機(jī)器翻譯質(zhì)量評(píng)估與譯后編輯策略研究以中日專(zhuān)利文本為中心

中圖分類(lèi)號(hào)：H085;H315.9；TP391.2 DOI:10.12339/j. issn.1673-8578.2025.03.012

Machine Translation Quality Assessment and Post-Editing Strategies :A Case Study of Chinese-Japanese Patent Texts//TAN Hongxin

Abstract:WiththeincreasingfrequencyofscientificexchangesbetweenChinaandJapan，thedemandforpatentdocumentsandheir translatiohasgoapidlynteontextoftewidespradaplcationofachetranslationtisarticularlyimporattloe themachine translationof patentexts.Thisstudyselected Gogle Translate，Wenxiyiyan（4.O）and ChatGPT（4.O）tofocusonanalyzingtheirtranslationofprofesionaltermsinthefieldofelectroniccommuications.Combining theBLEUautomaticevauationindexandmulti-personmanual.Wecomparedthetranslationefectsofthereemacines，summarizedthemistranslationfeaturesand proposed corresponding post-editing strategies.

Keywords: patent text; Terminology Translation; machine translation quality assessment; post-editing strategy

近年來(lái)，電子通信領(lǐng)域?qū)＠g需求激增，人才供不應(yīng)求。同時(shí)神經(jīng)網(wǎng)絡(luò)機(jī)器翻譯(NMT)與生成式人工智能（GAI)的快速發(fā)展為翻譯界帶來(lái)新挑戰(zhàn)與機(jī)遇。目前市場(chǎng)主流翻譯系統(tǒng)包括Google翻譯、DeepL、百度翻譯等，而ChatGPT、文心一言等GAI也備受翻譯界關(guān)注。

專(zhuān)利文本兼具科技與法律文本特性，對(duì)表述標(biāo)準(zhǔn)化程度與術(shù)語(yǔ)準(zhǔn)確性有較高要求。胡開(kāi)寶、李翼指出，機(jī)器翻譯適用于特定領(lǐng)域的程式化或信息性文本[1]。而杜金華、張萌揭示未來(lái)翻譯市場(chǎng)中，“機(jī)器翻譯 + 譯后編輯”模式將成主流[2，提高機(jī)器譯文精度與翻譯效率成為關(guān)鍵課題。

本研究構(gòu)建中日電子通信領(lǐng)域?qū)φ照Z(yǔ)料庫(kù)，選取主流翻譯引擎Google翻譯，以及生成式人工智能ChatGPT(4.0）文心一言(4.0)作為翻譯系統(tǒng)，運(yùn)用Python計(jì)算BLEU值，結(jié)合基于《專(zhuān)利文獻(xiàn)機(jī)器翻譯質(zhì)量評(píng)價(jià)手冊(cè)》的多人人工評(píng)估，重點(diǎn)分析專(zhuān)業(yè)術(shù)語(yǔ)的翻譯，以期提高專(zhuān)利機(jī)器翻譯的質(zhì)量和效率。

1 研究設(shè)計(jì)

1.1 文本選擇

本研究創(chuàng)建初始對(duì)照語(yǔ)料庫(kù)，包含40件2020-

2024年間中國(guó)國(guó)家知識(shí)產(chǎn)權(quán)局電子通信領(lǐng)域?qū)＠谋镜?00句（180句非長(zhǎng)句，20句長(zhǎng)句，長(zhǎng)句定義為70字以上3）中文原文、參考譯文及機(jī)器譯文。參考譯文源自日本特許局官方文件及人工翻譯校對(duì)，機(jī)器譯文均于2024年7月31日輸出。

1.2 機(jī)器選擇

本研究選取NMT與GAI的機(jī)器代表：Google翻譯、文心一言（4.0)和ChatGPT（4.0）（以下簡(jiǎn)稱(chēng)文心一言、ChatGPT）。Google 翻譯自2016年采用神經(jīng)網(wǎng)絡(luò)技術(shù)后成為主流NMT系統(tǒng)，而文心一言和ChatGPT作為大規(guī)模語(yǔ)言模型的杰出典范，可實(shí)現(xiàn)多語(yǔ)種文本轉(zhuǎn)換。三者翻譯效果的異同及發(fā)展?jié)摿χ档锰骄俊?/p>

1.3 評(píng)估方法

戴光榮、劉思折將機(jī)器翻譯質(zhì)量測(cè)評(píng)方法分為三類(lèi)：自動(dòng)化評(píng)價(jià)（如BLEU）、基于錯(cuò)誤分類(lèi)的人工評(píng)價(jià)及兩者結(jié)合的半自動(dòng)評(píng)價(jià)[4]。本研究采用半自動(dòng)評(píng)價(jià)方式以確保客觀嚴(yán)謹(jǐn)。BLEU作為n-gram匹配度算法，通過(guò)量化機(jī)譯與參考譯文的詞匯重合度（得分 0～1 之間)來(lái)反映譯文準(zhǔn)確度，但仍存在同義替換不敏感等局限，需結(jié)合人工評(píng)估。人工評(píng)估依據(jù)日本專(zhuān)利局《專(zhuān)利文獻(xiàn)機(jī)器翻譯質(zhì)量評(píng)價(jià)手冊(cè)》，為質(zhì)量評(píng)估提供權(quán)威指南。

