| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 引言 | 第10-16页 |
| 1.1 选题背景 | 第10-13页 |
| 1.1.1 统计机器翻译综述 | 第10-12页 |
| 1.1.2 机器翻译中的跨领域翻译问题 | 第12-13页 |
| 1.2 统计机器翻译的领域自适应 | 第13-14页 |
| 1.2.1 基于数据的领域自适应 | 第13页 |
| 1.2.2 基于混合模型的领域自适应 | 第13-14页 |
| 1.2.3 基于主题模型的领域自适应 | 第14页 |
| 1.3 本文结构 | 第14-16页 |
| 第2章 机器翻译相关技术 | 第16-32页 |
| 2.1 统计机器翻译基本流程 | 第16-31页 |
| 2.1.1 统计机器翻译的预处理阶段 | 第16-21页 |
| 2.1.2 统计机器翻译的训练及调优阶段 | 第21-26页 |
| 2.1.3 统计机器翻译的解码阶段 | 第26-29页 |
| 2.1.4 统计机器翻译的评测阶段 | 第29-31页 |
| 2.2 本章小结 | 第31-32页 |
| 第3章 主题信息与篇章领域自适应翻译 | 第32-50页 |
| 3.1 主题模型与篇章领域自适应翻译 | 第32-40页 |
| 3.1.1 主题模型 | 第32-36页 |
| 3.1.2 主题分布对翻译规则选择的影响 | 第36-40页 |
| 3.2 主题相似度模型 | 第40-44页 |
| 3.2.1 主题相似度度模型表征方法 | 第40-42页 |
| 3.2.2 主题相似度模型的分布评估 | 第42-43页 |
| 3.2.3 目标语主题到源语主题的映射 | 第43-44页 |
| 3.3 主题敏感度模型 | 第44-46页 |
| 3.3.1 主题敏感度模型的评估方法 | 第44-46页 |
| 3.4 主题模型与机器翻译的集成及效果 | 第46-49页 |
| 3.5 本章小结 | 第49-50页 |
| 第4章 最大熵模型与句内领域自适应翻译 | 第50-66页 |
| 4.1 最大熵模型介绍 | 第50-53页 |
| 4.1.1 最大熵模型概括 | 第50页 |
| 4.1.2 最大熵模型的定义与介绍 | 第50-52页 |
| 4.1.3 最大熵模型在自然语言处理的应用 | 第52-53页 |
| 4.2 基于上下文特征的最大熵规则选择模型 | 第53-59页 |
| 4.2.1 机器翻译中的规则选择问题 | 第53-54页 |
| 4.2.2 最大熵规则选择模型 | 第54-55页 |
| 4.2.3 最大熵规则选择模型的特征和训练 | 第55-56页 |
| 4.2.4 最大熵规则选择模型与统计机器翻译的集成 | 第56-59页 |
| 4.3 基于句内信息的最大熵调序模型 | 第59-64页 |
| 4.3.1 机器翻译中句内信息对于调序的影响 | 第59-60页 |
| 4.3.2 基于句内信息的最大熵调序模型 | 第60-62页 |
| 4.3.3 最大熵调序模型特征以及训练 | 第62-63页 |
| 4.3.4 最大熵调序模型与统计机器翻译的集成 | 第63-64页 |
| 4.4 本章小结 | 第64-66页 |
| 第5章 实验结果及分析 | 第66-74页 |
| 5.1 实验配置 | 第66-67页 |
| 5.2 实验方法和过程 | 第67-69页 |
| 5.3 实验结果及分析 | 第69-72页 |
| 5.3.1 实验结果 | 第69-71页 |
| 5.3.2 翻译结果分析 | 第71-72页 |
| 5.4 本章小结 | 第72-74页 |
| 第6章 总结与展望 | 第74-76页 |
| 6.1 实验总结 | 第74-75页 |
| 6.2 展望 | 第75-76页 |
| 参考文献 | 第76-80页 |
| 致谢 | 第80-82页 |
| 硕士期间参加的科研项目 | 第82页 |