吳培昊，徐金安，謝 軍，張玉潔

(1. 北京交通大學 計算機與信息技術學院，北京 100044；2. 三星中國通信研究院，北京 100028)

1 引言

日語與漢語分別是黏著語和孤立語，兩者間存在顯著的句法結構差異。如日語為主語—賓語—謂語(SOV)結構，漢語為主語—謂語—賓語(SVO)結構；日語通過詞尾變化表達各種時態和句法形式；日語的格助詞是顯性格等。上述句法結構上的差異，是導致日漢統計機器翻譯質量相對低下的重要原因。

為解決統計機器翻譯中句法結構差異的問題，研究者提出了基于句法的統計機器翻譯模型，主要包括基于成分樹的短語樹到串模型[1-2]、森林到串模型[3-4]和基于依存樹的翻譯模型[5]。然而，上述模型在適用于日漢統計機器翻譯時，由于日漢句法結構上的顯著性差異，使得翻譯模型需要進一步改良，以提高翻譯質量。

傳統方法中與日語相關的統計機器翻譯模型中以日英為主，研究者提出了基于語塊的日英統計機器翻譯[6]。基本思路是先對源語言和目標語言句子進行語塊劃分。然后，對語塊中的詞進行翻譯。最終，對語塊的順序詞序進行調整。但是，該方法沒有從日語的句法結構層面入手解決日英統計機器翻譯的句法考慮在模型中使用語塊中的句法信息結構性差異問題，翻譯性能仍有待改善提高。

為消除源語言與目標語言的結構性差異，研究人員針對機器翻譯中的調序問題提出了一種通過人工制定預調序規則，在解碼前將日語句子的結構調整為目標語言語序的日英統計機器翻譯方法[7]。此方法存在人工規則存在主觀性較強、對語種具有依存性及領域適應能力差等問題，推廣使用上受到一定的制約。

解決調序問題的另一種思路是自動獲取預調序規則。其中一種思路是基于中心語驅動的短語結構樹及英日雙語平行語料庫詞對齊信息的自動獲取預調序規則[8]。該方法使用線性時間復雜度算法抽取預調序規則，在解碼前使用自底向上的算法實現中心語驅動的短語結構的轉換，然后把使用預調序規則把英語句子按照日語句子的語序進行調整，實驗結果證明可有效提高翻譯性能。該方法在日漢統計機器翻譯系統實現中，具有一定的可擴展性。但是，由于漢語是孤立語，是表義型語言，句子構成要素的詞匯的自由度較大，因此，該方法很難從根本上解決日漢統計機器翻譯所面臨的語言結構性差異懸殊的問題。

同時，研究者還提出了一種從基于語塊的依存樹自動獲取預調序規則的方法[9]。該方法首先把日語依存樹轉換為中心語驅動的短語結構樹，然后抽取預調序規則，重構日語句子順序，所實現的日英統計機器翻譯系統的性能有所改善。但是，該方法并沒有從基于句法的統計翻譯模型方面，結合句法結構信息解決源語言和目標語言間的結構性差異問題。

一種使用謂語論元結構將句法結構要素作為語義信息應用到統計機器翻譯中的方法[10]，取得了較好的成果。該方法首先使用訓練好的短語翻譯模型對原文進行翻譯。然后，對原文及翻譯結果進行謂語論元結構的語義角色標注。最后，通過雙語語義角色標注的結果，對翻譯結果進行句法重排，獲得最終翻譯結果。此方法的問題在于其系統翻譯性能受到既有訓練好的短語翻譯模型系統性能的制約。此方法在應用于日漢統計機器翻譯時，由于日漢語言上的差異造成短語翻譯模型的性能相對低下的問題。因此，該方法在推廣到日漢統計機器翻譯時面臨諸多困難。

為解決上述問題，本文在總結相關研究成果的基礎上，提出了一種融合日語格框架的基于語塊的依存樹到串日漢統計機器翻譯模型。通過從日語依存分析樹獲取格框架，在翻譯模型的規則抽取及解碼中，以日語格框架作為約束條件，指導依存樹的句法結構重排，調整日語和漢語的句法結構差異，實現格框架與日漢依存樹到串模型的融合。實驗結果顯示，本文提出的方法可有效改善日漢統計機器翻譯的句法結構調序，還可有效提高日漢統計機器翻譯的譯文質量。

