人工智能背景下英語術(shù)語自動識別與翻譯優(yōu)化研究

中圖分類號：TP391.1 DOI：10.12339/j.issn.1673-8578.2025.05.027

Research on Automatic Recognition and Translation Optimization of English Terminology under the Background of Artificial Intelligence//LI Yifei

Abstract：WitapidevelopntoftifcialintellgncetcholgtaditioalEgliserinolocogitionndaslati methodsfaceanyallges，chslowrocessingicyfreuenttinogbigityndotealaptlity thecontextoftewidespradaplicationofaturallanguageprocessingandpleanng odels，utomaticecogitioandtaslatio optimizationofEnglishtiologyhaveushedineoporunitiesfortechnologicalinnovationByintroducingprerdangage modelssuchasER，，etc.eracydomaindaptationdtraslatioconsistencyofteecogitioncanbesiiitly improved.Tisrticlestematallvisteuentplaonathoftifalintellgnceinermnolcogodtras lation，summaresitsainadvantagsandyicalsearios，alyskeythicalbotlenecks，ndproossultimesioaliprovementstrategiesfromalgorimoptization，datafusiontouman-machinecolaboratioimingtoprovidetoreticalspprtd practical paths for the intelligentization of professional language services.

Keywords：artificial intelligence;English terminology;automatic recognition;translation;optimization measures

0 引言

在全球化與技術(shù)驅(qū)動的雙重背景下，英語術(shù)語作為專業(yè)知識傳播與跨文化交流的核心語言資源，正面臨前所未有的更新速度與應用廣度。傳統(tǒng)術(shù)語處理手段多依賴人工查閱、Excel表整理及靜態(tài)詞典支持，難以應對術(shù)語體系多源異構(gòu)、變化頻繁及上下文依賴性強等現(xiàn)實需求。這種低效的處理方式不僅增加了譯者負擔，也制約了語言服務行業(yè)的整體智能化轉(zhuǎn)型1。近年來，隨著深度學習、自然語言處理（NLP）知識圖譜等人工智能技術(shù)的迅速成熟，術(shù)語處理迎來了由“人主機輔”向“人機協(xié)同智能主導”的范式變革。尤其是以Transformer為核心架構(gòu)的大語言模型（如DeepSeek、RoBERTa、T5、GPT等）在大規(guī)模語料訓練下展現(xiàn)出對專業(yè)術(shù)語語義的高度捕捉能力與語言生成能力，為術(shù)語自動識別與語境化翻譯提供了強有力支撐。

1英語術(shù)語自動識別技術(shù)現(xiàn)狀及發(fā)展瓶頸

1.1 術(shù)語識別技術(shù)演進歷程

早期術(shù)語自動識別技術(shù)主要基于統(tǒng)計方法，如TF-IDF（詞頻—逆文檔頻率）、C-value、NC-value等權(quán)重算法，通過識別詞語在語料庫中的出現(xiàn)頻率與上下文關(guān)聯(lián)程度來判斷術(shù)語候選項。這類方法對大規(guī)模語料處理具有一定適應性，但受限于語義理解能力，常在術(shù)語邊界識別、同義歧義判別上存在偏差。進入21世紀后，機器學習方法逐步引入術(shù)語識別流程，如條件隨機場（CRF）、支持向量機（SVM）等算法，能夠在一定程度上學習術(shù)語的結(jié)構(gòu)與上下文模式，從而提升術(shù)語識別的準確率與召回率。

近年來，以BERT、ERNIE、GPT為代表的預訓練語言模型迅速崛起，術(shù)語識別技術(shù)進入深度語義建模階段。這些大語言模型基于自注意力機制構(gòu)建多層語義表達，可有效捕捉術(shù)語的上下文語義及跨句依存關(guān)系2」。模型在進行術(shù)語識別任務時，通過微調(diào)（Fine-tuning）方式接入特定領域語料，即可在保持通用語義理解能力的同時，適配行業(yè)特有術(shù)語表達，極大地提高了術(shù)語提取的精準度與魯棒性。實驗研究表明，基于BERT的術(shù)語識別模型在醫(yī)學、法律、計算機等專業(yè)語料中的識別F1值普遍超過 90% ，遠高于傳統(tǒng)模型。

