基于貪心算法的翻譯語料庫異質性特征自動挖掘方法＊

梁亞敏

（陜西咸陽師范學院，陜西咸陽 712000）

1 引言

語料庫主要指的是兩種語言對照的雙語語料的集合，能夠在翻譯的時候，通過軟件或是工具匹配翻譯語段和語料庫的匹配程度，幫助翻譯人員完成翻譯工作[1]。異質性是一種生物學概念。但將其運用在數據上時，主要指的是一個群體中所有個體的特征差異程度。異質性越大，其對應的個體特征分布越分散[2]。隨著翻譯語料庫內容不斷地豐富，處理的翻譯數據對象越來越復雜，數據的特征維數也不斷增多。

貪心算法是指對問題求解時，總是做出當前最好選擇，也就是針對問題得到局部最優解。根據數據的處理方式與變量處理方式的不同，如今的貪心算法可分為經典貪心算法、分布式貪心算法以及隨機式貪心算法[3]。為此，本研究使用貪心算法構建一種翻譯語料庫異質性特征自動挖掘方法，將異質性數據控制在同一個空間領域中，形成一個自動挖掘過程。

2 翻譯語料庫異質性特征自動挖掘方法設計

2.1 選擇翻譯語料庫異質性特征

多數的翻譯語料庫中存在大量的搜索條件[4]，對于異質性特征來講，特征選擇的解空間大小為2|C|，此時翻譯語料庫內的空間可用高度為|C|的完全二叉樹來描述，形成的空間樹結構如圖1所示。

圖1 翻譯語料庫形成的空間樹結構

在如圖1所示的空間樹結構下，可將異質性特征劃分為代價敏感、最小測試代價以及約束特征三個特征選擇過程[5]。首先針對代價敏感語料，假設該敏感語料A為獨立狀態，并且AC，其中C為翻譯語料庫，此時該敏感語料獨立翻譯語料庫的過程就可表示為：