计算机英语第三章翻译,中国大学生英语翻译计算机评分的分析与设计.pdf

摘要

摘要

在机器翻译和作文自动评分领域已经有比较成熟的研究成果，但是在人工

翻译评分领域的研究还不够深入。在同为主观题的作文评分中，采用多元线性

回归方法建立文本特征和分数之间的方程。但是人工翻译评分选取的文本特征

之间关系更为复杂，如果使用作文评分中的方法去构建模型，并不能取得最好

的效果。而神经网络作为一种自适应学习模型，在处理复杂变量之间关系时会

更有优势。在此背景下，本文尝试构建汉译英人工翻译评分模型，并在此基础

上构建大学生翻译评分系统。

本文首先从语言基础、语义、连贯性、测试点四大方向提取学生译文语料中

的翻译文本特征，并对其中一些提取算法进行设计与改进。一些重要的改进包

括：(1)将潜语义分析的方法与翻译评分结合，并提出了一个基于相似译文集

的潜语义相似度提取算法。(2)通过引入连接词权重，实现一种新的基于相似

译文集的带权连接词相似值提取算法，解决了单纯连接词个数与人工评分负相

关的不合理现象。其次，本文比较了神经网络和多元线性回归，并最终选择用

BP神经网络构建人工翻译评分模型。针对BP算法收敛慢，不利于全局寻优的

特点，进一步采用粒子群算法进行优化。最后，在特征提取和模型构建的基础

上，进一步搭建大学生翻译评分系统，能有效的给学生译文打分，并能进行一

定的反馈评价。

在特征提取方面，基于译文集的连接词算法使得该特征与人工评分正相关，

引入连接词权重之后进一步将相关度提高了1％：潜语义相似度提取算法效果比

较显著，单单考虑相似度区间为0．9．1的译文集，就将相关度提高了24％。在模

型构建上，本文分别使用多元线性回归与PSO．BP神经网络两种方法进行了测

试验证。结果表明，PSO．BP神经网络能提高6％的相关度，更适宜于翻译评分

模型构建。

关键词：汉译英，自动评分，特征提取，潜语义分析，BP神经网络，粒子群算法

万方数据

摘要

万方数据

ABSTRACT

ABSTRACT

Theresearchinthefieldofhumantranslationisnot

deepenough，eventhough

thereare maturereseachintheareaofmachinetranslation

relatively evaluation(MTE)

andtheautomated of

essayscoring．Theessayscoring，anothertypesubjectiveques-

linear methodtoestablishthe betweenthetext

tion，usedmultipleregression equation

featureandthescore．Buttherelationbetweenthetextfeatureinhuman ismore

scoring

webuildthemodelinthesameas not

way writingdoes，wemay

complicated．If essay

thebestresults．Theneural an