基于Web的中英术语翻译获取方法研究.pdf

2 0 1 0 年4 月沈阳航空工业学院学报A p t 2 0 1 0 第2 7 卷第2 期 J o u r n a lo fS h e n y a n gI n s t i t u t eo fA e r o n a u t i c a lE n g i n e e r i n gV 0 1 2 7N o 2 文章编号：1 0 0 7 1 3 8 5 ( 2 0 1 0 ) 0 2 0 0 5 5 0 4 基于W e b 的中英术语翻译获取方法研究 董燕举1 2 白宇1 蔡东风1 ( 1 ，沈阳航空工业学院知识工程中心。辽宁沈阳1 1 0 1 3 6 ；2 沈阳航空工业学院计算机学院，辽宁沈阳1 1 0 1 3 6 ) 摘要：从W e b 双语资源中获取术语翻译具有很大应用价值。从实用化术语翻译角度出发，设计 了一个基于W e b 的中英术语翻译系统。该系统使用G o o s h 搜索引擎，通过关键词扩展技术搜索 词汇表类型网页，从其搜索结果摘要中抽取术语翻译。实验结果表明系统取得良好性能：T O P I 的正确率达到9 0 9 。T O P 3 的正确率达到9 5 4 。 关键词：术语翻译获取；w e b 信息抽取；术语翻译；信息检索；w e b 挖掘 中图分类号：T i t 3 9 1文献标识码：A 当今科学技术发展日新月异，每个学科都拥 有大量专业术语。术语是表达一个专业领域知识 的核心词汇。术语翻译是将一种语言术语翻译为 另一种语言的等价词汇。科技文献翻译要求专业 性和准确性，术语翻译成为其核心问题和难点问 题。 术语翻译最简单的方式是直接查找各种专业 词典。但专业词典的词汇量总是有限，特别是不 能及时吸纳补充新术语，造成大量未登录术语词 汇。而当前W e b 是世界上最大的动态知识库和 信息库，其中存在大量术语词汇双语资源，如在线 双语词典、双语对照词汇表、双语对照网站等。因 此可以利用W e b 上双语资源进行术语翻译，将术 语翻译问题转变为在W e b 中获取对应目标语言 翻译的过程。其研究目标是给定一个源语言术 语，在W e b 中获取其对应的目标语言术语。例如 对一个中文术语“母线槽”，中英术语翻译过程即 是在W e b 中搜索并获取它的对应英文术语“b u s d u c t ”。基于W e b 的术语翻译获取技术研究涉及 信息检索、信息抽取、自然语言处理等多个研究领 域，在辅助机器翻译、跨语言信息检索、领域双语 词典构建等领域中都具有重要应用价值。 各种语言学习网站和专业网站存在大量专业 双语词汇表网页( 本文简称词汇表网页) ，如图1 所示。词汇表网页中的双语词汇一般属于特定专 收稿日期：2 0 1 0 一O l 一0 7 基金项目：辽宁省自然科学基金( 2 0 0 6 2 0 0 6 ) ；辽宁省高校创新团 队支持计划项目( 2 0 0 7 T 1 4 0 ) 作者简介：董燕举( 1 9 7 3 一) ，男。硕士，讲师，主要研究方向：信息 检索，E m a i l ：d o n g y a n j u l 6 3 1 6 3 e o m 。 业领域，包含很多专业新术语和惯用语，因而具有 专业性、时效性、高质量等特点，是优质的专业双 语词汇资源。本文设计了一个基于W e b 的中英 术语翻译获取系统，该系统使用了基于搜索词扩 展的定位搜索技术，利用G o o g l e 搜索得到包含术 语翻译的词汇表类型网页摘要，直接从网页摘要 中获取术语翻译。该方法抽取模式设计简单，而 且不用下载每个网页，处理效率较快。所获取的术 语翻译质量较好。实验表明该系统取得了良好的 翻译正确率。另外，尽管本文论述的是中英术语 翻译获取问题，实际上该方法同样可应用于其它 语种的术语翻译获取。 图1机械专业中英词汇表网页示例 1 相关研究 基于W e b 术语翻译实质上是从W e b 的双语 资源中获取术语对应的翻译项，其研究包含两个 关键问题：( 1 ) 术语翻译获取来源定位问题，即找 万方数据 沈阿J 航空- r ：业学院学报第2 7 卷 到术语翻译所在的网页；( 2 ) 如何识别并抽取该 术语相应的翻译。术语翻译获取来源主要是 W e b 中的双语网贞资源，包括各种双语对照网 站、外语学习网站、在线双语知识库等。基于 W e b 术语翻译获取方法主要有以下两种： 1 ) 基于搜索的方法。该方法一般使用搜索 引擎在W e b 中搜索源术语，然后利用目标翻译的 特征信息( 如与源术语位置关系、频率、上下文特 征、词性等) 在搜索结果网页集中抽取一组目标 语言的候选翻译项，构成候选翻译项集合。然后 根据候选翻译评价模型，从候选翻译项集中选择 最佳翻译项。 