673-8578.2025.03.012

Machine Translation Quality Assessment and Post-Editing Strategies :A Case Study of Chinese-Japanese Patent Texts//TAN Hongxin

Abstract:WiththeincreasingfrequencyofscientificexchangesbetweenChinaandJapan，thedemandforpatentdocumentsandheir translatiohasgoapidlynteontextoftewidespradaplcationofachetranslationtisarticularlyimporattloe themachine translationof patentexts.Thisstudyselected Gogle Translate，Wenxiyiyan（4.O）and ChatGPT（4.O）tofocusonanalyzingtheirtranslationofprofesionaltermsinthefieldofelectroniccommuications.Combining theBLEUautomaticevauationindexandmulti-personmanual.Wecomparedthetranslationefectsofthereemacines，summarizedthemistranslationfeaturesand proposed corresponding post-editing strategies.

Keywords: patent text; Terminology Translation; machine translation quality assessment; post-editing strategy

近年來，電子通信領域專利翻譯需求激增，人才供不應求。同時神經網絡機器翻譯(NMT)與生成式人工智能（GAI)的快速發(fā)展為翻譯界帶來新挑戰(zhàn)與機遇。目前市場主流翻譯系統(tǒng)包括Google翻譯、DeepL、百度翻譯等，而ChatGPT、文心一言等GAI也備受翻譯界關注。

專利文本兼具科技與法律文本特性，對表述標準化程度與術語準確性有較高要求。胡開寶、李翼指出，機器翻譯適用于特定領域的程式化或信息性文本[1]。而杜金華、張萌揭示未來翻譯市場中，“機器翻譯 + 譯后編輯”模式將成主流[2，提高機器譯文精度與翻譯效率成為關鍵課題。

本研究構建中日電子通信領域對照語料庫，選取主流翻譯引擎Google翻譯，以及生成式人工智能ChatGPT(4.0）文心一言(4.0)作為翻譯系統(tǒng)，運用Python計算BLEU值，結合基于《專利文獻機器翻譯質量評價手冊》的多人人工評估，重點分析專業(yè)術語的翻譯，以期提高專利機器翻譯的質量和效率。

1 研究設計

1.1 文本選擇

本研究創(chuàng)建初始對照語料庫，包含40件2020-

2024年間中國國家知識產權局電子通信領域專利文本的200句（180句非長句，20句長句，長句定義為70字以上3）中文原文、參考譯文及機器譯文。參考譯文源自日本特許局官方文件及人工翻譯校對，機器譯文均于2024年7月31日輸出。

1.2 機器選擇

本研究選取NMT與GAI的機器代表：Google翻譯、文心一言（4.0)和ChatGPT（4.0）（以下簡稱文心一言、ChatGPT）。Google 翻譯自2016年采用神經網絡技術后成為主流NMT系統(tǒng)，而文心一言和ChatGPT作為大規(guī)模語言模型的杰出典范，可實現多語種文本轉換。三者翻譯效果的異同及發(fā)展?jié)摿χ档锰骄俊?/p>

1.3 評估方法

戴光榮、劉思折將機器翻譯質量測評方法分為三類：自動化評價（如BLEU）、基于錯誤分類的人工評價及兩者結合的半自動評價[4]。本研究采用半自動評價方式以確?？陀^嚴謹。BLEU作為n-gram匹配度算法，通過量化機譯與參考譯文的詞匯重合度（得分 0～1 之間)來反映譯文準確度，但仍存在同義替換不敏感等局限，需結合人工評估。人工評估依據日本專利局《專利文獻機器翻譯質量評價手冊》，為質量評估提供權威指南。

