英漢分詞問(wèn)題的混合翻譯系統(tǒng)設(shè)計(jì)

仲佳琳 楊宇 李奕琛

摘 要：在解決處理中文文本的分詞的問(wèn)題中，分詞是基礎(chǔ)的一項(xiàng)。本文針對(duì)分詞問(wèn)題提出統(tǒng)計(jì)與規(guī)則混合運(yùn)用的解決方法，先運(yùn)用PMI，又用語(yǔ)言規(guī)則來(lái)彌補(bǔ)統(tǒng)計(jì)方面解決不了的問(wèn)題，即混合翻譯系統(tǒng)設(shè)計(jì)。

關(guān)鍵詞：計(jì)算語(yǔ)言學(xué) 機(jī)器翻譯 統(tǒng)計(jì) 規(guī)則

詞的分割是中英文差異中最基本的一項(xiàng)。英文的單詞是天然分開(kāi)的，詞就是最小的能夠獨(dú)立運(yùn)用的語(yǔ)言單位。但中文句子中沒(méi)有直觀的詞的界限，詞也不是最小的語(yǔ)言單位。因此分詞在計(jì)算語(yǔ)言學(xué)中是最為基礎(chǔ)的一項(xiàng)，與此同時(shí)會(huì)碰到歧義現(xiàn)象。比如：a. 她憑自己的才能得到了這份工作。b. 你這樣的人才能夠留下來(lái)，是我們的幸運(yùn)。a句中的“才能”明顯是一個(gè)詞，而b句中的“人才”和“能夠”卻應(yīng)該分開(kāi)。在這個(gè)過(guò)程中，針對(duì)固定詞表進(jìn)行“一刀切”顯然不可取。

由此本文提出了針對(duì)分詞問(wèn)題的混合機(jī)器翻譯系統(tǒng)的設(shè)計(jì)：基于統(tǒng)計(jì)的機(jī)器翻譯SBMT----- 基于規(guī)則的機(jī)器翻譯系統(tǒng) RBMT。

首先是統(tǒng)計(jì)方法中基于深度學(xué)習(xí)的點(diǎn)互信息PMI，即如何運(yùn)用PMI進(jìn)行中文分詞。從點(diǎn)互信息的定義來(lái)看，它表示某兩個(gè)字符（漢字）的組合出現(xiàn)在語(yǔ)料庫(kù)中的概率，與各自出現(xiàn)概率乘積的比的對(duì)數(shù)。點(diǎn)互信息定義如下：

其主要基于語(yǔ)料庫(kù)，并計(jì)算詞語(yǔ)間的語(yǔ)義相似度。若概率越大，兩字相關(guān)性就越緊密，關(guān)聯(lián)度越高。所以直觀上可以理解為兩個(gè)字符在語(yǔ)料庫(kù)中組成詞語(yǔ)的可能性。若兩個(gè)事件不相關(guān)也不互斥，那么同時(shí)發(fā)生的概率p（a，b）=p（a）*p（b），此時(shí)p（a，b）/p（a）*p（b）=1，PMI（a，b）=0;如果兩個(gè)事件相關(guān)，那么同時(shí)發(fā)生的概率p（a，b）>p（a）*p（b），此時(shí)p（a，b）/p（a）*p（b）>1，PMI（a，b）>0;如果兩個(gè)事件互斥，同理可得PMI（a，b）<0。比如通過(guò)計(jì)算，“中國(guó)”這個(gè)詞的PMI值是1.8448，即可取;而“我病”的PMI值是-0.9099，即不成詞。

因?yàn)闈h語(yǔ)的特殊性，在分詞的過(guò)程中也存在歧義，而不是簡(jiǎn)單詞性有可能的不同而導(dǎo)致的歧義，這與英文不同。比如以下兩個(gè)句子：

a. 她憑自己的才能得到了這份工作。

b. 你這樣的人才能留下來(lái)，是我們的幸運(yùn)。

通過(guò)計(jì)算，“才能”一詞在兩個(gè)句子中都有可能被標(biāo)記出來(lái)，即在任何句子中都會(huì)被計(jì)算為同一個(gè)詞。但正確的分詞應(yīng)是如下： b. 你/這樣的/人才/能夠/留下來(lái)，是/我們的/幸運(yùn)。如果分詞出現(xiàn)錯(cuò)誤，整個(gè)句子的翻譯會(huì)變得非常奇怪， 如：*b. 你這樣/的/人/才能/留下來(lái)，是/我們/的/幸運(yùn)。