1.2 當前主流識別方法與應用實踐

目前，術(shù)語識別在人工智能支持下呈現(xiàn)多路徑融合趨勢。主流方法大致可分為三類：一是基于深度學習的序列標注方法，如BiLSTM-CRF、Transformer-CRF等，廣泛用于命名實體識別任務中，其在術(shù)語識別中也表現(xiàn)出良好的結(jié)構(gòu)建模能力；二是端到端的文本分類或片段識別模型，如基于BERT的Tokenclassification模型，可自動學習術(shù)語的上下文特征，無須人工設定詞性或模板；三是多模態(tài)與多通道融合方法，將詞向量、上下文向量、詞性特征、外部知識庫嵌入進行集成，提高術(shù)語識別在低資源領域的穩(wěn)定性。

在實際運用中，英語術(shù)語識別在法律合同智能審校、醫(yī)學文獻摘要提取、金融風險詞匯檢測以及工程項目資料自動分類等場景中有著廣泛應用，比如中國科學院自動化研究所開發(fā)的“智言術(shù)語識別平臺”，可支持中英文雙語術(shù)語的語義識別以及實時高亮顯示，擁有術(shù)語復現(xiàn)率檢測、術(shù)語相似度匹配以及可視化分析等功能，有效提高了翻譯前準備階段的效率。

1.3 英語術(shù)語識別面臨的技術(shù)瓶頸

盡管現(xiàn)階段術(shù)語識別技術(shù)持續(xù)取得進展，然而在應用的廣度以及深度層面，依舊面臨著諸多瓶頸。（1）語義歧義問題較大。術(shù)語一般有很強的領域依賴性，同一個術(shù)語在不同的語境里會表達不一樣的概念，比如說“interface\"這個詞，在計算機領域所代表的意思是“接口”，然而在工程結(jié)構(gòu)方面，它有可能指的是“接合面”。傳統(tǒng)模型沒辦法有效地判別這種語義切換，就算是預訓練模型，也得依靠大規(guī)模帶有標簽的數(shù)據(jù)，才可得到高置信度的輸出。（2）領域術(shù)語知識比較欠缺。雖然大語言模型有通用語料訓練的優(yōu)勢，可是在醫(yī)藥、能源、軍事、核技術(shù)等冷門領域，由于缺乏高質(zhì)量的訓練數(shù)據(jù)，使得模型沒辦法精準地學習術(shù)語語義表達以及詞義遷移規(guī)律，識別精度出現(xiàn)明顯下降，并且生成的結(jié)果大多存在“語義漂移”的現(xiàn)象。

2 英語術(shù)語智能翻譯優(yōu)化路徑分析

2.1上下文語義驅(qū)動的術(shù)語翻譯一致性提升機制

術(shù)語的最大特點在于語義高度凝練且概念邊界清晰，然而其意義大多時候依賴于上下文語境的限定，比如說，“margin”這個詞在經(jīng)濟學領域被譯為“利潤率”，在金融術(shù)語范疇中則可為“保證金”，在印刷行業(yè)里又可指“頁邊距”。傳統(tǒng)的翻譯手段一般是以詞表或者固定短語庫作為基礎的，缺少上下文建模機制，使得術(shù)語翻譯在多個場景中出現(xiàn)一致性欠佳、譯義存在偏差等問題。

由BERT或T5等預訓練模型構(gòu)建而成的智能翻譯系統(tǒng)，可憑借對上下文的深度建模，達成術(shù)語語義在句法結(jié)構(gòu)里的精確投射。比如在同一個句子中“interestmargin”和“grossprofit”同時出現(xiàn)時，大語言模型可依據(jù)語義聚類結(jié)果判定術(shù)語所處語境屬于財務報表范疇，統(tǒng)一翻譯口徑，自動調(diào)用金融術(shù)語子庫，輸出兼具專業(yè)性與一致性的譯文。借助上下文感知機制，還可有效判斷術(shù)語是否處于否定結(jié)構(gòu)、強調(diào)結(jié)構(gòu)或者非陳述句中，提高譯文在語法層面的自然度與邏輯性。

2.2 基于知識增強模型的術(shù)語翻譯準確率優(yōu)化策略

通用語言模型在多數(shù)文本任務里有著出色表現(xiàn)，然而在術(shù)語翻譯方面，存在專業(yè)語義不夠的問題。在冷門專業(yè)或者新興技術(shù)領域，因缺少訓練語料的支持，生成的譯文大多時候會出現(xiàn)“語義漂移”或者“偽術(shù)語”的狀況。為處理這個問題，近些年來研究者提出了“知識提高型術(shù)語翻譯模型”的想法，也就是在語言模型的基礎上，融合專業(yè)術(shù)語知識圖譜、術(shù)語關(guān)系網(wǎng)絡等外部知識資源，以此提高模型對術(shù)語語義結(jié)構(gòu)以及譯文選項的理解能力[3]。

