基于句法和語義的英漢翻譯記憶系統設計研究

董菊霞

（平頂山學院，河南 平頂山 467000）

1 引言

互聯網技術的快速發展，促進了機器翻譯系統開發，借助互聯網平臺，實現系統數據庫信息實時更新，為用戶提供網絡訪問連接[1]。該系統支持多種語言的相互轉換，能夠為用戶交流提供便利條件。目前，機器翻譯系統主要分為兩種類型，分別是語料庫翻譯、語法分析翻譯[2]。相比之下，語料庫翻譯技術發展較好。由于自然語言歷經多年發展形成，人們針對相同的語言理解存在一定差異，因而降低了機器翻譯的準確性。面對重復率較高的文件翻譯工作，耗費時間較多[3]。翻譯記憶技術的提出，打破了傳統機器翻譯模式，能夠縮減重復語句的翻譯時間[4,5]。由于翻譯記憶技術研發時間比較短，尚未形成完善的英漢翻譯記憶系統。本文嘗試將語義和句法作為譯文指標，開發一套英漢翻譯記憶系統。

2 英漢翻譯記憶

2.1 英漢翻譯記憶方法

翻譯記憶指的是將以往翻譯任務獲取的經驗作為信息基礎，開展下一次翻譯任務，在此期間使用的系統，是翻譯記憶系統[6]。本文提出的英漢翻譯記憶，是以英語和漢語作為翻譯相互轉換的兩種語言，運用翻譯記憶系統，在記憶庫中搜索相似資源，作為譯文參考依據。用戶在使用該系統過程中，以系統提供的資源作為輔助翻譯工具，根據自己的理解，調整最終翻譯結果，以此提高翻譯效率。當系統處理新的翻譯任務時，將此任務與數據庫中資料進行匹配，生成相似譯文，作為翻譯參考依據，用戶根據譯文情況，選擇接受此翻譯結果，或者在此基礎上做出更改[7]。當本次翻譯結束后，相關翻譯信息將被存儲至記憶庫中。隨著使用時間不斷積累，記憶庫中的資源就會逐漸增加，有助于翻譯效率的提升[8]。

2.2 英漢翻譯記憶作業流程

英漢翻譯記憶方法涉及的主要技術有相似度計算、記憶庫技術、譯文構造技術[9]。運用這3項技術，對數據進行檢索、資源匹配、人工校對等處理，從而生成翻譯結果。本文提出的英漢翻譯記憶系統，從記憶庫中檢索相關數據，與原文數據進行對比，完成英語和漢語之間的轉換處理。如圖1所示為英漢翻譯記憶作業流程。

圖1 英漢翻譯記憶作業流程

首先，根據原文數據，調用記憶庫中的信息，經過數據檢索，尋找與之匹配的譯文資源。接著，對比檢索譯文資源與原文數據是否完全匹配，如果完全匹配，則生成譯文結果。反之，采用人工校對的方式，對本次譯文結果進行校對，同時將校對相關信息存儲至記憶庫中，以此豐富記憶庫中的譯文資源，同時優化譯文標準。

3 基于句法和語義的英漢翻譯相似度算法

翻譯相似度算法作為翻譯記憶系統開發的核心工具，以語義和句法作為翻譯相似度判斷指標，分析英語句子和漢語句子的譯文是否匹配。一般情況下，相似度范圍[0,1]，數值越接近1，則認為翻譯語句與原句越相似，從語義、句法兩個方面來看都是滿足翻譯意思標準的[10]。另外，單詞排序同樣符合譯文要求。如果相似度數值接近0，則認為兩個語句之間不存在聯系，語義和句法幾乎都不同[11]。本算法中，利用[0,1]范圍內數據表示譯文句子之間的相似程度。