方高林的汉英翻译获取系统利用巾文术 语每个汉字的英文作为预测信息，作为源术语的 扩展搜索词，以此搜索日标网页，从中抽取候选翻 译项。然后使用了词汇分布特征，长度比率，与 中文术语的距离，关键符号与边界信息等多种特 征，对候选翻译项集进行排序。而在一个基于 W e b 的英中术语翻译系统【2 中，方高林又利用后 缀数组构造候选翻译，使用子集冗余和词缀冗余 两种方法解决噪音干扰问题，最后基于互信息方 法从候选翻译集中选择最伟翻译项。 为了更快捷地获取术语翻译，C o n r a dC h e n 1 在中英术语翻译系统中直接从G o o g l e 搜索结果 页中抽取候选翻译项。整个系统包括候选翻译获 取、候选翻译评价和候选翻泽验证兰个处理步骤， 能够完成人名、地名等命名实体类型短语的翻译。 系统制定了一些规则以识别命名实体类型的候选 翻译项，然后基于发音、词义、频率、与中文术语相 对位置等多种特征对候选翻译项进行评价，在候 选翻译集中选择最佳翻泽项。 双语混合网页( 如词汇表网页) 是一种有用 的双语资源。为了使搜索结果中包含双语混合网 页，Y i n gZ h a n g l 4 1 提出了一个利用英文线索词扩 展中文搜索词的方法。所谓英文线索词是指与该 术语相关的英文词。例如搜索“列夫托尔斯泰” 的英文翻译，可将列夫托尔斯泰的作品“战争与 和平”对应的英文“w a rp e a c e ”作为英文线索词加 入到搜索词中。该方法基于这样一个假设：出现 了术语相关的英文词的页面更可能出现该术语的 英文翻译，由此作者提出了若干英文线索词的选 择规则。 2 ) 模式匹配方法。该方法首先利用自动方 法或手工方法建立起双语匹配模板，根据匹配模 板从大量网页中批量抽取双语术语。模式匹配法 是自动构造大规模双语词典的一种有效方法。 G u i h o n gC a o 等p3 提出了一种基于中文网页建立 英中双语词典的方法。该方法定义了四种抽取模 板( 如图2 所示) 用于从大量网页中抽取英中双 语词汇。在图2 中C 1 ，C 2 ，C n 表示中文字串， 而E n 表示英文字串。 图2 四种抽取模块 括号翻译是中文网页中一种常见的双语混合 形式。例如“人工智能( A r t i f i c i a lI n t e l l i g e n c e ) ”。 括号翻译是典型的匹配模式，一般形如“中文串 ( 英文串) ”。括号内的英文串是英文术语，而中 文术语在括号左侧的中文串中。括号翻泽处理难 点在于如何确定中文术语边界。郭稷等3 提出 一种基于统计的方法解决这一问题。该方法首先 使用中文分词工具对中文串切分，然后将切分后 的中文词自右向左构造多个可能的中文词串。每 个词串与括号内的英文术语构成一个候选双语术 语对。然后基于共现频率等特征建立统计判别模 型，利用感知机来训练判别模型。最后使用训练 好的判别模型从中选择最佳双语术语对。 2系统结构 系统总体结构分为G o o g l e 搜索、候选翻译抽 取和候选翻译排序三个模块。对于一个中文术 语，系统首先调用G o o g l e 搜索引擎检索得到 G o o g l e 搜索结果页。G o o g l e 搜索结果页包含各个 相关网页的摘要信息。然后从前1 0 0 项网页摘要 中识别出词汇表网页类型摘要，利用测汇表抽取 模式从中提取出候选翻译项。所有候选翻译项组 成了该术语的候选翻译集合。最后根据G o o g l e 前1 0 0 项搜索结果中的m 现频率对所有候选翻译 万方数据 第2 期董燕举等：基于W e b 的中英术语翻译获取方法研究 项进行排序，输出前三个出现频率最高的翻译项。 系统处理流程如图3 所示。 l I 文术语 图3 系统处理流程图 3 G o o g l e 搜索 G o o g l e 搜索模块主要功能是首先对搜索词进 行扩展，之后通过程序调用G o o g l e 搜索引擎得到 搜索结果页，最后对搜索结果页解析，从巾提取前 1 0 0 项摘要信息。 3 1 基于搜索词扩展的定位搜索 如果单纯用中文术语作为搜索词，搜索引擎 一般将返回巨大数量的搜索结果，很难保证有价 值的词汇表网页一定出现在前1 0 0 项搜索结果 中。为了使搜索结果中出现更多词汇表网贞，我 们使用了搜索词扩展的方法。该方法通过附加 “专业”、“英汉”、“汉英”、“词汇”、“对照”、“英 文”等词汇表网页的特征词，使得词汇表网页在 搜索结果中排序靠前，从而实现了定位搜索的目 标。例如：直接用G o o g l e 搜索“母线槽”，搜索结 果的前1 0 0 项中，都是母线槽相关产品和厂家信 息。如果使用“专业英语词汇”作为扩展搜索词， 搜索结果中有8 1 项是词汇表网页，其中1 5 个摘 要中包含母线槽的英文翻译b u sd u c t 。