1.4 研究步驟

① 構建中日專利平行語料庫； ② 對機器譯文進行自動化評估； ③ 基于手冊進行多人人工評估；

④ 對評估數據進行量化歸因分析； ⑤ 分析誤譯實例，提出譯后編輯策略。

2研究結果與分析

本章從自動評價和相對的評價維度，評估各機器譯文質量，揭示不同句長文本中的翻譯差異，指出電子通信專利文本機翻的核心挑戰(zhàn)在于專業(yè)術語的處理。

2.1 自動評價

本研究未對文心一言和ChatGPT進行特別指令指示。將輸出的譯文經過Python計算，得到各自的BLEU分數。

經統(tǒng)計，三個機器翻譯系統(tǒng)的BLEU得分多在0.65-0.85區(qū)間，表現良好。低于0.65分的案例中，Google翻譯較少（37例），高于0.85分時Google翻譯占比最高（ (19.5% ）。ChatGPT和文心一言分別有1例和3例滿分。另外，三者在非長文中表現均佳( >0. 7 分），但在長文中差異顯著：Google翻譯評分降幅達 8.13% ，ChatGPT微降0.96% ，文心一言提升 1.85% 。這表明GAI更善處理長距離文本關系，文心一言的長句翻譯優(yōu)勢或源于其本土化語料深度訓練。

2.2 相對評價

依據手冊，對機器譯文從內容傳達度、重要術語翻譯精度及流暢度三方面進行多人人工評價，結果以數值表示，滿分為5分（見表1、表2）。

以上表格顯示，三個機器在“內容傳達度”與流暢度”中的綜合評價相近，Google翻譯在長句表現上劣于GAI，與自動評價結果相符。

表2數據基于術語統(tǒng)計與分數轉換，其中“適譯值”反映適譯詞（技術上同義且普遍使用的譯語)占比，可譯詞指意思正確但非技術用語詞，誤譯詞為翻譯錯誤詞匯，不譯詞涵蓋漏譯與不明詞語

三個機器在術語翻譯上均有不足：Google翻譯非長句表現尚可，長句質量下滑；文心一言整體稍遜，非長句適譯值低且漏譯多；ChatGPT輸出穩(wěn)定，不譯情況最少。隨句長增加，三者適譯值均降，可譯值升；Google翻譯不譯值增加，而文心一言與ChatGPT不譯值降為0，這與機器文本分析能力密切相關。

3誤譯案例分析與譯后編輯策略

本章將機器譯文中頻發(fā)的誤譯現象具體歸類為專業(yè)復合詞、新生技術詞、行業(yè)縮略語及專利表達，并展開分析。

3.1 技術復合詞解構失當及策略

該誤譯源于機器翻譯對電子通信領域特定構詞規(guī)則缺乏認知，無法識別技術術語的語義凝固性。

如： ① 正交頻分復用（直交周波數分割多重（OFDM）），文心一言和ChatGPT均譯為「直交周波數分割多重化」，錯誤添加動詞化后綴“化”，改變名詞性技術術語的詞法屬性。 ② 跳頻擴頻技術（周波數木ビンクスクトラ△摭散技術），文心一言誤譯為「波東オーミンアンナアレイ」，將完整技術概念“波束成形”（beamforming）割裂為「波束+才一ミン」，違反了日語技術術語中「ビー才ーミン」作為相位調控專有名詞的不可分割性，導致丟失“智能信號波束定向傳輸”的核心語義。

針對專業(yè)復合詞的翻譯，領域譯員可預定義“技術主體 + 功能屬性”的強制對齊規(guī)則（如：跳頻擴頻 $$ 周波數木クスク卜ラ△擴散），阻斷機器拆分翻譯。同時還需同步強化語義分析能力，準確判定復合術語的內部邏輯關系。

3.2 新生技術詞匯直譯偏誤及策略

統(tǒng)計顯示，新興專業(yè)術語的機器翻譯直譯現象明顯，這一問題的根源在于術語庫更新滯后于技術發(fā)展，未建立新詞與知識體系的映射

如： ① 量子密鑰分發(fā)（量子鍵配送（QKD））在文心一言中譯為|量子鍵分堯」，源于該專業(yè)詞匯的日文對譯未被收錄，機器傾向于利用日語中現有詞匯自行構造新術語。 ② 區(qū)塊鏈共識機制（□クチ工ーンコンセンサスアルコ）ス△），ChatGPT譯為「口クチ一ンコンセンサス機構」?！肮沧R機制\"在區(qū)塊鏈領域特指密碼學協議（如 PoW/ PoS)，需譯為專業(yè)術語コンセンサスアルコリ山」。而機構」在日語中多指物理結構或組織體系，導致技術精確性喪失。