關于相似度算法的開發，首先利用Link Grammar Parser軟件計算需要翻譯的句子，獲取該語句的句法結構[12]。其次，判斷生成的句法結構與原句的句法結構是否相同，如果完全相同，運用算法繼續計算獲取語義，并判斷生成的語義與原句的語義是否相似。其中，句義相似度的判定，以句子中的各個組成部分作為判定對象，分別對各個部分的語義相似度進行判斷，得到綜合判斷結果，從而避免譯文句子與原句之間實際相似度與計算結果產生偏差。例如，句子s1：TIFF IFD entry value has wrong size.句子s2：TIFF IFD entry has invalid value.對這兩個句子的相似度的計算，首先進行拆分，而后分別計算各個對應詞組的相似度。詞組1：(TIFF IFD entry),(TIFF IFD entry value)；詞組2：(has),(has)；詞組3：(invalid value),(wrong value)。這種相似度方法，與傳統方法中計算賓語value方法不同，給出的主要成分entry和value更加貼近實際語義。假設句子成分數量為n，利用句子成分字符串計算得到n數值，并采用公式（1）計算句子相似度：

假如抽取句子單詞的期間，發現單詞抽取后句子的成分為空，那么該句子中的被過濾單詞判定為代詞，句子中的各個成分相似度利用公式（2）計算。

公式（2）中，v1和v2代表向量，c1m和c2m均為字符。

例如句子They like singing.和句子He likes reading.之間的相似度計算，句子成分分為3個詞組。詞組1：{(they)(he)}；詞組2：{(like)(like)}；詞組3：{(sing)(read)}。利用公式（3）計算。通常情況下，采用wup計算的數據值范圍是（0,1），在Synset之間LCS深度不可能是0的情況下，可以使用公式（3）進行計算分析，但是如果輸入的Synsets相同，數據值就是1。

公式（3）中，wup方法得到的計算結果范圍為（0,1）；LCS代表公共包容最小值；depth代表深度。

基于上述原理，利用C語言進行編程，如下：

4 基于句法和語義的英漢翻譯記憶系統設計

4.1 系統總體架構設計

本系統架構主要分為3個模塊，分別是索引生成模塊、相似度計算模塊、譯文處理模塊。其中，相似度計算模塊又分為句法處理模塊、語義計算模塊。如圖2所示為系統總體架構。

圖2 系統總體架構

該架構中，索引生成模塊包括句子長度索引、字符串索引、句法索引3項功能；譯文處理模塊包括譯文處理、譯文存儲2項功能；句法處理模塊包括句法生成、句法比較2項功能；語義計算模塊包括關鍵詞抽取、語義相似度計算2項功能。