本文其他章節的組織結構如下： 第2章闡述格語法和日語格框架的相關理論；第3章描述本文提出的翻譯模型及規則抽取方式；第4章介紹本文模型的解碼過程；第5章通過實驗驗證本文方法的有效性；最后對本文進行總結與展望。

2 格語法與日語格框架

2.1 格語法

格語法于1968年由美國語言學家菲爾墨在《TransformationGrammar》中提出，是一種著重探討句法結構與語義之間關系的語法理論和語義學理論。菲爾墨提出的格框架文法認為命題中需用的格包括:施事格、工具格、承受格、使成格、方位格、客體格等6種。之后，在語言分析時又加了受益格、源點格、終點格及伴隨格等。

格語法理論強調句子結構由一個核心動詞以及多個名詞短語組成，每個短語與核心動詞均存在某種特定的格關系。即格框架文法中的格框架描述了自然語言句子的深層結構和語義信息，在自然語言處理中起到十分重要的作用。但是，到目前為止，格框架還沒有在統計機器翻譯系統中得到有效地利用。

2.2 日語格框架

日語是黏著語，屬于典型的格框架文法語言。日語格助詞為顯性格，在句法分析中較易與其他句子成分區分。圖1(a)為句子“あなたのお母さんがレストランで美味しい壽司を食べる(你的母親在餐館吃美味的壽司)”的基于語塊的依存句法分析結果，圖1(b)為句子中動詞“食べる”的格框架在該句子中的形式。

其中，句子中心詞為動詞詞干“食べる”，其表層格框架由動詞以及3個名詞短語組成，施事格“お 母さん が”，場所格“レストラン で”以及對象格“壽司 を”。其深層格框架如圖1(b)所示的格助詞附加每個格所屬的語義信息形成語義約束關系，如格助詞“が”附帶的詞“お母さん(母親)”的語義信息可以是“人”，“で”的附屬詞“レストラン(餐館)”的語義信息可以是“場所”，“ヲ格”的附屬詞“壽司(壽司)”的語義信息可以是“食物”，則以動詞“食べる”為中心詞，“人”、“場所”和“食物”形成日語動詞“食べる”的具有語義約束關系的深層語義格框架。

日語格框架在日語的自然語言處理技術中技術成熟，在日語依存句法分析基于規則的機器翻譯等領域得到廣泛和成功的應用[11]。日語格框架庫自動構建方面，以互聯網為對象，基于半監督機器學習方法的大規模詞匯化日語格框架自動獲取技術[12-14]取得了很大的成功。自動抽取的日語格框架庫還大大提升了日語依存句法分析的性能。

圖1 日語依存句法樹示例

2.3 日語格框架的形式化描述

本文使用三元組定義日語格框架文法。其中：

V表示日語謂詞原型的集合，以區別于謂詞的活用形。

C表示日語謂詞的活用形集合,活用形描述謂詞在句子中的時態、意愿、假設、祈使、能動、被動等變化形式。表1所示以動詞“食べる”為例，例舉了部分活用形的變化。

表1 動詞“食べる”的部分活用形示例

R表示日語格助詞集合，日語格助詞集合如表2所示。除此以外，日語副助詞“は”、“では”和“には”等也具有格助詞的特性。

表2 日語部分格助詞集合

對于任意一個日語句子的中心謂詞，包括動詞、形容詞或形容動詞。其格框架(CF)可由三元組定義。其中：

h∈V為句子的中心謂詞的原型或詞干。

t∈C為句子的中心謂詞在句中的活用形。

φ∈R*表示句子的中心謂詞的格框架的各個格助詞,每一個格助詞的順序按照其在句子中的先后順序進行排序并進行標號。

2.4 日語格框架的自動獲取

對于一個完成了日語依存句法分析的句子，其中心謂詞可從依存句法分析樹的根節點的語塊中獲取。該中心謂詞的格框架，可以由兩種方法得到。

1) 從既有日語依存分析樹自動抽取謂詞格框架。通過分析與句子中心謂詞所在節點有直接依存關系的日語格助詞與集合R中的元素進行模式匹配，得到該中心謂詞的格框架。如圖1(a)所示的日語依存樹，與動詞 “食べる”有依存關系的格助詞分別為“は”，“で”和“を”，對應的表層格關系為“ガ格”，“デ格”以及“ヲ格”。

2) 另一種是使用日語格框架庫*http://nlp.ist.i.kyoto-u.ac.jp/，與日語句子的依存分析樹進行模式匹配獲取格框架的方法。該方法的優點是可有效彌補日語句子中被省略的日語格助詞，使獲取的日語格框架成份具有完整性。該方法中使用的日語格框架庫的例子如表3所示。