在自然語(yǔ)言處理的過(guò)程中，句法分析既可以彌補(bǔ)基于統(tǒng)計(jì)方法分詞的漏洞問(wèn)題，又可以解決分詞后的詞語(yǔ)歧義問(wèn)題。從整個(gè)句子為單位的角度，基于語(yǔ)言規(guī)則，有效限制基于統(tǒng)計(jì)的分詞任務(wù)。若是依靠統(tǒng)計(jì)方法，就會(huì)出現(xiàn)這種機(jī)械性的計(jì)算的句子：你這樣/的/人/才能/留下來(lái)，是/我們/的/幸運(yùn)。

通常來(lái)講，句子是由一個(gè)名詞詞組加上一個(gè)動(dòng)詞詞組構(gòu)成的。那么這句話逗號(hào)前的半句話就會(huì)單獨(dú)成句，整體被歸為一個(gè)名詞短語(yǔ)和動(dòng)詞短語(yǔ)齊全的簡(jiǎn)單從句，因?yàn)椤澳氵@樣的人才能夠留下來(lái)”的確能獨(dú)立成句，但逗號(hào)后面的“是我們的幸運(yùn)”無(wú)法與其銜接。雖然前半句可以獨(dú)立成句，在語(yǔ)法上也沒(méi)有問(wèn)題，但它卻不是整句話的含義。因此，沒(méi)有了語(yǔ)言規(guī)則的界定，就無(wú)法把整個(gè)句子考慮其中。

在人機(jī)交互的過(guò)程中，計(jì)算機(jī)沒(méi)有思維能力，而所有的指令只能是絕對(duì)精準(zhǔn)的信息 。只有通過(guò)形式語(yǔ)言的角度，才能把中英文文本處理的法則變成計(jì)算機(jī)能“理解”的信息。for循環(huán)結(jié)構(gòu)的設(shè)計(jì)就是把兩種不同的方法套用在形式語(yǔ)言for循環(huán)的思想里。在實(shí)際的機(jī)器翻譯過(guò)程中，情況會(huì)更加復(fù)雜多變，但可以確定的是，自然語(yǔ)言中的一個(gè)句子不應(yīng)存在歧義，一個(gè)句子只有一個(gè)理解。當(dāng)混合兩種解決方法設(shè)計(jì)時(shí)，就涉及到對(duì)整個(gè)系統(tǒng)的反復(fù)執(zhí)行。

最后，雖然基于規(guī)則的機(jī)器翻譯系統(tǒng)存在一定的缺陷，但要解決翻譯方面的問(wèn)題，最根本地還是要回歸到語(yǔ)言層面，而不是完全寄托于高端技術(shù)或程序設(shè)計(jì)。要取得機(jī)器翻譯的進(jìn)步也不能單單依靠語(yǔ)言學(xué)理論，更要靈活運(yùn)用統(tǒng)計(jì)模型和理論。

參考文獻(xiàn)

[1] John Hale. Finding Syntax in Human Encephalography with Beam Search.arXiv：1806.04127v1 [cs.CL] 11 Jun 2018.

[2] 王金銓?zhuān)?王克非. 計(jì)算語(yǔ)言學(xué)視角下的翻譯研究.外國(guó)語(yǔ). 2008， （5）.

[3] 楊憲澤. 基于實(shí)例的機(jī)器翻譯處理方法. 計(jì)算機(jī)工程. 2003， （12）.

[4] Roger T. Bell.Translation and Translating- Theory and Practice Raymond W. Yeung. Information Theory and Network Coding[M]. Springer; 2008.

[5] Shannon C E. A mathematical theory of communication[J]. Bell System Technical Journal， 1948， 27（3）：379-423.

[6] Bo Zheng， Wanxiang Che， Jiang Guo， Ting Liu. Enhancing LSTM-based Word Segmentation Using Unlabeled Data.Research Center for Social Computing and Information Retrieval， Harbin Institute of Technology， 2017.

[7] Chomsky， Noam. Aspects of the theory of syntax. Cambridge， Massachusetts： MIT Press，1965.

作者簡(jiǎn)介：仲佳琳（1998-），女，籍貫：吉林省長(zhǎng)春市，民族：漢 職稱(chēng)（無(wú)）學(xué)歷：在讀本科生。研究方向（翻譯，計(jì)算語(yǔ)言學(xué)）

第二作者姓名：楊宇 單位（南開(kāi)大學(xué)數(shù)學(xué)科學(xué)學(xué)院數(shù)學(xué)系）

第三作者姓名：李奕琛 單位（南開(kāi)大學(xué)計(jì)算機(jī)控制與工程學(xué)院計(jì)算機(jī)科學(xué)與技術(shù)系）