机器学习平行语料库（翻译记忆库）（句对齐）开源工具及方法介绍

最近一直在做平行语料库句对齐的工作，新手上路

根据自己查的一些资料这里概括一下大致的思路（这里假设你有自己的语料库，文章，而且是双语的，也就是已经翻译好的文章，并且已经做了分段，且双语已经做了段落对齐。如果没有的话可以下载，一些双语语料库，如联合国双语语料库http://opus.nlpl.eu/MultiUN.php，有了这些，你要做一个分句，接就要对齐了，之后一般是要形成一个翻译记忆库，.tmx的格式）

一、首先就是对已经做好段落对齐的文件进行分句，这里其实也并不是那么容易，中文来说，一般是用“‘。’，‘！’，‘？’，‘……’”作为分句的标志，但是这其中又涉及到双引号中有这几种中的任何一个标点，那又如何分句，这里假设我们不理会双引号，直接对其进行分割。下面简要介绍中文分句的三种方法。

1、python语言直接进行分句，利用标点分割。

2、使用中文分词包，中文常用的分句工具是python包snowNLP。

3、或者你想分句更加精准写，可以使用正则表达式。

英文的话比较麻烦，有一些缩写如：A.B，小数点1.2，这个就不能简单地采用标点来分句了。这个我选择了使用python的一个包nltk，看了一下它的机制，使用了二分类模型，做了一些标记。这个包可以做很多的分句的包，如法语，西班牙语等等。当然没有中文……老外写的嘛下面附上一个数据包，在安装nltk后使用的data数据。

链接：https://pan.baidu.com/s/1KN2LTsY_8bTbrTC9WuRC7A提取码：zmes

二、下面就是句对齐了，找了好多资料，包括大多数的论文和工具（主要是做中英对齐的）。

下面大概的做一个比较这些工具开源代码galechurch，hunalign,champollion,bilingual-sentence-aligner，当然还有一些其他的工具，那些主要是基于这些基础算法的。

注：根据查到的资料，句对齐一般分为这么几种，基于长度，基于词典，基于长度和词典的，还有一些新的想法提出来是基于词源的（适合欧美语系），基于文本的主要思想是根据评分来做的。

1、galechurch（基于长度）

gale, church应该算是研究句对齐的鼻祖了，1993年发表了论文

提出来一种算法，适合欧美语系，思想就是根据句子的长度来比较的，具体的可以看论文。

这里附上链接：https://pan.baidu.com/s/1wOtZXrdx-SF9ZN9f-F2Ypw 提取码：gevo

2、hunalign（基于长度的），基于此算法的工具有LF

主要是基于galechurch想法写的，并做了改进，具体的没有做太多的研究，是之后主流的句对齐工具之一。可以用于十几种语句的对齐，但是很遗憾，中文不太使用，但是也不是完全不适用，只是效果不太好。LF就是根据它做了一些小的改进，对其效果还可以。

3、champollion

基于长度和词典的工具，perl编写的。效果还不错。这里附论文链接：https://pan.baidu.com/s/12AobRJLgwNWtZc41vDvyGg
提取码：7xzz

4、bilingual-sentence-aligner

微软做的，是基于IBM模型做的。这里附论文链接：https://pan.baidu.com/s/1EAvIz4bn1nYlSu8t7_2ZVw
提取码：ako9

还有一些比较专注于做这些工具如ABBalign, 雪人对齐，网上还有一个在线对齐的工具，不过要收费tmxmall。