表3 “食べる”的部分詞匯化日語格框架示例

格框架庫中，動詞“食べる”的部分詞匯化格框架，與句子中的中心詞和與之有依存關系的格助詞、及格助詞所依存的詞干進行模式匹配，可以獲取動詞“食べる”的格框架。

當使用第2種方法抽取特定中心謂詞的格框架時，存在復數格框架選擇的可能性。在此情況下，本文結合第一種方法獲取的格框架，計算格框架的相似度，選取與第一種方法相似度最高的候選結果作為該中心謂詞的格框架。

依據上述格框架的定義，圖1所表述的句子中，動詞“食べる”的格框架表述如下：

h:食べt:基本形φ:x1:が格,x2:ヲ格,x3:デ格

其格框架表現形式如下：

<食べ, 基本型， x1:が格,x2:ヲ格,x3:デ格>

3 基于語塊的依存樹到串模型

本文提出的方法旨在將日語格框架融合到依存樹到串模型中的規則抽取及解碼過程中，將格框架作為約束條件，改善統計機器翻譯性能。

本文定義三元組來描述日漢雙語句對。其中，T為源端依存句法樹，每個節點由一個組塊構成，S為目標端字符串序列，A為雙語詞對齊關系。圖2為該三元組的一個實例。

圖2 源語言依存樹與目標語言串對齊示例

本文定義的依存樹到串模型中，翻譯規則包含兩部分：

詞匯化翻譯規則(LTR規則)。LTR規則的作用在于，將源端語塊或短語，轉化為目標端對應的翻譯結果。

格框架調序規則(CFR規則)。通過使用CFR規則，將源端依存樹結構轉化為目標端序列。

本文翻譯模型中，CFR規則的形式化定義為，是對格框架CF=的延伸。其中，ω∈R*記錄該框架在目標端句子中的對應順序。

翻譯模型的規則抽取包含如下3個步驟： 1) 依存樹標記；2)CFR規則抽取子樹判定；3) 規則抽取。

3.1 依存樹標記

定義依存樹T中的每個節點均包含兩個屬性： 1) 對齊跨度，2) 子樹對齊跨度。

定義1任意依存樹T中的節點n，該節點的對齊跨度hsp(n)為目標端中與節點n存在詞對關系的目標端詞集合。

如圖2所示，由于目標端詞“在”與“餐館”與節點“レストラン で”中的詞存在對應關系，因此hsp(レストラン で) ={4-5}。

定義2任意依存樹T中的節點n，若hsp(n)滿足如下條件，則認為hsp(n)是獨立的。

?n′≠nhsp(n′)∩hsp(n)=?

定義3對于以節點n為根的子樹T′，子樹對齊跨度dsp(n)的定義如下：

例如，可以dsp(お母さんが)可以根據如下方法計算。

dsp(お母さんが)=hsp(あなたの) ∪(お母さんが) = {1-3}

根據上述定義，通過使用后序遍歷算法，依存樹T中的各個節點標記對齊跨度以及子樹對齊跨度。

3.2 CFR規則抽取子樹判定

由于詞對齊錯誤、俚語等情況的存在，并非所有格框架均可以抽取CFR規則。因此，在規則抽取前，需要判定格框架是否可以抽取CFR規則。

定義4T’為T的子樹，若T’根節點存在中心謂詞，且可以抽取格框架，則子樹T’∈cft(T) 。

定義5在日語依存樹T中，可抽取CFR規則的子樹集合為adt(T)。對任意T’∈cft(T)，若T’滿足如下條件，則T’∈adt(T)：

條件1：hsp(chunk(h))≠?

條件2： ?n′依存于chunk(h)dsp(n’)≠?