图4 为一 个英中词汇表网贞摘要示例。 图4 母线槽G o o g l c 英中词汇表网页摘要示例 3 2 G o o g l e 摘要抽取模式 为了抽取G o o g l e 搜索结果页中的摘要信息， 需要对h t m l 源文件进行解析处理。G o o g l e 结果 页由若干网页摘要项组成。通过分析结果页的 h t m l 源文件，可知每个网页摘要项主要包括三个 部分：网页标题、网页正文摘要和网页的u d 地 址。根据网页摘要前后的h t m l 标签特征，我们设 计了网页摘要项和网贞摘要正文的抽取模式。由 于G o o g l e 摘要标签将不定期地改变，因此抽取模 式也将随之变化。当前系统所用的网页摘要抽取 模式如图5 所示。 图5G o o g l e 摘要抽取模式 4 候选翻译抽取 候选翻译抽取是从词汇表网页的正文摘信息 中抽取候选翻译项。我们根据词汇表网页的 G o o g l e 摘要特征，设计出针对词汇表网页摘要的 候选翻译抽取模式，如图6 所示。该模式包括 “中英”和“英中”两种类型，分别应用于中英和英 中两种双语对照形式。模式中的“I ”表示或关 系。 图6 词汇表摘要模式 为了保证所抽取候选翻译的准确性，我们制 定了三个抽取规则：( 1 ) 候选翻译只能出现于词 汇表网页摘要中；( 2 ) 词汇表网页摘要与抽取模 式相符，且中文术语必须出现其中；( 3 ) 候选翻译 只能是中文术语前或其后的英文串。通常词汇表 网贞有中英对照和英中对照两种类型。词汇表网 页的类型可以决定抽取中文术语之前还是之后的 英文串作为候选翻译项。根据词汇表网页摘要模 式，可以按从头特征串开始的前两个短语字串对 照类型( 中英或英中) 作为词汇表网页的类型。 若是中英类型，抽取中文术语前的英文串作为候 选翻译，否则抽取其后的英文串。例如：对于“母 线槽”，图3 对应的网页摘要为：“b u sd u c t 母 线槽s u b s t a t i o n 分站f l o wi n s t r u m e n t 流量计”， 头特征串和尾特征串都为“”，摘要类型为英 中类型，因此抽取中文术语“母线槽”前的英文串 “b u sd u c t ”作为一个候选翻译。 万方数据 5 8 沈阳航空工业学院学报 第2 7 卷 5 实验结果与分析 实验使用的测试数据分别随机选自化学、物 理学和计算机三个专业1 2 0 个常用术语，其中化 学3 5 个、物理学3 5 个、计算机5 0 个。搜索时使 用了“专业英语词汇”作为扩展关键词。总计有 1 1 0 个术语返回至少一个翻译项，其中1 0 5 个术 语返回了正确的翻译结果，召回率为8 7 3 。实 验所获取的部分英语翻译结果如表1 所示。 表1 抽取术语翻译示例 本实验使用人工评价术语翻译的正确性。评 价时既考虑含义正确性，也考虑了术语所属专业 领域。例如术语“模块”的一个翻译为“d i e b l o c k ”。“d i eb l o c k ”在模具工程领域有模块含 义，而计算机专业最常用的英文词是“m o d u l e ”， 因此评价“d i eb l o c k ”为错误翻译。实验正确率统 计结果如表2 所示。 表2 术语翻译获取的正确率 表2 中，翻泽正确率是指系统获取出的英文 翻译正确率。T O P l 是指按出现频率排序后的排 序最高译项。T O P 2 和T O P 3 是指排序的前两个 和前三个译项。由于同义词及拼法差异，一个术 语可能有多个等价英文翻译，因此T O P 2 或T O P 3 都可能是正确的。T O P l 一般是最常用的义项。 例如物理术语“过饱和蒸气”的前三个译项如表3 所示。 表3 “过饱和蒸气”的译项 译项 出现频率 T O P Io v e r s a t u r a t e dv a p o r1 8 T O P 2 s u p e r s a t u r a t e ds t e a m 1 5 1Q ! ! ! P ! 竖! 坐翌! ! 垒! ! 巴! 实验结果显示系统具有良好的正确率，但召 回率相对不高。主要原因是翻译抽取中使用了严 格的抽取规则。这样使得G o o g l e 摘要中可能出 现的一些术语译项，由于不能精确匹配词汇表网 页摘要抽取模式而被放弃。 6 结论与未来工作 本文描述一个基于W e b 的中英术语翻译获 取系统。该系统利用搜索词扩展技术，调用 G o o g l e 引擎在W e b 中进行定向搜索，使用模式匹 配方法在词汇表网页摘要中获取英文译项。实验 表明该系统的翻泽结果有良好的正确率，具有很 好的实用价值。