基于统计的翻译系统构建步骤(以 中->英 翻译为例):
step1:对文本进行预处理,如:分词,去除停用词…,最终形成“平行语料”用于training;
step2:词对齐:利用giza++ 形成 两个“词对齐文件”:1)中->英,2)英->中,并利用“词对齐对称化算法”将两个词对齐文件进行合并,从而形成最后的词对齐文件。词对齐具体格式如下图:
- 单向词对齐:
- 双向词对齐:
note that:giza++库 是基于IBM model(词对齐模型)构建的。
step3:短语概率表构建
step3.1:短语抽取:根据词对齐的结果,进行短语抽取(based on “一致性短语算法”)
step3.2:短语概率表构建
step4:decode:将源语言翻译为目标语言
p(target|source) = translation model(短语概率表) * reordering model(词换序情况评估) * languange model(翻译结果是否符合母语说话风格)
在decode过程中,用到了beam search(在每一步的翻译结果中,选择beam个最优翻译结果,并以此为依据,继续往下翻译)
step5:对翻译系统进行评估
采用Belu来评估翻译结果:
课件:基于统计的翻译系统 [ F:/data ming/ML html/other lessons nlp自然语言处理/Lesson 4 基于统计的翻译系统 ]