1.4 研究步驟

① 構(gòu)建中日專(zhuān)利平行語(yǔ)料庫(kù)； ② 對(duì)機(jī)器譯文進(jìn)行自動(dòng)化評(píng)估； ③ 基于手冊(cè)進(jìn)行多人人工評(píng)估；

④ 對(duì)評(píng)估數(shù)據(jù)進(jìn)行量化歸因分析； ⑤ 分析誤譯實(shí)例，提出譯后編輯策略。

2研究結(jié)果與分析

本章從自動(dòng)評(píng)價(jià)和相對(duì)的評(píng)價(jià)維度，評(píng)估各機(jī)器譯文質(zhì)量，揭示不同句長(zhǎng)文本中的翻譯差異，指出電子通信專(zhuān)利文本機(jī)翻的核心挑戰(zhàn)在于專(zhuān)業(yè)術(shù)語(yǔ)的處理。

2.1 自動(dòng)評(píng)價(jià)

本研究未對(duì)文心一言和ChatGPT進(jìn)行特別指令指示。將輸出的譯文經(jīng)過(guò)Python計(jì)算，得到各自的BLEU分?jǐn)?shù)。

經(jīng)統(tǒng)計(jì)，三個(gè)機(jī)器翻譯系統(tǒng)的BLEU得分多在0.65-0.85區(qū)間，表現(xiàn)良好。低于0.65分的案例中，Google翻譯較少（37例），高于0.85分時(shí)Google翻譯占比最高（ (19.5% ）。ChatGPT和文心一言分別有1例和3例滿(mǎn)分。另外，三者在非長(zhǎng)文中表現(xiàn)均佳( >0. 7 分），但在長(zhǎng)文中差異顯著：Google翻譯評(píng)分降幅達(dá) 8.13% ，ChatGPT微降0.96% ，文心一言提升 1.85% 。這表明GAI更善處理長(zhǎng)距離文本關(guān)系，文心一言的長(zhǎng)句翻譯優(yōu)勢(shì)或源于其本土化語(yǔ)料深度訓(xùn)練。

2.2 相對(duì)評(píng)價(jià)

依據(jù)手冊(cè)，對(duì)機(jī)器譯文從內(nèi)容傳達(dá)度、重要術(shù)語(yǔ)翻譯精度及流暢度三方面進(jìn)行多人人工評(píng)價(jià)，結(jié)果以數(shù)值表示，滿(mǎn)分為5分（見(jiàn)表1、表2）。

以上表格顯示，三個(gè)機(jī)器在“內(nèi)容傳達(dá)度”與流暢度”中的綜合評(píng)價(jià)相近，Google翻譯在長(zhǎng)句表現(xiàn)上劣于GAI，與自動(dòng)評(píng)價(jià)結(jié)果相符。

表2數(shù)據(jù)基于術(shù)語(yǔ)統(tǒng)計(jì)與分?jǐn)?shù)轉(zhuǎn)換，其中“適譯值”反映適譯詞（技術(shù)上同義且普遍使用的譯語(yǔ))占比，可譯詞指意思正確但非技術(shù)用語(yǔ)詞，誤譯詞為翻譯錯(cuò)誤詞匯，不譯詞涵蓋漏譯與不明詞語(yǔ)

三個(gè)機(jī)器在術(shù)語(yǔ)翻譯上均有不足：Google翻譯非長(zhǎng)句表現(xiàn)尚可，長(zhǎng)句質(zhì)量下滑；文心一言整體稍遜，非長(zhǎng)句適譯值低且漏譯多；ChatGPT輸出穩(wěn)定，不譯情況最少。隨句長(zhǎng)增加，三者適譯值均降，可譯值升；Google翻譯不譯值增加，而文心一言與ChatGPT不譯值降為0，這與機(jī)器文本分析能力密切相關(guān)。

3誤譯案例分析與譯后編輯策略

本章將機(jī)器譯文中頻發(fā)的誤譯現(xiàn)象具體歸類(lèi)為專(zhuān)業(yè)復(fù)合詞、新生技術(shù)詞、行業(yè)縮略語(yǔ)及專(zhuān)利表達(dá)，并展開(kāi)分析。

