面向翻譯管道的術語加工

卡拉·沃伯頓 宋楠楠 朱波

摘?要：公司跨國經營離不開翻譯，翻譯質量和速度是獲取目標市場份額的關鍵因素。積極主動地管理術語，包括預處理翻譯項目中的關鍵術語，會產生積極影響。在商業環境中，翻譯內容包羅萬象，術語來源廣泛。以術語提取為基礎，采取重用已有詞匯的后處理策略，可最大限度提高效率，把術語自動整合到翻譯管道中。從語料庫中提取用于翻譯的術語，導入術語庫，用于商業開發。根據工作經驗，作者探討了術語提取的有效方法。

關鍵詞：計算機輔助翻譯;術語提取;翻譯記憶;詞匯;術語;術語數據庫

中圖分類號：H059;H083??文獻標識碼：A??DOI：10.3969/j.issn.1673-8578.2019.05.003

Processing Terminology for the Translation Pipeline// Kara Warburton，

Translated by SONG Nannan，ZHU Bo

Abstract： Companies must translate their content if they want to operate multinationally. Both quality and speed of translation are key factors in determining market share in the target market. Proactively managing terminology， including pretranslating key terms for a translation project， has beneficial effects on these factors. However， in commercial environments， the volumes of content and required terms are typically large. Therefore， integrating terms into the translation pipeline requires a process that is as automated as possible. Term extraction is the cornerstone of this process， but to maximize efficiency requires a postprocessing strategy that repurposes existing lexical resources. Terms extracted from corpora and subsequently translated should be channeled into the company term base so that they can be leveraged for other purposes. Based on our experiences in one large company， we discussed effective practices for processing extracted terms in this

paper.

Keywords： computerassisted translation （CAT）; term extraction;

translation memory; lexical resources; terminology; term bases

一?簡?介

產品多元化的大型公司是翻譯產業的重要客戶。翻譯越快，產品面市越早，搶占的市場份額就越大。如今，各大公司都致力于同時上線旗下產品的所有語言版本。提升速度也要保證質量，否則將影響目標市場客戶滿意度，給公司帶來損失。

在壓力之下，公司正尋求技術解決方案。哪些工具可減少工作時間，又能保證翻譯質量？幾十年前，第一種科技工具以計算機輔助翻譯（CAT）的形式出現。CAT工具由翻譯編輯器和數據庫組成，翻譯編輯器可查看源句和目標句，數據庫保存翻譯以便日后重復使用。如今CAT功能日益強大，可用于項目管理、文件管理、術語提取和術語管理等。

雖然CAT轉換率更快、一致性更高，但術語數據庫（termbase）可獲得額外收益。本文將把術語數據庫與CAT工具結合，利用術語提取來補充CAT中雙語術語的不足。文章將證明術語可以被提取、處理、翻譯和重新利用，從而節省商業翻譯的時間和成本。

二?術語與翻譯記憶

大多數CAT工具依賴于翻譯記憶（TM）技術，翻譯人員不必重新翻譯已有句子，節省很多時間。翻譯句子時，源句和譯文作為一個“翻譯單元”存儲在數據庫中，即TM。每次譯者翻譯其他句子時，數據庫會自動搜尋，看看該句或類似句子是否已存在。如符合，就會顯示該句譯文，供譯者重復使用。歷經幾十年發展，TM技術已達到“爐火純青”的地步，目前正尋找獲取額外收益的方法。

一些學者認為，術語通常是名詞短語（NP），有多種句法功能，如介詞補語、主語、直接賓語等。TM針對完整句子運行。查詢句子的部分TM，比如搜尋給定術語的翻譯，需要大量資源，不切實際。因此，大多數CAT為補充TM，有單獨查詢術語的功能。許多公司認為有TM就足夠，忽略了CAT術語數據庫。使用CAT術語數據庫，可減少術語使用中的不一致和錯誤。研究表明，術語錯誤是譯者最常犯的錯誤之一。

本地化行業標準協會建議在翻譯項目之前預處理給定項目的術語，并輸入CAT術語數據庫中。確保關鍵術語可自動索引，并預先確定目標的標準譯法。雙語術語補充TM：譯者可同時從TM中看到之前句子譯文和術語庫中任何匹配的術語。譯員如發現TM段之間或TM和術語數據庫之間的術語不一致，可實時修復。長此以往，翻譯后的新內容和TM會總體改進。