2.3 語義聚類與術(shù)語歸一的術(shù)語規(guī)范化方法

在涉及眾多文獻、多個項目以及多種語體的場景當中，術(shù)語翻譯的一致性大多時候會因為譯員自身的個人偏好以及上下游語料不統(tǒng)一而陷入混亂。就拿“cloudcomputing\"這個詞來說，在一部分文檔里面被翻譯為“云計算”，然而在某些IT系統(tǒng)測試說明當中卻被譯成了“云端處理”。術(shù)語存在多種不同的表述，給內(nèi)容審校以及系統(tǒng)集成工作帶來了極大的困擾。術(shù)語翻譯的規(guī)范化機制已然成為智能術(shù)語翻譯體系的關(guān)鍵部分，當下主流的術(shù)語歸一化策略是采用“術(shù)語識別一語義聚類一最優(yōu)項生成一術(shù)語替換”這樣的四步方法。先是由識別模塊去定位術(shù)語候選，接著依靠聚類算法比如K-means、BERTEmbedding聚類等，將同義項或者概念相似的項整合起來，最后依據(jù)頻率、專業(yè)文獻權(quán)威程度、術(shù)語偏好標準等一系列原則挑選出最優(yōu)的譯項，以此完成整個流程的術(shù)語歸一化。比如說，工程建設領域的“l(fā)oad-bearingstructure”這個詞，智能翻譯系統(tǒng)可檢測到它在五個文檔里分別呈現(xiàn)為“承重構(gòu)件”“載重結(jié)構(gòu)”“受力骨架”等不同的表述，借助聚類算法來分析其語義的重疊性，把它統(tǒng)一替換為“承重結(jié)構(gòu)”，保證術(shù)語在項目周期內(nèi)的使用規(guī)范且統(tǒng)一。

2.4譯員交互反饋與人機協(xié)同的術(shù)語翻譯閉環(huán)機制

盡管當前術(shù)語翻譯自動化水平不斷提高，但在人機協(xié)同的多輪翻譯流程中，譯員反饋依然是提升術(shù)語處理質(zhì)量不可或缺的核心環(huán)節(jié)。一方面，術(shù)語使用具有明顯領域主觀性與策略性，單靠機器無法完全判斷譯者對術(shù)語風格、習慣用法、語域風格的偏好；另一方面，譯員在使用智能術(shù)語翻譯系統(tǒng)時積累的大量反饋數(shù)據(jù)，恰恰構(gòu)成術(shù)語優(yōu)化的關(guān)鍵資源。為實現(xiàn)術(shù)語翻譯的動態(tài)閉環(huán)優(yōu)化，目前部分術(shù)語系統(tǒng)已引入“術(shù)語譯文評分一個性化偏好建模一自適應調(diào)整”的反饋機制。例如，譯員在項目A中選擇將“greenfieldinvestment”翻譯為“綠地投資”，系統(tǒng)將此記錄為領域偏好項，在項目B中若識別到語義相似的句式，可優(yōu)先推薦此術(shù)語譯項。同時，系統(tǒng)根據(jù)譯員對術(shù)語譯文的評分行為（如“準確”“語義不當\"“表達生硬”等標簽）進行樣本標注，用于微調(diào)術(shù)語翻譯模塊，實現(xiàn)個性化術(shù)語生成。

3結(jié)語

在人工智能深度嵌人語言服務行業(yè)的時代背景下，英語術(shù)語的自動識別與智能翻譯正經(jīng)歷從“靜態(tài)處理”向“動態(tài)協(xié)同”的根本性轉(zhuǎn)型。本文圍繞術(shù)語識別技術(shù)演進路徑、翻譯優(yōu)化機制及人機協(xié)同模式展開系統(tǒng)探討，指出以大語言模型為代表的智能技術(shù)已成為術(shù)語翻譯提質(zhì)增效的重要引擎。通過引入上下文語義建模、知識增強機制、語義聚類歸一化算法以及譯員反饋閉環(huán)體系，可顯著提升術(shù)語處理的準確性、一致性與場景適應能力，從根本上改變傳統(tǒng)術(shù)語管理效率低、靈活性差、譯文不統(tǒng)一等問題。

參考文獻

[1]雷達欣.科技類文本中專業(yè)術(shù)語翻譯的探討：以物流英語為例[J].現(xiàn)代語言學，2024，12（12）：5.

[2]李寧艷.基于機器視覺的英語自動翻譯語法錯誤檢測系統(tǒng)研究[J].自動化與儀器儀表，2023（3）：279-283.

[3]邢浩，魏向清.金融英語翻譯教學中的術(shù)語意識培養(yǎng)[J].中國科技術(shù)語，2024，26（2）：81-87.