3.1 技術(shù)復(fù)合詞解構(gòu)失當(dāng)及策略

該誤譯源于機(jī)器翻譯對(duì)電子通信領(lǐng)域特定構(gòu)詞規(guī)則缺乏認(rèn)知，無(wú)法識(shí)別技術(shù)術(shù)語(yǔ)的語(yǔ)義凝固性。

如： ① 正交頻分復(fù)用（直交周波數(shù)分割多重（OFDM）），文心一言和ChatGPT均譯為「直交周波數(shù)分割多重化」，錯(cuò)誤添加動(dòng)詞化后綴“化”，改變名詞性技術(shù)術(shù)語(yǔ)的詞法屬性。 ② 跳頻擴(kuò)頻技術(shù)（周波數(shù)木ビンクスクトラ△摭散技術(shù)），文心一言誤譯為「波東オーミンアンナアレイ」，將完整技術(shù)概念“波束成形”（beamforming）割裂為「波束+才一ミン」，違反了日語(yǔ)技術(shù)術(shù)語(yǔ)中「ビー才ーミン」作為相位調(diào)控專(zhuān)有名詞的不可分割性，導(dǎo)致丟失“智能信號(hào)波束定向傳輸”的核心語(yǔ)義。

針對(duì)專(zhuān)業(yè)復(fù)合詞的翻譯，領(lǐng)域譯員可預(yù)定義“技術(shù)主體 + 功能屬性”的強(qiáng)制對(duì)齊規(guī)則（如：跳頻擴(kuò)頻 $$ 周波數(shù)木クスク卜ラ△擴(kuò)散），阻斷機(jī)器拆分翻譯。同時(shí)還需同步強(qiáng)化語(yǔ)義分析能力，準(zhǔn)確判定復(fù)合術(shù)語(yǔ)的內(nèi)部邏輯關(guān)系。

3.2 新生技術(shù)詞匯直譯偏誤及策略

統(tǒng)計(jì)顯示，新興專(zhuān)業(yè)術(shù)語(yǔ)的機(jī)器翻譯直譯現(xiàn)象明顯，這一問(wèn)題的根源在于術(shù)語(yǔ)庫(kù)更新滯后于技術(shù)發(fā)展，未建立新詞與知識(shí)體系的映射

如： ① 量子密鑰分發(fā)（量子鍵配送（QKD））在文心一言中譯為|量子鍵分堯」，源于該專(zhuān)業(yè)詞匯的日文對(duì)譯未被收錄，機(jī)器傾向于利用日語(yǔ)中現(xiàn)有詞匯自行構(gòu)造新術(shù)語(yǔ)。 ② 區(qū)塊鏈共識(shí)機(jī)制（□クチ工ーンコンセンサスアルコ）ス△），ChatGPT譯為「口クチ一ンコンセンサス機(jī)構(gòu)」。“共識(shí)機(jī)制\"在區(qū)塊鏈領(lǐng)域特指密碼學(xué)協(xié)議（如 PoW/ PoS)，需譯為專(zhuān)業(yè)術(shù)語(yǔ)コンセンサスアルコリ山」。而機(jī)構(gòu)」在日語(yǔ)中多指物理結(jié)構(gòu)或組織體系，導(dǎo)致技術(shù)精確性喪失。

對(duì)于此類(lèi)誤譯，譯員可通過(guò)3GPP/IEEE標(biāo)準(zhǔn)文檔逆向解析新詞生成路徑（如：非地面網(wǎng)絡(luò) $$ Non-Terrestrial Network $$ 非地上礻卜ーク）。另外，可在AI系統(tǒng)或特定平臺(tái)中設(shè)置語(yǔ)義防火墻，禁止將跨學(xué)科詞匯直譯為基礎(chǔ)詞匯，強(qiáng)制調(diào)用領(lǐng)域?qū)Ｓ迷~庫(kù)。

3.3行業(yè)縮略語(yǔ)還原失效及策略

該類(lèi)誤譯源于機(jī)器未能結(jié)合上下文判斷縮略語(yǔ)在目標(biāo)語(yǔ)中的規(guī)范化表達(dá)慣例，頻發(fā)于Google翻譯。

如： ① “eMBB”的正確日譯應(yīng)為3GPP標(biāo)準(zhǔn)定義的「強(qiáng)化型移動(dòng)帶域」，Google翻譯譯為「電子MBB」，應(yīng)是未接入標(biāo)準(zhǔn)術(shù)語(yǔ)庫(kù)，從而生成非標(biāo)表述。 ② “D2D”在專(zhuān)利的權(quán)利要求書(shū)中需首次展開(kāi)為「端末間直接通信（D2D)」，而在摘要中可保留縮寫(xiě)，但機(jī)器缺乏語(yǔ)境判斷規(guī)則。 ③ “mMTC”常譯為「大規(guī)模機(jī)械型通信（mMTC）」，機(jī)器翻譯常遺漏類(lèi)型限定詞“型”，導(dǎo)致模糊技術(shù)應(yīng)用場(chǎng)景。