條件3： 在該子樹中，dsp(chunk(h))獨立

其中，chunk(h)表示詞h所在語塊。

在圖2中以“食べる”為根的子樹T’∈cft(T)，格框架為<食べ, 基本型， x1:が格,x2:ヲ格,x3:デ格>。依據上述條件可知：

hsp(chunk(食べる))=hsp(食べる) = {6}滿足條件1和條件3。

dsp(お母さん)，dsp(レストランで)和dsp(壽司を)均不為?，滿足條件2。

因此，T’∈adt(T)可以抽取CFR規則。

3.3 規則抽取

本文使用自頂向下遍歷依存樹的方法抽取翻譯規則，具體抽取方法如下所述。

3.3.1 LTR規則抽取

依存樹的遍歷過程中，在下述兩種情況下，需要抽取LTR規則。

1) 依存樹節點的語塊。對于依存樹中每個節點的語塊，根據雙語詞對齊信息A及目標語言端詞序列S，基于短語模型的規則抽取方法[15]，抽取LTR規則。

2) 若子樹T’?adt(T)，則將該子樹轉化為源端字符串序列，視作一個語塊，參照情況1規則抽取方法獲取LTR規則。

圖3為情況2下，對子樹抽取LTR規則的一個實例。

圖3 LTR規則抽取示例

3.3.2 CFR規則抽取

若子樹T’∈adt(T)，則根據依存樹標記信息，抽取CFR規則，具體方法如下所述。

首先，獲取任意格助詞φ’ ∈φ所在組塊的子樹對齊跨度dsp(お母さん)，以及動詞h所在組塊的對齊跨度hsp(h)。

然后，根據獲取的dsp(φ’)及hsp(h)信息，確定在該句對中，子樹T’的格框架中格助詞及中心謂詞在目標語言端的順序關系，記錄在ω中。獲取最終的CFR規則。

依據上述方法，圖2中動詞“食べる”的格框架在目標端的調序后為ω=x1x2hx3。從而，該格框架的CFR規則如下。其中，h指代該格框架的中心謂詞：

<食べ, 基本型, x1:が格,x2:ヲ格,x3:デ格,x1x2hx3>

3.4 概率計算

LTR規則的概率計算，參照(Kohen et al., 2003)的方法，計算方法如式(1)所示。

其中，P(s|t)為源語言短語s翻譯為目標語言短語t的正向翻譯概率，count(s,t)為s和t在訓練語料中出現的共現次數。

CFR規則的概率計算，本文使用最大似然估算方法，計算方法如式(2)所示：

其中，count(P())為CFR規則P()在訓練語料中出現的總次數。

3.5 統計模型下CFR規則修正

京都大學日語格框架庫中，共收錄了34 059個日語動詞的格框架。由于訓練語料規模限制，日語動詞格框架的CFR規則無法全部從訓練語料中抽取，該問題的產生將導致解碼過程中CFR規則無法匹配的問題。

為解決數據稀疏問題造成的CFR規則缺失。本文基于日語中心謂詞的活用型，將日語中心謂詞進行分類。CFR規則形式化定義經過修正后，定義h為中心謂詞的活用型標記。

依據上述修正，原有CFR規則<食べ, 基本型, x1:が格,x2:ヲ格,x3:デ格,x1x2hx3>中，日語動詞“食べる”的活用型為“母音動詞”。本文統計模型下，該CFR規則的最終表現形式為： <母音動詞, 基本型, x1:が格,x2:ヲ格,x3:デ格,x1x2hx3>

4 模型及解碼

4.1 模型描述

本文的解碼使用對數線性模型，對于給定的日語依存樹，從所有可能的結果D中，尋找出最優結果d*。

假設d為源語言依存句法樹T轉化為目標語言串e的可能方式。d的概率定義如式(4)所示。

其中，Φi為特征參數，λi為特征參數的權重。本文模型中，包含了8個權重：

?CFR規則概率P(s|t)

?LTR規則概率P(s|t)和P(t|s)

? 詞匯化概率Plex(s|t)和Plex(t|s)

? 規則懲罰exp(-1)

? 字懲罰exp(|e|)

? 語言模型Plm(e)

本文使用最小錯誤率訓練[16]對參數λi進行優化。

4.2 模型描述

本文使用自頂向下的方法進行解碼。圖4為本文方法解碼的一個示例。具體算法流程描述見算法1。

圖4 解碼流程示例

算法根據下述兩個要點進行解碼：

1) 若以當前節點為根的子樹T’?adt(T)，將該子樹轉化為源端字符串序列，視作一個語塊，使用LTR規則進行翻譯。

2) 若以當前節點為根的子樹T’∈adt(T)，使用LTR規則翻譯T’根節點的語塊，遞歸對依存于當前節點的所有子樹進行解碼。最后，使用CFR規則對該節點及依存于該節點的子樹進行調序，合并子樹。

通過上述方法，最終獲取依存樹的最佳翻譯結果。

5 實驗與分析

5.1 數據及工具準備

本文在日漢新聞與專利文獻兩個領域進行實驗，測試本文方法在日漢統計機器翻譯系統中的性能。其中，新聞使用CWMT2011*http://mt.xmu.edu.cn/cwmt2011/評測中的日漢新聞評測語料，專利文獻使用ASPEC*http://orchid.kuee.kyoto-u.ac.jp/ASPEC/的日漢專利文獻語料，語料相關信息如表4所示。