（1）句子長度索引：以“句子長度”為對象，在記憶庫中創建索引關系；

（2）字符串索引：以“字符串”為對象，在記憶庫中創建索引關系；

（3）句法索引：以“句法”為對象，在記憶庫中創建索引關系；

（4）句法比較：采用相似度計算方法，對原句和譯文結果中的句法進行比較；

（5）句法生成：通過相似度計算，生成句法相似度計算結果；

（6）關鍵詞抽取：從原句中抽取關鍵詞，作為譯文比對重點對象；

（7）語義相似度計算：采用相似度計算方法，對原句和譯文結果中的語義進行比較。

4.2 系統總體作業流程

按照如圖2所示的總體框架結構，設計系統總體作業流程：

第一步：向系統中輸入需要翻譯的語句；

第二步：根據英漢語言轉換需求，確定翻譯語句的語言類型；

第三步：分析句子字符串、長度，調用系統記憶庫，從庫中找到相似的譯文資源；

第四步：對比譯文資源的句子與原文的語義是否相符，如果相符，則輸出譯文，反之，執行下一步；

第五步：將句法作為資源搜索條件，從記憶庫中搜尋與原文的句法相似的例句；

第六步：計算記憶庫生成句子與原句的句法相似度；

第七步：從生成的例句中，挑選出句法相似度最高的例句，作為譯文結果；

第八步：根據用戶對譯文結果的滿意程度，決定是否對譯文進行更改。如果對譯文滿意，則直接輸出譯文結果，反之，對譯文采取修正處理，并將相關信息存儲至系統記憶庫中。

4.3 翻譯記憶庫設計

翻譯記憶庫分為3個級別，包括詞匯級、句子級、更深層級。其中，采用詞匯級設計的記憶庫優點為：譯文生成過程比較簡單，記憶庫作業簡單；缺點為：加工程序較為繁瑣，降低了翻譯效率。采用句子級設計的記憶庫優點為：加工程序比較簡單，容易擴充，句子翻譯較為清晰，容易比對；缺點為：譯文生成計算難度較高，對雙語資料的加工處理要求偏高。采用更深層級設計的記憶庫優點為：譯文生成的信息偏多，包括句子結構、詞類等，譯文資源較多；缺點為：加工程序頗深，加大了譯文信息例句擴充難度。

通過對比上述3個層級的實例庫的優點和缺點可知，如果前期譯文工作量較少，后期記憶庫的加工程度就會更大，反之前期工作量過重，后期可以降低加工程度，但是增加了管理工作量。對于英語句子的翻譯，是將句子拆分為多個簡單的句子，每個句子又分為主語、謂語、賓語。因此，本系統設計記憶庫時，以簡單句子為單位，根據句子成分展開翻譯，以此降低譯文難度，使得記憶庫開發比較容易實現。

本系統設計的記憶庫，兼顧系統管理與譯文檢索效率，以句子的句法、語義作為檢索要點，設計如表1所示的記憶庫結構。

表1 記憶庫結構

按照表1所示的記憶庫結構，存儲譯文資源，如果譯文結果未能得到用戶認可，則存儲用戶更改過的譯文信息，作為下一次相同句子翻譯參考依據。

關于記憶庫的創建，利用SQL Sever軟件開發3個數據信息表，表中的信息按照表1中的結構編輯。以下為3個數據信息表的設計方案：

（1）Component表：用于存儲句子的各個譯文內容和句子結構。

（2）Structure表：用于存儲與句子相關的信息，例如：譯文的句法結構等。

（3）Sentence表：用于顯示譯文結果，包括英語句子信息、漢語句子信息，兩部分信息相對應。

4.4 相似度計算

本系統采用相似度算法，對原句、譯文句子的相似度進行判斷，該判斷結果將作為系統翻譯處理依據。如果相似度達到100%，則輸出譯文結果，如果相似度不足，則繼續遍歷譯文結果，經過對比計算相似度參數數值，如果仍未達到100%，則與之前遍歷的譯文相似度數值進行對比，取最大值。而后判斷當前是否仍然存在未計算相似度對應的譯文例句，如果存在，繼續遍歷譯文并計算相似度，與之前最大值進行對比，直至所有譯文例句的相似度數值計算結束，從中選取相似度數值最大的譯文語句作為譯文結果，輸出譯文結果后，等待用戶審核，判斷是否對此譯文結果滿意，如果不滿意，更改譯文結果。如圖3所示為相似度計算流程。

圖3 相似度計算流程

首先，以句子的字符串作為對比對象，開展相似度對比。如果句子中的字符串完全相似，則生成相似度結果為“1”，反之，生成原句的句法結構，將其作為下一步相似度對比對象。接下來，對比原句的句法與譯文的句法是否一致，如果達成一致，則從譯文中抽取各個成分關鍵詞組，計算相似度，并生成相似度結果，數值范圍[0,1]。如果句法未能達成一致，則生成相似度結果為“0”。最后，返回相似度計算初端，開啟下一次句子相似度計算。