未来研究工作重点是解决翻译抽 取模式的模糊匹配问题，减少摘要中噪声信息影 响，以提高系统的召回率。 参考文献： 1 G a o l i nF a n g 。H a oY u ，a n dF u m i h i t oN i s h i n o C h i n e s e E n g l i s h T e r mT r a n s l a t i o nM i n i n gB a s e do nS e m a n t i cP r e d i c t i o n A P r o - e e e d i n g so ft h eC O L I N G A C L2 0 0 6M a i nC o n f e r e n c eP o s t e rS e s s i o n s C 2 0 0 6 ：1 9 9 2 0 6 2 G a o l i nF a n g ，H a oY u W e bT r a n s l a t i o nM i n i n gB e do nS u f f i x A r r a y s J 】J o u r n a lo fC h i n e s eL m g l l a g ea n dC o m p u t i n g ，2 0 0 7 ， 1 7 ( I ) ：1 一1 4 【3 C o n r a dC h e n ，H s i n H s iC h e n AH i l g h A c c u r a t eC h i n e s e E n g l i s hN EB a c k w a r dT r a n s l a t i o nS y s t e mC o m b i n i n gB o t hL e x i e a l I n f o r m a t i o na n dW e bS t a t i s t i c s A P n ，e e e d i n g so ft h ec 0 L I N G A C L2 0 0 6M a i nC o n f e r e n c eP o s t e rS e s s i o n s C 2 0 0 6 ：8 l 一8 8 4 Y i n gZ h a n g M i n i n gT r a n s l a t i o n s o fO O VT e r m sf r o mt h eW e b t h r o u g hC r o s sl i n g u a lQ u e r yE x p a n s i o n C I n ：P r o c e e d i n g so f S I G I R 0 5 2 0 0 5 5 G u i h o n gC a o ，J i a n f e n gG a o ，J i a n Y u nN i e AS y s t e mt oM i n e L a r g e S c a l eB i l i n g u a lD i c t i o n a r i e sf r o mM o n o l i n g u a lW e bP a g e s c I n ：P r o c e e d i n g so fM TS u m m i tX I ，2 0 0 7 6 郭稷。吕雅娟，刘群一种有效的基于w e b 的双语翻译对获取 方法 J 中文信息学报，2 0 0 8 ，2 2 ( 6 ) ：1 0 3 1 0 9 7 】尹宋生，陈建军，张桂平基于知识管理技术的翻译R o b o t 的 设计与应用 J 沈阳航窄工业学院学报，2 0 0 8 ，2 5 ( 5 ) ：6 8 7 0 8 L o n gJ i a n g ，S h i q u a nY a n g ，M i n gZ h o u ，e ta 1 M i n i n gb i l i n g u a l d a t af r o mt h ew e bw i t ha d a p t i v e l yl e a r n tp a t t e r n s A 】P r o c e e d i n g s o ft h e4 7 t hA n n u a lM e e t i n go ft h eA C La n dt h e4 t hI J C N L Po ft h e A F N L P c 2 0 0 9 ：8 7 0 8 7 8 ( 下转第5 4 页) 万方数据 5 4 沈阳航空工业学院学报 第2 7 卷 问题。 参考文献： 1 张琪V i s u a lF o x P r o 数据库教学中的矛盾及其对策 J 职业 技术，2 0 0 6 ( 2 2 ) ：9 3 9 4 2 】徐亚军V i s u a lF o x P r o 程序设计基础 M 北京：清华大学出 版社，2 0 0 6 3 何振林。