表4 實驗語料相關信息

算法1本文解碼算法

輸入： 源端依存結構樹T,LTR規則集L，CFR規則集R

輸出： 翻譯結果

CFset←CaseFrame(T)

for chunk in T from top to bottom

ifchunk∈CFset:

then

translatechunkwithL

translateeverysubtreewhichrelatestochunk

reordersubtreesandchunkwithR

end

translatesubtreeasachunkwithL

returnthebestresultoftherootchunk

為比較本文方法在統計機器翻譯模型的有效性，本文使用層次短語模型(HPB)與本文方法(Cdep2str)進行比較。同時，為檢驗，實驗中使用基于詞的依存樹到串模型(dep2str)[5]與本文方法進行比較。在使用dep2str模型前，本文先將日語基于語塊的依存樹轉化為基于詞的依存樹。

本文實驗工具配置如下：

Juman7.0*http://nlp.ist.i.kyoto-u.ac.jp/EN/index.php?JUMAN： 日語分詞工具。

KNP4.0.1*http://nlp.ist.i.kyoto-u.ac.jp/EN/index.php?KNP： 日語依存句法分析工具。

Stanford Chinese Segmenter*http://nlp.stanford.edu/software/segmenter.shtml： 中文分詞工具，本文中文分詞使用ctb中文分詞標準。

GIZA++*http://code.google.com/p/giza-pp/: 進行雙語詞對齊計算，并使用“grow-diag-final-and”對雙向對齊結果進行融合。

SRL Language Modeling Toolkit*http://www.speech.sri.com/projects/srilm/： 構建中文五元語言模型。

MOSES*http://www.statmt.org/moses/:訓練本文的層次短語模型(HPB)，短語模型中，最大短語長度設置為10。

MERT(Och, 2003):對模型參數進行優化，在開發集上獲得較高的BLEU值。

5.2 實驗結果

實驗結果(表5)表明，在不同領域下，本文方法相對于層次短語模型， BLEU均有了一定的提高，同時，抽取的規則數量遠小于層次短語模型。雖然dep2str模型抽取的規則數量是3個模型中最少的，但是，其翻譯性能在3個模型中效果最差。

表5 實驗結果

5.3 實驗結果分析

與HPB模型相比，本文模型Cdep2str存在兩個方面的優勢。

句法結構調序。日語與漢語分別屬于黏著語系和孤立語系，兩者間存在顯著的句法結構差異，句法結構調序問題復雜。由于規則抽取的長度限制，HPB模型無法正確選擇長距離調序規則。與此同時，Cdep2str模型使用基于格框架的CFR規則，在句法層面對譯文進行調序，有效地解決了日漢統計機器翻譯中的句法結構差異問題。如下例所示，Cdep2str模型對日語句子進行了正確的句法調序。

原句[翌年に]1[東京·那覇間の航海便を]2[やめたらしい。]3參考譯文[在第二年]1[取消了]3[東京那霸一線的班輪。]2HPB[第二年在]1[東京·那霸之間的航海航班]2[停止了似乎。]3Cdep2str[第二年]1[停止了]3[東京·那霸之間的航班。]2

詞匯翻譯。本文模型的規則抽取中，通過使用依存句法結構限制，對詞匯化翻譯規則的抽取進行限制。與HPB模型相比，本文模型降低了詞匯化翻譯規則的噪聲。如下例所示，在翻譯“航空 便 で”的詞匯選擇上，本文方法的詞匯翻譯結果較好。

原句航空便でいくらぐらいかかりますか。參考譯文寄航空要多少錢？HPB用航空大約要多少錢？Cdep2str用航空郵寄要多少錢？

由于日漢句法結構存在較大差異，導致訓練語料的詞對齊效果較差。dep2str模型以詞作為規則抽取的基本單元，將導致大量的詞匯化翻譯規則無法抽取，因此，dep2str模型不適用于日漢統計機器翻譯。同時，dep2str模型在處理俚語方面，也存在不足。例如，“鬼の首を取ったよう(獲取寶藏)”無法抽取正確的譯文。本文方法以語塊作為詞匯化規則抽取的基本單元，相對于dep2str模型，能夠獲得更好的翻譯結果。