為翻譯項目提供預先確定、質量過關的雙語術語并不簡單。要獲得高水平術語，需要采取以下步驟：

（1）獲取項目專用語料庫;

（2）從語料庫中提取術語;

（3）縮減實際術語候選表（清理“噪聲”）;

（4）翻譯術語;

（5）保留譯后術語為將來所用。

每一個步驟都有自己的挑戰，本文著重介紹（2）和（3）。

三?獨立語料庫

語料庫是進行研究的基礎資源，其中存放的是在語言使用中出現過的真實語料，需要經過加工、分析和處理，才能成為有用資源。因此，提供一個合適途徑來訪問和匯總提取術語的語料庫非常重要。許多公司的產品都是零星開發的，生產部門、地理位置、時區和團隊各不相同。通常，團隊文件保存在本地網絡的存儲庫中，無法輕易進入并提取術語，所需文件也不確定。大型項目有數千個文件，但并不是每個都有用，比如那些不需翻譯或重譯的文件。當前可直接利用的語料庫數量非常有限，這就需要根據需求構建符合要求的獨立語料庫，以減少問題，提升效率。

四?術語提取

由于內容太多，只靠人工提取不切實際，必須借助一些工具。

這些工具主要使用基于統計的方法，基于語法（有時稱為基于規則或語言學）的方法，或語法與統計相結合的方法。用統計方法導出所有單詞，并注明出現頻率。簡單的統計方法使用空格建立術語邊界，只導出單詞單元。復雜的統計方法基于頻率，因此可能導出一些多詞單元?；谡Z法的方法利用語法分析器和標記符來識別詞匯的形態和語法屬性，可以自動歸類，考慮句法環境可以更準確地確定術語邊界。兩者結合的方法是基于語法來準備初始候選詞，然后通過統計數據進一步對詞頻排序。

在產品文本中，經常出現的一個詞，無論它是否是傳統意義上的“術語”，保持翻譯一致性非常重要。比如open和save，它們是軟件用戶界面的關鍵選項。傳統的術語理論支持名詞，可能會忽視動詞，因為名詞比其他語法范疇更能表達有形的概念。此外，如果是一般詞匯，而不是某特定主題領域的詞，就不能歸類為“術語”，因為傳統定義術語是“在特定主題領域指定一般概念”。

如果像open和save這樣的單詞用多個不同術語表達，可能會對公司形象和產品準確性產生負面影響。事實上，軟件廣泛使用這些普遍和常見的表達方式表明，有必要將單詞的出現頻率作為是否納入“術語”的參考標準。通過觀察結果，我們得出結論，頻率是術語提取的一個重要因素。

雖然動詞是軟件用戶界面中的關鍵術語，但通常來說，名詞是最常見的形式，能傳遞更多意義。多詞名詞性組（以名詞為詞頭的多詞術語）非常有價值，不僅是因為許多術語是多詞名詞性，還因為這種詞在目標語言中可以有不同的等價詞，詞序變化或介詞使用很常見。因此，用詞性篩選提取名詞和動詞是有益的，需要一個基于規則的術語提取器。在本文描述的過程中，同時依據頻率和詞性的混合方法效率最高。

五?縮減實際術語候選表

每個術語提取工具都會輸出“噪聲”，“噪聲”是指對當前翻譯項目沒有幫助的詞匯或其他各種字符串。翻譯術語列表前，應先去除噪聲。本文基于規則來定義噪聲。

噪聲可以通過以下分類過濾：

（1）通用詞匯。它們易于翻譯，可以在詞典中找到，而且翻譯不一致對整體翻譯質量幾乎沒有影響。

（2）不受翻譯約束的字符串，如字母數字字符串、標記標簽、代碼、內部注釋等。

（3）重復或同義項（稍后將對此進行解釋）。

（4）低頻術語，除非它們有一些重要的屬性，例如它們是否高度可見（在用戶界面或包裝材料上等）。

縮減候選表是一個復雜的、多階段的過程，需要一系列特殊技能。經驗表明，完全自動化不切實際，但是，如果沒有任何自動化，完全手工也耗時耗力。出于這個原因，我們將縮減過程分解為一系列步驟，其中一些可以自動化。在預翻譯對項目有價值的術語時，會產生主觀因素。因此，可遵循下列原則：

