基于排序學習的翻譯自動評價方法的研究.pdf

1、近年來，機器翻譯自動評價的研究一直是國內外機器翻譯界的研究熱點。翻譯自動評價不僅能夠快速的評價機器翻譯的質量，研究者們還可以把翻譯評價的結果作為反饋信息來調整其機器翻譯系統的參數。因此，其研究不僅有一定的直接應用價值，還可以在一定程度上推動翻譯理論的研究。
　　本文主要針對現有機器翻譯自動評價方法針對句子級評價性能不佳的現狀，探索了利用排序學習模型實現高性能的機器翻譯自動評價方法。主要研究內容包括以下幾個方面：
　　1.總結

2、分析現有機器翻譯自動評價廣泛采用的幾種基于相似度計算方法，并在各種數據集上對這些方法的優(yōu)缺點進行實驗對比。實驗結果表明這些方法在總體上性能有所差異，并且在不同數據以及同一數據的不同樣本分布上也同樣有所差異。
　　2.探究基于排序學習的翻譯自動評價方法，并采用最大熵和SVM排序學習方法融合現有的翻譯自動評價模型。實驗結果表明基于SVM排序學習模型融合的方法能夠更好地融合現有的翻譯自動評價模型各自的優(yōu)點，在句子級的評價方面獲得更佳的性

3、能。
　　3.提出多特征基礎上利用排序學習模型構建翻譯自動評價方法。其中多特征來源于兩方面，一方面是來自于現有基于相似度的翻譯自動評價模型內部的參數，另一方面是引入詞性這一淺層語言學特征。實驗結果表明基于特征融合的翻譯自動評價方法的性能要優(yōu)于模型融合的方法，詞性特征能夠有效的彌補現有方法的不足，基于SVM排序學習模型取得了句子級翻譯自動評價的最優(yōu)性能。
　　本文實驗采用目前機器翻譯自動評價研究中公開的人工評分標準各異、源語言