4.5 譯文生成

本系統針對英漢語句的翻譯，采用相似度算法進行計算，所得計算結果范圍[0,1]。按照相似度取值情況，將譯文匹配類別劃分為3種：（1）“完全不匹配”，對應相似度數值為0，此情況需要修改譯文才可以使用，譯文生成的流程為“wrong size”→“invalid value”→“非法值”→修改大小錯誤→生成譯文結果。（2）“模糊匹配”，對應相似度數值為(0,1)，此情況需要采用人工翻譯生成的譯文才可以使用，譯文生成的流程為“has”→“has”→“有錯誤”→調整部分譯文結果→生成譯文結果。（3）“完全匹配”，對應相似度數值為1，直接復用譯文即可，譯文生成的流程為“TIFF IFD array entry”→“TIFF IFD array entry”→“TIFF圖像的IFD數組項”→復用“TIFF圖像的IFD數組項”→生成譯文結果。

5 系統測試與分析

5.1 測試內容與方法

（1）英漢翻譯系統的索引生成和關鍵詞的提取

索引生成測試：記憶庫中，創建主索引和次索引。其中，主索引創建建立在英語句子字符串基礎上，次索引創建建立在句子長度基礎上，根據索引關系在記憶庫中快速完成句子的檢索，從而找到與待譯句子相近的例句。

關鍵詞的提取測試：主要測試系統提取出的關鍵詞是否為待譯句子的核心和主要詞匯。

（2）英漢翻譯系統相似度測試

本次測試以傳統機器翻譯系統作為對照組，以本文設計的英漢翻譯系統作為實驗組，分別對兩種系統的英漢語句翻譯中譯文結果相似度進行測試。測試中，分為兩種情況，其中一種情況為不含有重復句子（全為新句），另外一種情況為含有重復句子（部分為新句）。每種情況設定英語句子的數量分別為200個、400個、800個。

（3）英漢翻譯系統耗時測試：該項測試內容以不同情況下的系統作業耗時作為主要測試指標，兩種情況及英語句子數量設置同測試內容（2）。

5.2 測試結果分析

對本系統的索引生成和關鍵詞的提取功能進行測試，結果如表2所示。

表2中測試結果顯示，本系統能夠有效創建待譯句與數據庫中例句之間的索引關系，并且提取句子關鍵詞的可靠性較高，有助于系統英漢翻譯準確性的提升。

表2 系統索引生成和關鍵詞提取功能測試結果

另外，按照系統測試內容與方法，分別對傳統機器翻譯系統、本翻譯系統的譯文相似度、耗時情況進行測試，結果如表3、表4所示。

表3中，與傳統機器翻譯系統相比，本文設計的翻譯系統生成的譯文相似度更高，僅有英語句子增加至800個時，存在2個句子譯文相似度未能達到標準，而傳統機器翻譯系統的譯文相似度不達標數量達到了37個。針對重復語句情況，本翻譯系統的譯文相似度效果更佳，僅有1個句子譯文未能達到標準，而傳統機器翻譯系統的譯文相似度出現了下降變化趨勢。因此，本翻譯系統在英漢句子翻譯中的精確度更具優勢。

表3 英漢翻譯系統的譯文相似度測試結果

表4中，與傳統機器翻譯系統譯文耗時情況相比，本翻譯系統在不同情況下的譯文耗時更短一些，隨著句子數量的增加，單個句子譯文耗時明顯下降。另外，英語句子中存在重復語句情況下，傳統機器翻譯系統的耗時幾乎保持不變，而本翻譯系統的耗時出現了明顯下降的變化特點。因此，本翻譯系統在英漢句子翻譯中的耗時更具優勢。

表4 英漢翻譯系統的耗時測試結果

6 結語

本文采用翻譯記憶技術，以語義、句法作為翻譯處理指標，設計一套英漢翻譯記憶系統。該系統通過構建記憶庫，將兩種語言的翻譯資源存儲至其中，而后按照原文中的語義、句法，提取記憶庫中的資源，與原文進行匹配，取相似度最高的譯文作為翻譯結果，經過人工修正生成譯文。系統測試結果表明，本系統能夠更為精準地翻譯句子，且作業效率較高。