針對(duì)行業(yè)縮略語(yǔ)的翻譯，譯員可以建立「中文縮略語(yǔ)-英文全稱(chēng)-日文規(guī)范譯法」動(dòng)態(tài)數(shù)據(jù)庫(kù)（例： massive Machine-Type Communication$$ 大規(guī)模機(jī)械型通信）。另外，根據(jù)專(zhuān)業(yè)術(shù)語(yǔ)所在專(zhuān)利文本結(jié)構(gòu)中的位置強(qiáng)制設(shè)定縮略語(yǔ)的標(biāo)記，如標(biāo)題/摘要：設(shè)定“全稱(chēng) + （縮寫(xiě)）\"格式（例：サ一ビス品質(zhì)（QoS)）;權(quán)利要求書(shū)：首次展開(kāi)后鎖定縮寫(xiě)（例：端末間直接通信（以下 D2D]∈(27) ）。

3.4專(zhuān)利特定術(shù)語(yǔ)和表達(dá)的誤譯及策略

專(zhuān)利文本采用高度程式化表述，用于精確描述發(fā)明內(nèi)容、背景技術(shù)等，以確保規(guī)范性和準(zhǔn)確性。諸如，題目常用“一種”或“方法”;摘要常用“本發(fā)明公開(kāi)了一種…”;權(quán)利要求首條為“1.一種…，其特征在于，…”，后續(xù)條目則基于首條展開(kāi)；背景部分常表述為“本發(fā)明涉及…，尤其涉及一種……”。譯員需檢查翻譯機(jī)器是否已調(diào)整句型，必要時(shí)手動(dòng)更正。如下例：

原文：一種顯示裝置，包括如權(quán)利要求1-14任一所述的顯示面板

參考譯文：請(qǐng)求項(xiàng) ずれか1項(xiàng)に記載 ① 表示兒含表示裝置

ChatGPT：表示裝置で、特許請(qǐng)求 範(fàn)囤1辦 ずれかに記載された表示を含。

此外，中日專(zhuān)利文本格式差異致使權(quán)利要求編號(hào)無(wú)法完全對(duì)應(yīng)，此類(lèi)誤譯源于機(jī)器難以識(shí)別專(zhuān)利結(jié)構(gòu)知識(shí)，需人工校正。因此，譯員應(yīng)增強(qiáng)專(zhuān)業(yè)素養(yǎng)，研習(xí)平行文本，積累知識(shí)與經(jīng)驗(yàn)，

4結(jié)語(yǔ)

本研究綜合評(píng)估了Google翻譯、文心一言、ChatGPT在電子通信領(lǐng)域?qū)＠谋旧系谋憩F(xiàn)，采用自動(dòng)及人工評(píng)價(jià)方式重點(diǎn)分析專(zhuān)業(yè)術(shù)語(yǔ)的誤譯，并提出了相應(yīng)譯后編輯策略。結(jié)論表明：(1)電子通信領(lǐng)域?qū)＠谋镜恼`譯集中于專(zhuān)業(yè)術(shù)語(yǔ)的翻譯。(2)生成式人工智能在處理長(zhǎng)句結(jié)構(gòu)上優(yōu)于專(zhuān)業(yè)機(jī)器翻譯系統(tǒng)，且隨句子長(zhǎng)度增加漏譯減少。（3）Google翻譯在重要術(shù)語(yǔ)上精度最高，但隨句子增長(zhǎng)精度下降，文心一言與ChatGPT譯出結(jié)果相似，整體精度相對(duì)較低。（4）專(zhuān)業(yè)術(shù)語(yǔ)的誤譯多集中于專(zhuān)業(yè)復(fù)合詞、新生技術(shù)詞、行業(yè)縮略語(yǔ)及專(zhuān)利特有表達(dá)，其譯后編輯策略可根據(jù)情況進(jìn)行預(yù)定義、建立動(dòng)態(tài)數(shù)據(jù)庫(kù)等。

參考文獻(xiàn)

[1]胡開(kāi)寶，李翼.機(jī)器翻譯特征及其與人工翻譯關(guān)系的研究［J].中國(guó)翻譯，2016(5):10-14.

[2]杜金華，張萌，宗成慶，等.中國(guó)機(jī)器翻譯研究的機(jī)遇與挑戰(zhàn)［J].中文信息學(xué)報(bào)，2013，27（4）：1-8.

[3]孔繁明.日漢翻譯要義[M].北京：北京中國(guó)對(duì)外翻譯出版公司，2004：128-129.

[4]戴光榮，劉思圻.神經(jīng)網(wǎng)絡(luò)機(jī)器翻譯：進(jìn)展與挑戰(zhàn)[J].外語(yǔ)教學(xué)，2023，44(1):82-89.