罗奕，孟丽关于V i s u a lF o x P r o 数据库教学方法的一 点探索 J 成都中医药大学学报，2 0 0 5 ，7 ( 2 ) ：7 3 4 李春葆，曾慧数据库原理与应用基于V i s u a lF o x P r o M 】北京：清华大学出版社2 0 0 5 5 赵忠孝数据库原理及V i s u a lF o x P r o 应用 M 北京：高等教 育出版社，2 0 0 4 6 刘季平V F P 程序设计课教学方法浅探 J 科技创业月刊。 2 0 0 5 ( 0 5 ) ：1 5 4 1 5 5 7 聂永红V i s u a lF o x p r o6 0 程序基本结构探索 J 科技资 讯，2 0 0 8 ( 3 0 ) ：2 3 2 4 8 许树云V F P 应用中的数据共享与程序安全问题探讨 J 交通与计算机，2 0 0 5 ( 0 3 ) ：1 2 6 1 2 9 D i s c u s s i o no fs o m eq u e s t i o n si np r o g r a md e s i g nu s i n gV F P S U NY u x i aW A N GX i a o y a n ( E n g i n e e r i n gT r a i n i n gC e n t e r ，S h e n y a n gI n s t i t u t eo fA e r o n a u t i c a lE n g i n e e r i n g ，L i a o n i n gS h e n y a n g110 13 6 ) A b s t r a c t ：T h ed i f f i c u l t i e sa n dt h e i rs o l u t i o ni np r o g r a md e s i g no fV F Pw e r ed i s c u s s e di nd e t a i l si nt h i sp a p e r ， w h i c hi n c l u d e sp a r a m e t e rp a s s i n g ，d e l e t i o nr e c o r d ，s y s t e mc o m p i l a t i o ne t c I nV F P ，p a r a m e t e rp a s s i n gi s c o m p r i s e do fi n t e r p r o c e d u r a lp a r a m e t e rp a s s i n ga n di n t e r - f o r m sp a r a m e t e rp a s s i n g ；T h e t a b l ei sa l r e a d y o p e n e de x c l u s i v e l yw h e nt h er e c o r d e di n f o r m a t i o ni sd e l e t e d ；m a s t e rf i l ea n de v e n tl o o ps h o u l db ep a i da t t e n t i o nt oi ns y s t e mc o m p i l i n g K e y w o r d s ：p r o g r a md e s i g n ；V F P ；p a r a m e t e rp a s s i n g ；d e l e t i o nr e c o r d e d ；s y s t e mc o m p i l i n g ( 责任编辑：刘划) ( 上接第5 8 页) R e s e a r c ho nw e b - b a s e dc h i n e s e e n g l i s h t e r mt r a n s l a t i o na c q u i s i t i o n D O N GY a n j u l 2 B A IY u lC A ID o n g f e n g ( 1 K n o w l e d g eR e s e a r c hC e n t e r ，S h e n y a n gI n s t i t u t eo f A e r o n a u t i c a lE n g i n e e r i n g ，L i a o n i n gS h e n y a n g1 1 0 1 3 6 ； 2 C o m p u t e rS c h o o l ，S h