More documents

Recommendations

Info

加大数据规模 • Bilingual corpus (train BPs and TATs) – 2.6M sentence pairs (68.1M Chinese words an d 73.8M English words) – Use all the data to obtain BPs and a portion of 800K pairs to obtain TATs • Monolingual corpora (train LM) – English side of the bilingual corpus (73.8M wo rds) – Xinhua portion of Gigaword corpus (181M wo rds) 机器翻译原理与方法 (07) 基于句法的机器翻译方法 134
Training Data (pairs) TAT 加大数据规模后的实验结果 Results of Lynx on test set with various settings. BP Language Model Data (words) Order Improve Fluency BLEU4 31K - 949K one 3-gram No 0.2178 31K 31K 949K one 3-gram No 0.2240 31K 800K 73M one 3-gram No 0.2431 800K 2.6M 73M one 3-gram No 0.2692 800K 2.6M 73M | 181M two 3-gram No 0.2934 800K 2.6M 73M | 181M two 4-gram No 0.3047 800K 2.6M 73M | 181M two 4-gram Yes 0.3184 机器翻译原理与方法 (07) 基于句法的机器翻译方法 135
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 (2) 单语双语
Page 17 and 18:
内容提要 • 概述 • 同
Page 19 and 20:
反向转录语法 ITG rules S
Page 21 and 22:
基于反向转录语法的
Page 23 and 24:
基于反向转录语法的
Page 25 and 26:
统计机器翻译中语序
Page 27 and 28:
BTG 约束导致搜索空间
Page 29 and 30:
Page 31 and 32:
BTG 的主要问题 • 两条
Page 33 and 34:
ME-BTG 模型 • 模型 • 特
Page 35 and 36:
抽取重排序实例 S1 S2
Page 37 and 38:
为什么使用边界单词
Page 39 and 40:
CKY 解码算法机器翻译
Page 41 and 42:
基于 ME-BTG 模型的翻译
Page 43 and 44:
基于 ME-BTG 模型的翻译
Page 45 and 46:
ME-BTG: 实验 Systems NIST MT 05
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:
类似的表示形式机器
Page 57 and 58:
同步上下文关语法的
Page 59 and 60:
Page 61 and 62:
Page 63 and 64:
Page 65 and 66:
层次短语模型 (2) • 传
Page 67 and 68:
用层次短语进行翻译
Page 69 and 70:
用层次短语进行翻译
Page 71 and 72:
用同步语法表示层次
Page 73 and 74:
约束 : 降低复杂度 •
Page 75 and 76:
规则举例机器翻译原
Page 77 and 78:
特殊规则 • 实际的翻
Page 79 and 80:
模型特征机器翻译原
Page 81 and 82:
解码 • 类似于句法分
Page 83 and 84: 内容提要 • 概述 • 同
Page 85 and 86: 基于树的方法 Tree-to-Str
Page 87 and 88: 基于树到串对齐模板
Page 89 and 90: Tree-based Translation ● Recursiv
Page 97 and 98: 模型机器翻译原理与
Page 99 and 100: 训练 • 数据 : 源语言
Page 101 and 102: Tree-to-String Rule Extraction ●
Page 107 and 108: Tree-based Button-up Decoding
Page 115 and 116: 解码 : 构造缺省 TAT 如
Page 117 and 118: 候选译文归并 ( Recombina
Page 119 and 120: 训练过程句子对齐的
Page 121 and 122: 实验结果 Comparison of Phara
Page 123 and 124: 利用句法短语修正 TAT
Page 125 and 126: 例子 TAT table NP NR NN NP 布
Page 127 and 128: 采用句法短语修正 TAT
Page 129 and 130: 两棵句法树 NP-B NP-B NN NN
Page 131 and 132: 例子 IP NP-B VP PU NN NN NN ADVP
Page 133: 例子 IP NP-B VP PU NN NN NN ADVP
Page 137 and 138: 基于森林的方法 Forest-
Page 139 and 140: Syntatic Ambiguity
Page 141 and 142: Packed Forest
Page 143 and 144: Translation Forest
Page 149 and 150: Forest as Virtual ∞-best List
Page 151 and 152: Forest-based Rule Extraction ● Co
Page 153 and 154: Forest-based Rule Extraction ● Ex
Page 155 and 156: Forest-based Rule Extraction ● Ex
Page 157 and 158: Rule Probabilities and Rule counts
Page 159 and 160: Fractional Count
Page 161 and 162: 小结
Page 163 and 164: Seperate Parsing and Translation
Page 165 and 166: Joint Parsing and Translation
Page 177 and 178: Evaluation String-based Translation
Page 179 and 180: 小结
Page 181 and 182: 串到树翻译模型 • 串
Page 183 and 184: ISI 的工作 • Scalable Infere
Page 185 and 186:
同步生成树、串和对
Page 187 and 188:
同步生成树、串和对
Page 189 and 190:
规则与推导机器翻译
Page 191 and 192:
最小规则与组合规则
Page 193 and 194:
• Galley 翻译模型定义
Page 195 and 196:
非句法短语的处理办
Page 197 and 198:
构造兼容规则 (2) NPB *NP
Page 199 and 200:
模型特征 • Galley (1) - EM
Page 201 and 202:
Galley 的规则抽取方法
Page 203 and 204:
Some Notions • The span of a node
Page 205 and 206:
An Example 灰色结点构成
Page 207 and 208:
抽取规则 1 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:
唯一最小推导机器翻
Page 221 and 222:
未对齐词的处理办法
Page 223 and 224:
推导森林机器翻译原
Page 225 and 226:
Marcu 的规则抽取算法
Page 227 and 228:
Page 229 and 230:
Page 231 and 232:
Example 假设左部的对齐
Page 233 and 234:
高效的 EM 训练算法 •
Page 235 and 236:
Example 枪手被警方击毙
Page 237 and 238:
Example NP DT The NNS gunmen 枪
Page 239 and 240:
Example NP DT NNS IN NN The gunmen
Page 241 and 242:
Example NP NP DT NNS IN DT NN VBN t
Page 243 and 244:
Example PP NP NP DT NNS IN DT NN VB
Page 245 and 246:
Example VP VP-C PP NP NP DT NNS VBD
Page 247 and 248:
规则的二叉化 ( Binarizat
Page 249 and 250:
线性的二叉化算法 •
Page 251 and 252:
Galley 所采用的特征 •
Page 253 and 254:
组合多个 SPMT 模型的
Page 255 and 256:
实验结果 : Galley Vs. Och Oc
Page 257 and 258:
实验结果 : Marcu Vs. Och 机
Page 259 and 260:
Page 261 and 262:
Views on String-to-Tree Vs. Tree-to
Page 263 and 264:
Comparison Chiang Galley Marcu Liu
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¢ ...

You also want an ePaper? Increase the reach of your titles

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¢ ...