日语被动态与可能态的统计机器翻译研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第12-17页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 研究发展与现状 | 第13-15页 |
| 1.3 本文组织 | 第15-17页 |
| 2 统计机器翻译方法 | 第17-33页 |
| 2.1 统计机器翻译系统模型 | 第17-22页 |
| 2.1.1 噪声信道模型 | 第17-18页 |
| 2.1.2 对数线性模型 | 第18-20页 |
| 2.1.3 语言模型 | 第20-21页 |
| 2.1.4 解码算法 | 第21-22页 |
| 2.2 现有统计机器翻译模型简介 | 第22-28页 |
| 2.2.1 基于词的翻译模型 | 第22-23页 |
| 2.2.2 基于短语的翻译模型 | 第23-24页 |
| 2.2.3 基于层次短语的翻译模型 | 第24-26页 |
| 2.2.4 基于句法树的翻译模型 | 第26-28页 |
| 2.3 机器翻译评价方法 | 第28-31页 |
| 2.3.1 人工评测方法 | 第28-29页 |
| 2.3.2 BLEU评测方法 | 第29-30页 |
| 2.3.3 NIST评测指标 | 第30-31页 |
| 2.4 本章小结 | 第31-33页 |
| 3 日语被动态与可能态分类模型 | 第33-49页 |
| 3.1 日语被动态与可能态 | 第33-37页 |
| 3.1.1 日语谓词的语态变化 | 第33-34页 |
| 3.1.2 被动态与可能态的标注 | 第34-37页 |
| 3.2 日语依存句法树 | 第37-40页 |
| 3.2.1 依存树简介 | 第37-38页 |
| 3.2.2 依存树解析 | 第38-39页 |
| 3.2.3 语态特征抽取 | 第39-40页 |
| 3.3 语态分类模型 | 第40-47页 |
| 3.3.1 最大熵模型 | 第40-42页 |
| 3.3.2 基于最大熵的语态分类模型 | 第42-43页 |
| 3.3.3 支持向量机模型 | 第43-46页 |
| 3.3.4 基于SVM的语态分类模型 | 第46-47页 |
| 3.4 本章小结 | 第47-49页 |
| 4 融合语态特征的翻译模型 | 第49-61页 |
| 4.1 翻译系统结构 | 第49-50页 |
| 4.2 最大熵规则分类 | 第50-52页 |
| 4.2.1 规则歧义 | 第50-51页 |
| 4.2.2 最大熵规则分类模型 | 第51-52页 |
| 4.3 规则特征抽取 | 第52-58页 |
| 4.3.1 日汉层次短语规则抽取 | 第52-53页 |
| 4.3.2 日英层次短语规则抽取 | 第53-54页 |
| 4.3.3 规则特征抽取算法 | 第54-58页 |
| 4.4 特征融合与解码 | 第58-60页 |
| 4.4.1 特征融合 | 第58-59页 |
| 4.4.2 解码流程 | 第59-60页 |
| 4.5 本章小结 | 第60-61页 |
| 5 融合语态特征翻译实验 | 第61-69页 |
| 5.1 语态分类实验及结果分析 | 第61-62页 |
| 5.2 日汉翻译实验及结果分析 | 第62-65页 |
| 5.2.1 实验系统设置 | 第62-63页 |
| 5.2.2 实验结果及分析 | 第63-65页 |
| 5.3 日英翻译实验及结果分析 | 第65-67页 |
| 5.3.1 实验系统设置 | 第65页 |
| 5.3.2 实验结果及分析 | 第65-67页 |
| 5.4 本章小结 | 第67-69页 |
| 6 总结与展望 | 第69-71页 |
| 6.1 总结 | 第69页 |
| 6.2 展望 | 第69-71页 |
| 参考文献 | 第71-76页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第76-78页 |
| 学位论文数据集 | 第78页 |
