利用对数线性模型进行词对齐训练的整个过程:
1、语料预处理
用python解析xml,生成src, trg, ref, srcTest, trgTest 和 refTest。
注意:由于本人是在linux下进行的预处理,所以要先将所有语料用notepad转换为与我的linux系统的编码相同(如uft-8),再将xml用dos2unix命令进行转换,,最后再用python解析,解析出来之后再把英文语料小写化。(这一步我是在自己的虚拟机上跑的)
2、训练
首先,用预处理后的语料跑GIZA++,得到data目录下面的文件(注意,如果要使用词根化的文本进行训练,则需要先将词根化后的文本经过GIZA++进行训练)(我是在160服务器上跑的)
然后,换掉旧的data目录,修改Vigne.ini
最后,利用src, trg, ref三个文件,放在run所在目录下,运行run,得到结果。(这一步我是在曙光机上跑的)
注意:如果是在Linux上运行,则要把Vigne.ini,run,minimum..等文件用dos2unix 转换一下
结果:
采用新方法:stem,提升7%
采用新特征:pos,提升8%