1.刪除通用詞匯

從候選表中刪除通用詞匯可以增加其與翻譯項目的相關性。翻譯人員可以輕松地翻譯這些單詞，而且翻譯不一致對整體翻譯質量幾乎沒有影響。如果該詞在產品中有重要意義則例外，如前面軟件用戶界面中的單詞。通用詞匯示例如下：person、page、time、useful

information、correct use、following step。

大多數術語提取工具都可以自動刪除虛詞（介詞、冠詞、代詞等），所以我們將重點討論名詞和動詞。再以軟件行業為例，像socks、cookie、mouse、Apple和worm這樣的單詞具有特殊含義，與字典解釋不同，它們需要根據產品進行準確翻譯。使用現有單詞表作為排除表可能會無意刪除這些單詞。因此，除非仔細檢查過現有排除表，否則不推薦使用。公司可逐步構建自己的通用詞匯排除表，這也是我們采用的方法。手動清理時，術語專家每刪除一個單詞，就自動存儲在排除表中，這需要一個程序自動記錄刪除時的情況。此外，只有在術語專家刪除通用詞匯時才啟用程序，而不是刪除其他類型的噪聲。否則，該表將被非通用詞匯污染，無法在其他需要純通用詞匯列表的應用程序中重新使用。

由于對術語候選詞“普遍性”的決定存在主觀性，術語專家應定期檢查排除表，收回任何可能有價值的術語。此外，由于通用詞匯的含義取決于特定領域，在某些情況下排除通用詞匯會更精確。

2. 刪除專有名詞

專有名詞應移到單獨文件中，因為它們很可能在目標語言中保持未翻譯。如果被標注為專有名詞，則可以保存在術語表中，以便下游目標語言術語學家能夠相應地處理它們。區分普通名詞和專有名詞需要一個自動詞性標注模塊。所采取的方法取決于公司中心術語數據庫是否允許包含專有名詞，因為術語文件最終將被合并到術語數據庫中。

3. 刪除標記不可譯的字串符

有些字符串不用翻譯。如軟件行業的文件名、編程代碼和網站鏈接之類的機器可讀信息。理想情況下，源語料庫應該用基于XML索引標記語言編碼，比如Darwin信息分類體系結構（DITA）。當源語料庫中使用“不翻譯”標注時，譯員可忽略它們的內容。因此，沒有必要在CAT術語數據庫中包含這些字符串。

4.過濾前置修飾語

在詞匯候選表中，應將具有共同含義的前置修飾語（如first、last、following、correct、next、right、wrong等）從多詞單元中刪除。比如把next replication 簡化為replication，不僅能提供更準確的術語，還可以提高術語在自動檢索中的再利用潛力。縮減術語可以和其他復合詞搭配，比如last

replication，failed replication。為此，可以創建或從外部獲取一組常見的前置修飾語表，在提取過程中自動對應刪除。

5.合并近似術語

有些術語僅僅是大小寫（如Userid和userid）、連字符（如eCommerce和eCommerce）或者有無空格（如check box和checkbox）的區別，我們將它們稱為近似項。有時，候選詞的大小寫都有效且含義不同（如White House和white

house）。在決定兩個術語是否近似時，術語專家需仔細評估，從而刪除其中一個或同時保留兩者。

CAT術語數據庫中不需要近似項。大多數CAT工具的自動索引功能支持模糊查找，如果術語庫中沒有術語直接匹配，則會自動顯示緊密相關的術語。刪除近似項可實現部分自動化。編寫一個程序，依據公司商定的術語表保留或刪除。但是，這種自動化涉及成本，雖節省時間，但可能會誤刪一些有效術語。在大型項目中，自動化可提高生產率，損失一些有效術語在一定程度上可以接受。

6.刪除已翻譯術語

先前翻譯項目中已翻譯術語可減少新項目術語候選表的清理工作。如果譯員的CAT工具接入了公司術語庫，那么重新翻譯已在該術語庫中的術語毫無意義。原則上，公司術語數據庫中已有術語可以從新候選術語表中刪除。這里假設公司術語庫中的術語與候選列表中“匹配”術語具有相同含義，否則就需要不同翻譯，兩者都要保留。如果候選術語和術語庫術語都有詞性標注，則可以驗證兩者語法類別是否相同。

