More documents

Recommendations

Info

两棵句法树 NP-B NP-B NN NN NN NN NN 国际足联国际足联执委会国际足联 FIFA the strength of BPs is restricted! 机器翻译原理与方法 (05) 基于句法的机器翻译方法 128
解决方法 • 搜索结束后 , 在翻译结果上 , 根据词语对齐 , 将译文中的短语替换成流利度更高的短语 ( 根据语言模型分值 ) • 如果有多个候选译文 , 每个译文都可以进行上述替换 , 这时可以通过计算调整后的总的翻译概率 ( 同时考虑语言模型、翻译模型和其他特征 ), 选择分数最高的候选译文机器翻译原理与方法 (05) 基于句法的机器翻译方法 129
Page 1 and 2:
机器翻译原理与方法
Page 3 and 4:
概述 • 基于短语的统
Page 5 and 6:
统计机器翻译方法的
Page 7 and 8:
基于句法的统计机器
Page 9 and 10:
基于句法的统计机器
Page 11 and 12:
语言学上基于句法的
Page 13 and 14:
同步语法 (1) • 定义 :
Page 15 and 16:
同步语法 (3) • 同步语
Page 17 and 18:
反向转录语法 • Inversi
Page 19 and 20:
反向转录语法机器翻
Page 21 and 22:
基于反向转录语法的
Page 23 and 24:
括号转录语法 • Bracket
Page 25 and 26:
这里给出了四个词的
Page 27 and 28:
真实自然语言的翻译
Page 29 and 30:
基于最大熵括号转录
Page 31 and 32:
ME-BTG : 基本思想 • 在 BT
Page 33 and 34:
ME-BTG 训练单词对齐的
Page 35 and 36:
重排序特征 • 单目特
Page 37 and 38:
基于 ME-BTG 的统计机器
Page 39 and 40:
基于 ME-BTG 模型的翻译
Page 41 and 42:
Page 43 and 44:
Page 45 and 46:
内容提要 • 概述 • 同
Page 47 and 48:
同步上下文无关语法
Page 49 and 50:
Page 51 and 52:
Page 53 and 54:
Page 55 and 56:
同步上下文关语法的
Page 57 and 58:
Page 59 and 60:
Page 61 and 62:
算法复杂度 • 机器翻
Page 63 and 64:
层次短语模型 (1) • 层
Page 65 and 66:
观察 : 短语的层次性
Page 67 and 68:
用层次短语进行翻译
Page 69 and 70:
用同步语法表示层次
Page 71 and 72:
层次短语的抽取机器
Page 73 and 74:
非终结符标记 • 到目
Page 75 and 76:
粘合规则 ( Glue Rules ) •
Page 77 and 78: 模型 • 直接利用同步
Page 79 and 80: 模型特征机器翻译原
Page 81 and 82: 小结 • 形式上基于句
Page 83 and 84: 树到串翻译模型 • 树
Page 85 and 86: 基于树到串对齐模板
Page 87 and 88: 树到串对齐模板 NP LCP
Page 89 and 90: Tree-based Translation ● Recursiv
Page 97 and 98: 模型特征机器翻译原
Page 99 and 100: Tree-to-String Rule Extraction ●
Page 105 and 106: 解码 • 自底向上 • 柱
Page 107 and 108: Tree-based Button-up Decoding
Page 113 and 114: Tree-based Button-up Decoding ● B
Page 115 and 116: 剪枝策略 • 模板表剪
Page 117 and 118: 实验 • Baseline : Pharaoh (Koe
Page 119 and 120: 实验环境 • 评测工具
Page 121 and 122: 与短语的兼容性 • TAT
Page 123 and 124: 例子 TAT table NP NR NN NP 布
Page 125 and 126: 例子 NP NR NN 布什总统 NP
Page 127: 利用非句法双语短语
Page 131 and 132: 例子 IP NP-B VP PU NN NN NN ADVP
Page 133 and 134: 加大数据规模 • Bilingu
Page 135 and 136: 小结 • 基于树到串对
Page 137 and 138: Parsing Mistake Propagation
Page 139 and 140: 1-best ➜ n-best trees?
Page 141 and 142: Patten Matching on Forest
Page 143 and 144: Translation Forest
Page 145 and 146: Translation Forest
Page 147 and 148: N-best Trees vs. Forest
Page 149 and 150: Forest-based Rule Extraction ● Co
Page 151 and 152: Forest-based Rule Extraction ● Ex
Page 157 and 158: Fractional Count
Page 159 and 160: Results on forest training and deco
Page 161 and 162: 基于串的方法 Joint Parsi
Page 163 and 164: Joint Parsing and Translation
Page 177 and 178: Search Space Comparison String-base
Page 179 and 180:
内容提要 • 概述 • 同
Page 181 and 182:
ISI 的工作 • Ulrich Germann,
Page 183 and 184:
同步生成树、串和对
Page 185 and 186:
Page 187 and 188:
Page 189 and 190:
规则与推导机器翻译
Page 191 and 192:
句法翻译概率表机器
Page 193 and 194:
与短语模型的兼容性
Page 195 and 196:
构造兼容规则 (1) *NPB*_N
Page 197 and 198:
构造兼容规则 (3) • 兼
Page 199 and 200:
训练 • 规则抽取 - Input
Page 201 and 202:
将树到串对齐表示为
Page 203 and 204:
一些概念定义 • 一个
Page 205 and 206:
抽取规则算法 • Step 1:
Page 207 and 208:
抽取规则 2 机器翻译
Page 209 and 210:
Page 211 and 212:
Page 213 and 214:
Page 215 and 216:
Page 217 and 218:
Page 219 and 220:
未对齐词导致的问题
Page 221 and 222:
源语言未对齐词的多
Page 223 and 224:
新的规则抽取算法 •
Page 225 and 226:
Marcu 的规则抽取算法
Page 227 and 228:
Marcu 的规则抽取算法
Page 229 and 230:
估计规则概率按规则
Page 231 and 232:
EM 训练算法可以采用
Page 233 and 234:
解码 • 采用自底向上
Page 235 and 236:
Example NNS gunmen 枪手被警
Page 237 and 238:
Example NP DT The NNS gunmen by IN
Page 239 and 240:
Example NP NP DT NNS IN DT NN the g
Page 241 and 242:
Example NP NP DT NNS IN DT NN VBN .
Page 243 and 244:
Example VP-C PP NP NP DT NNS VBN IN
Page 245 and 246:
Example S VP VP-C PP NP NP DT NNS V
Page 247 and 248:
规则的二叉化 ( Binarizat
Page 249 and 250:
Galley 的实验 : 不同规
Page 251 and 252:
Marcu 的实验 : SPMT Models •
Page 253 and 254:
Marcu 采用的特征 • proot
Page 255 and 256:
实验结果 : Marcu Vs. Och 机
Page 257 and 258:
Analysis • Galley - Good results
Page 259 and 260:
总结 • 同步语法 • 形
Page 261 and 262:
ISI Vs. ICT ISI ICT model string-to
Page 263:
讨论机器翻译原理与
show all

æºå¨ç¿»è¯åçä¸æ¹æ³ - ä¸­ç§é¢è®¡ç®æèªç¶è¯­è¨å¤çç ç©¶ç»- ä¸­å½ç§å­¦é¢ ...

Create successful ePaper yourself

Delete template?

Save as template?

æºå¨ç¿»è¯åçä¸æ¹æ³ - ä¸ç§é¢è®¡ç®æèªç¶è¯è¨å¤çç ç©¶ç»- ä¸å½ç§å¦é¢ ...