6 總結與展望

本文提出了一種格框架的基于語塊的依存樹到串日漢翻譯模型。通過從日語依存句法分析結果中獲取格框架，并使用格框架限制日漢語塊依存樹到串模型的規則抽取及解碼，有效的解決了黏著語系與孤立語系間的結構調序問題。本文方法通過使用格框架，將應用于日語規則翻譯系統的淺層語義信息應用到統計機器翻譯中，是一種將規則翻譯系統的思想融合到統計機器翻譯中的思想。該思想對不同方法下的機器翻譯系統融合有一定的指導作用。

在今后的工作中，我們將對格框架在機器翻譯下的應用進行深入研究，將格框架下的深層語義信息應用到機器翻譯中，以期實現真正意義上的基于語義機器翻譯。本文方法并沒有深入研究格框架的中心謂詞時態對統計機器翻譯的影響，這是一個值得深入探討的問題。同時，在研究中心謂詞格框架的同時，對日語名詞格框架的研究，對機器翻譯也應當有一定的幫助。

[1] Yamada K, Knight K. A syntax-based statistical translation model[C]//Proceedings of the 39th Annual Meeting on Association for Computational Linguistics. Association for Computational Linguistics, 2001: 523-530.

[2] Liu Y, Liu Q, Lin S. Tree-to-string alignment template for statistical machine translation[C]//Proceedings of the 21st International Conference on Computational Linguistics and the 44th annual meeting of the Association for Computational Linguistics. Association for Computational Linguistics, 2006: 609-616.

[3] Liu Y, Huang Y, Liu Q, et al. Forest-to-string statistical translation rules[C]//Proceedings of ANNUAL MEETING-ASSOCIATION FOR COMPUTATIONAL LINGUISTICS. 2007, 45(1): 704.

[4] Mi H, Huang L, Liu Q. Forest-Based Translation[C]//Proceedings of ACL. 2008: 192-199.

[5] Xie J, Mi H, Liu Q. A novel dependency-to-string model for statistical machine translation[C]//Proceedings of the Conference on Empirical Methods in Natural Language Processing. Association for Computational Linguistics, 2011: 216-226.

[6] Watanabe T, Sumita E, Okuno H G. Chunk-based statistical translation[C]//Proceedings of the 41st Annual Meeting on Association for Computational Linguistics-Volume 1. Association for Computational Linguistics, 2003: 303-310.

[7] Hoshino S, Miyao Y, Sudoh K, et al. Two-Stage Pre-ordering for Japanese-to-English Statistical Machine Translation[C]//Proceedings of the 6th International Joint Conference on Natural Language Processing. 2013.

[8] Wu X, Sudoh K, Duh K, et al. Extracting Pre-ordering Rules from Predicate-Argument Structures[C]//Proceedings of IJCNLP. 2011: 29-37.

[9] Wu X, Sudoh K, Duh K, et al. Extracting preordering rules from chunk-based dependency trees for Japanese-to-English translation[C]. Proceedings of the 13th Machine Translation Summit, 2011: 300-307.

[10] Wu D, Fung P. Semantic roles for smt: a hybrid two-pass model[C]//Proceedings of Human Language Technologies: The 2009 Annual Conference of the North American Chapter of the Association for Computational Linguistics, Companion Volume: Short Papers. Association for Computational Linguistics, 2009: 13-16.

[12] Kawahara D, Kurohashi S. Case frame compilation from the web using high-performance computing[C]//Proceedings of the 5th International Conference on Language Resources and Evaluation. 2006: 1344-1347.

[13] Kawahara D, Kurohashi S. A fully-lexicalized probabilistic model for Japanese syntactic and case structure analysis[C]//Proceedings of the main conference on Human Language Technology Conference of the North American Chapter of the Association of Computational Linguistics. Association for Computational Linguistics, 2006: 176-183.

[14] Sasano R, Kurohashi S. A Discriminative Approach to Japanese Zero Anaphora Resolution with Large-scale Lexicalized Case Frames[C]//Proceedings of the IJCNLP. 2011: 758-766.

[15] Koehn P, Och F J, Marcu D. Statistical phrase-based translation[C]//Proceedings of the 2003 Conference of the North American Chapter of the Association for Computational Linguistics on Human Language Technology-Volume 1. Association for Computational Linguistics, 2003: 48-54.

[16] Och F J. Minimum error rate training in statistical machine translation[C]//Proceedings of the 41st Annual Meeting on Association for Computational Linguistics-Volume 1. Association for Computational Linguistics, 2003: 160-167.