確定公司術語數據庫中已翻譯術語取決于許多因素，包括：

主題領域：如果語料庫的主題領域未包含在公司術語庫中，則輸入的術語與現有術語具有不同含義的可能性更高。

候選術語表大?。寒敽蜻x表非常大時，目標語言術語學家不可能預翻譯所有術語。這時應刪除已翻譯術語，從而將列表簡化為“新”術語，因為至少一些刪除的術語在公司術語數據庫中具有可接受翻譯。

公司術語數據庫的翻譯數量：與翻譯較少的語言相比，有大量翻譯語言的匹配術語具有不同含義的風險較低。

從理論上講，可以考慮用這些因素來制定加權公式，以確定與刪除匹配項相關的風險因素。同時，需要進一步研究以確定上述風險因素和公式是否可用于過濾術語候選項。

7.人工進一步整理

完成所有自動步驟后，必須全面清理候選表。刪除通用詞匯需要在特定步驟中完成，以便可以自動更新通用詞匯排除表。我們提到了刪除不可翻譯的字符串和專有名詞，但是，還有清理任務需人工手動改進。

六?步驟順序

這些步驟按以下順序執行，可最大限度減少人工操作。

（1）刪除多詞術語中常見的前置修飾語;

（2）刪除標注不可譯的字符串;

（3）刪除已在所有目標語言中翻譯的交集詞源;

（4）刪除同義和近似項;

（5）刪除現有排除表中的通用單詞;

（6）手動刪除其他剩余通用單詞;

（7）基于刪除項自動更新通用單詞排除表;

（8）將專有名詞移到單獨文件中（基于詞性標注和專有名詞的排除列表）;

（9）手動刪除其他剩余不可譯字符串;

（10）手動合并拆分相關復合詞;

（11）手動將其他剩余專有名詞移動到單獨文件中;

（12）刪除各種語言的獨立翻譯術語表。

步驟1～5和7（完全自動化）刪除了60%～80%的候選術語，從而減少了人工清理（步驟6、8和9）。統計基于一個包含2000個候選術語的列表，整個過程，包括手動部分，大約需要30分鐘，最終得到一個包含100～250個經過驗證的詞匯列表。

七?問?題

由于統計方法本身的特點，考量信息較少，只從概率視角來考察詞語內部結合強度，進而判斷是否是術語，必然造成某些低頻術語未被識別;此外，基于統計的方法統計信息有限，忽略了大量語義、句法、詞性以及上下文信息，這些信息均對提取術語有很大的幫助。掃描語料庫時出現打字和拼寫等錯誤，那么術語候選表將包含這些錯誤。如果提取時設置一個高頻閾值，大多數錯誤輸出時就不會出現。因此，術語提取工具是一種有效的拼寫檢查工具。術語提取工具把公司術語數據庫作為“識別詞典”，將公司唯一的術語識別為有效單詞，這使得術語提取工具比現有的拼寫檢查工具更具上下文相關性。

八?新術語

如果語料庫中有新術語，它們也可能出現在候選術語表中。什么是“新”術語？

在商業環境中，“新”術語是指以前在翻譯過程或公司術語數據庫中沒有考慮到的術語。這種對新術語的解釋適用于與術語資源建設有關的專門術語管理，是在現有公司術語數據庫中重新使用術語的另一個機會?，F有的數據庫術語，同樣帶有詞性標注，可以作為“識別表”輸入術語提取工具。該工具不像排除表那樣排除這些術語，而是使用這個列表來識別已在術語數據庫中的語料庫術語。這些術語在輸出時指定了一個特殊標注。這樣，術語專家很容易知道哪些術語是“已知的”，哪些是“新的”，以便進行術語加工。術語專家可以在公司術語數據庫中添加可接受的新詞，并與產品開發團隊一起審查有爭議的新詞，從而在創建初期進行主動干預。