對于此類誤譯，譯員可通過3GPP/IEEE標準文檔逆向解析新詞生成路徑（如：非地面網絡 $$ Non-Terrestrial Network $$ 非地上礻卜ーク）。另外，可在AI系統(tǒng)或特定平臺中設置語義防火墻，禁止將跨學科詞匯直譯為基礎詞匯，強制調用領域專用詞庫。

3.3行業(yè)縮略語還原失效及策略

該類誤譯源于機器未能結合上下文判斷縮略語在目標語中的規(guī)范化表達慣例，頻發(fā)于Google翻譯。

如： ① “eMBB”的正確日譯應為3GPP標準定義的「強化型移動帶域」，Google翻譯譯為「電子MBB」，應是未接入標準術語庫，從而生成非標表述。 ② “D2D”在專利的權利要求書中需首次展開為「端末間直接通信（D2D)」，而在摘要中可保留縮寫，但機器缺乏語境判斷規(guī)則。 ③ “mMTC”常譯為「大規(guī)模機械型通信（mMTC）」，機器翻譯常遺漏類型限定詞“型”，導致模糊技術應用場景。

針對行業(yè)縮略語的翻譯，譯員可以建立「中文縮略語-英文全稱-日文規(guī)范譯法」動態(tài)數據庫（例： massive Machine-Type Communication$$ 大規(guī)模機械型通信）。另外，根據專業(yè)術語所在專利文本結構中的位置強制設定縮略語的標記，如標題/摘要：設定“全稱 + （縮寫）\"格式（例：サ一ビス品質（QoS)）;權利要求書：首次展開后鎖定縮寫（例：端末間直接通信（以下 D2D]∈(27) ）。

3.4專利特定術語和表達的誤譯及策略

專利文本采用高度程式化表述，用于精確描述發(fā)明內容、背景技術等，以確保規(guī)范性和準確性。諸如，題目常用“一種”或“方法”;摘要常用“本發(fā)明公開了一種…”;權利要求首條為“1.一種…，其特征在于，…”，后續(xù)條目則基于首條展開；背景部分常表述為“本發(fā)明涉及…，尤其涉及一種……”。譯員需檢查翻譯機器是否已調整句型，必要時手動更正。如下例：

原文：一種顯示裝置，包括如權利要求1-14任一所述的顯示面板

參考譯文：請求項 ずれか1項に記載 ① 表示兒含表示裝置

ChatGPT：表示裝置で、特許請求 範囤1辦 ずれかに記載された表示を含。

此外，中日專利文本格式差異致使權利要求編號無法完全對應，此類誤譯源于機器難以識別專利結構知識，需人工校正。因此，譯員應增強專業(yè)素養(yǎng)，研習平行文本，積累知識與經驗，

4結語

本研究綜合評估了Google翻譯、文心一言、ChatGPT在電子通信領域專利文本上的表現，采用自動及人工評價方式重點分析專業(yè)術語的誤譯，并提出了相應譯后編輯策略。結論表明：(1)電子通信領域專利文本的誤譯集中于專業(yè)術語的翻譯。(2)生成式人工智能在處理長句結構上優(yōu)于專業(yè)機器翻譯系統(tǒng)，且隨句子長度增加漏譯減少。（3）Google翻譯在重要術語上精度最高，但隨句子增長精度下降，文心一言與ChatGPT譯出結果相似，整體精度相對較低。（4）專業(yè)術語的誤譯多集中于專業(yè)復合詞、新生技術詞、行業(yè)縮略語及專利特有表達，其譯后編輯策略可根據情況進行預定義、建立動態(tài)數據庫等。

參考文獻

[1]胡開寶，李翼.機器翻譯特征及其與人工翻譯關系的研究［J].中國翻譯，2016(5):10-14.

[2]杜金華，張萌，宗成慶，等.中國機器翻譯研究的機遇與挑戰(zhàn)［J].中文信息學報，2013，27（4）：1-8.

[3]孔繁明.日漢翻譯要義[M].北京：北京中國對外翻譯出版公司，2004：128-129.

[4]戴光榮，劉思圻.神經網絡機器翻譯：進展與挑戰(zhàn)[J].外語教學，2023，44(1):82-89.