九?翻譯術語并重新利用

最終列表只包含每種語言的新術語（即公司術語數據庫中沒有翻譯的術語），以及詞性值和上下文句子等元數據。它們被轉換成CAT工具支持的文件格式，然后發送給目標語言術語學家。最終產品是一個翻譯后的CAT術語數據庫。CAT術語數據庫連同要翻譯的產品內容一起提供給譯員，譯員使用TM和術語數據庫在CAT工具中翻譯。翻譯項目完成后，將雙語CAT術語數據庫導入公司的術語數據庫中，如本文所述，在未來的項目中，這些翻譯將重復利用。

十?迭代改進

近十幾年來術語提取方法一直是學者們關注的熱點，從雙語語言資源中抽取出互為翻譯等價對的詞語是語言信息處理技術的重要橋梁。提取術語候選表半自動化的清理過程會隨著時間推移不斷改進。第五節描述了如何篩選術語候選表，未來會越來越自動化。第九節描述了如何重用譯后術語。構建專有名詞列表（最好在術語數據庫中）將迭代改進自動更新的步驟。實踐證明，企業特有詞典資源可以顯著提高詞匯提取過程的可行性。

十一?結?語

本文方法是基于語料庫的術語提取和術語標注原則，滿足為翻譯管道快速提供相關高質量術語的商業需求。文章描述的過程適用于將大量術語豐富的語料庫翻譯成多種語言的公司，必須仔細權衡一些自動化步驟的誤差幅度，以及通過自動化實現的規模經濟。這種方法的優點之一是重新利用現有資源，缺點是有些資源語義沒有對齊，可能導致處理錯誤。語料庫和術語數據庫之間的術語語義對齊需要進一步研究，將風險降到最低，還應該考慮主題字段參數。目前研究以經驗性為主，有待實證檢驗。

參考文獻

[1]Ananiadou S， Frantzi K. Statistical Measures for Terminological Extraction＼[R＼]. Working paper of the Department of Computing of ManchesterMetropolitan University， 1995.

[2] Arppe A. Term Extraction from Unrestricted Text ＼[DB/OL＼]. （1995） ＼[2012-12-01＼]http：//www2.lingsoft.fi/doc/nptool/termextraction.html.

[3] Cabré M T.TerminologyTheory， Methods and Applications ＼[M＼]. Amsterdam/Philadelphia：John Benjamins Publishing Company， 1998.

[4] Champagne G. The Economic Value of Terminology： An Exploratory Study ＼[EB/OL＼].（2004） ＼[2012-12-20＼].Montreal： Guy Champagne Inc.http：//www.termologic.com/EconomicValueTerminology.pdf.

[5] Daille B，Gaussier ， Langé J. Towards Automatic Ext

raction of Monolingual and Bilingual Terminology＼[C＼]// Coling. 94 Proceedings of 15th InternationalConference on Computational Linguistics， 1994（1）：515-521.

[6] Daille B. Qualitative Terminology ExtractionIdentifying Relational Adjectives＼[C＼]// Bourigault D， et al. Recent Advances in Computational Terminology.

Amsterdam/Philadelphia： John Benjamins Publishing Company， 2001：149-166.

[7] Enguehard C， Pantera L. Automatic Natural Acquisition of a Terminology ＼[J＼].Journal of Quantitative Linguistics， 1994， 2（1）： 27-32.

[8] Fang A C， Cao J， Song Y. A New Corpus Resource for Studies in the Syntactic Characteristics of Terminologies in Contemporary English ＼[C/OL＼].（2009） ＼[2012-12-10＼]. Proceedings of the 8th International Conference on Terminology and Artificial Intelligence. Toulouse.http：//www.irit.fr/TIA09/thekey/articles/fangcaosong.pdf.

[9] Frantzi K T. Automatic Recognition of MultiWord Terms ＼[D＼]. PhD thesis. ManchesterMetropolitan University， UK， 1998.

[10] Gillam L， Tariq M， Khurshid A. Terminology and the Construction of an Ontology ＼[C＼]// Fidelia I S， Condamines A， Castellvi M. ApplicationDriven Terminology Engineering. Amsterdam/Philadelphia： John Benjamins Publishing Company， 2007（2）：49-73.

[11] Heid U， et al. Term Extraction with Standard Tools for Corpus Exploration. Experience from German ＼[C＼]// TKE 96： Terminology and KnowledgeEngineering. Berlin： Indeks Verlag， 1996：139-150.

[12] Hull D. Software Tools to Support the Construction of Bilingual Terminology Lexicons＼[C＼]// Bourigault D， et al. Recent Advances in Computational Terminology， Amsterdam/Philadelphia：John Benjamins Publishing Company， 2001： 225-244.

[13] ISO 1087-1， quoted from the ISO TC37 Termbase ＼[DB/OL＼]. （2000） ＼[2012-12-18＼] .http：//iso.iterm.dk.

[14] Justeson J， Katz S. Technical terminology： somelinguistic properties and an algorithm for identification in text ＼[J＼].Natural Language Engineering，1995， 1 （1）： 9-27.

[15] Nataly K， DePalma D. TheCase for Terminology Management. Common Sense Advisory ＼[EB/OL＼]. （2009） ＼[2012-12-20＼].http：//www.commonsenseadvisory.com/Portals/_default/Knowledgebase/ArticleImages/090226_R_terminology_management_Preview.pdf.

[16] LHomme M C. La?Terminologie： Principles et Techniques＼[M＼]. Montreal： Les Presses de?lUniversité de Montréal， 2004.

[17] LHomme M C， Bowker L. Terminological Relationships and Corpusbased Methods for Discovering Them—an Assessment for Terminographers ＼[C＼]// Bowker L， Lexicography， Terminology， and Translation. TextBased Studies in Honour of Ingrid Meyer， Ottawa： University of OttawaPress， 2006： 67-80.

[18] Lee K， Webster J， Fang A C. eSpatial ML： An EventDriven Spatial Annotation Framework ＼[C＼]// Proceedings of the 24th Pacific Asia Conference on Language， Information and Computation. Sendai， Japan，2010： 223-232.

[19] Li H. Word Frequency Distribution for Electronic?Learners English Dictionaries ＼[C＼]// Granger S， Paquot M. eLexicography in the 21st century： New challenges， new applications， LouvainlaNeuve： Cahiersdu CENTAL， Presses Universitaires de Louvain， 2010：203-217.

[20] Li H， Fang A. Age Tagging and Word Frequency for Learners Dictionaries＼[C＼]// Newman J， Rice S， Baayen H， Corpusbased Studies in Language Use， Language Documentation， and Language Learning. Amsterdam： Rodopi Press，

2010：157-177.

[21] Sager J. A Practical Course in Terminology Processing＼[M＼]. Amsterdam/Philadelphia： John Benjamins Publishing Company， 1990.

[22] Warburton K. LISA Terminology Survey Results＼[R＼]. Localization IndustryStandards Association， 2001.

[23] Warburton K. LISA Terminology Management SurveyTerminology Management Practices and Trends＼[R＼] Localization IndustryStandards Association， 2005.

[24] Woyde R. Introduction to SAE J1930. Bridging the Disconnect Between the Engineering， Authoring and Translation Communities＼[EB/OL＼].（2005） ＼[2012-12-20＼].LISA Globalization Insider.http：//www.translationdirectory.com/article903.htm.

[25] Zhang X， Fang A. An ATE system based on probabilistic relations between terms and syntactic functions ＼[C/OL＼].（2010）＼[2012-12-24＼].Proceedings of 10th International Conference on Statistical Analysis of Textual Data.http：//lexicometrica.univparis3.fr/jadt/jadt2010/allegati/JADT-2010-1135-1144_155Zhang.pdf.

收稿日期：2019-06-05

基金項目：江蘇省研究生教育教學改革課題（JGLX19_019）和南京航空航天大學研究生教育教學改革課題（2018YJXGG19）階段性成果

作者簡介：卡拉·沃伯頓（1963—），女，術語管理學博士，曾任國際商業機器公司（IBM）術語專家、本地化行業標準協會（LISA）術語戰略專家。通信方式：

kara@termologic.com。

譯者簡介：宋楠楠（1994—），女，南京航空航天大學外國語學院2017級碩士研究生，研究方向為英語筆譯。通信方式：723203319@qq.com。朱波（1971—），男，南京航空航天大學外國語學院教授，研究方向為翻譯學和術語學。通信方式：zhu_bo@126.com。