| 图目录 | 第1-9页 |
| 表目录 | 第9-10页 |
| 摘要 | 第10-12页 |
| ABSTRACT | 第12-14页 |
| 第一章 绪论 | 第14-22页 |
| §1.1 机器翻译的发展历史 | 第14-15页 |
| §1.2 国内外的机器翻译研究 | 第15-16页 |
| §1.3 基于规则的机器翻译方法 | 第16页 |
| §1.4 统计机器翻译 | 第16-19页 |
| ·当前统计机器翻译的研究概况 | 第18-19页 |
| ·统计机器翻译的优点和不足 | 第19页 |
| §1.5 本文的主要工作和贡献 | 第19-20页 |
| §1.6 本文的组织结构 | 第20-22页 |
| 第二章 统计机器翻译方法研究现状 | 第22-34页 |
| §2.1 基于信源信道思想的统计机器翻译方法 | 第22-30页 |
| ·IBM的统计机器翻译方法 | 第23-28页 |
| ·CMU(卡内基梅隆大学)的工作 | 第28-29页 |
| ·约翰·霍普金斯大学(JHU)的统计机器翻译夏季研讨班 | 第29页 |
| ·Yamada和Knight的工作——基于句法的统计翻译模型 | 第29页 |
| ·Och等人的工作 | 第29-30页 |
| §2.2 基于最大熵思想的统计机器翻译方法 | 第30-32页 |
| ·直接的最大熵模型 | 第31-32页 |
| §2.3 构造统计机器翻译系统的主要任务 | 第32-33页 |
| §2.4 本章总结 | 第33-34页 |
| 第三章 基于IBM对齐模型的汉英统计机器翻译 | 第34-55页 |
| §3.1 引言 | 第34页 |
| §3.2 统计机器翻译开发过程 | 第34-36页 |
| ·对语料进行预处理 | 第35-36页 |
| §3.3 基于统计的汉英机器翻译系统架构 | 第36-38页 |
| ·IBM对齐模型和模型4 | 第36-38页 |
| §3.4 构建翻译模型 | 第38-52页 |
| ·构建翻译模型的原理 | 第38-42页 |
| ·构建汉英翻译模型及其改进 | 第42-52页 |
| §3.5 构建语言模型 | 第52-54页 |
| §3.6 本章总结 | 第54-55页 |
| 第四章 基于IBM对齐模型的搜索算法的设计与实现 | 第55-70页 |
| §4.1 基于动态规划的beam搜索算法的研究与实现 | 第55-58页 |
| ·Held and Karp处理货郎担问题的算法 | 第55-56页 |
| ·统计机器翻译中的基于动态规划的beam搜索算法 | 第56-57页 |
| ·beam搜索的剪枝技术 | 第57-58页 |
| §4.2 A*搜索算法在汉英统计机器翻译中的实现与改进 | 第58-64页 |
| ·搜索图的构建 | 第58-59页 |
| ·对结点评分 | 第59-60页 |
| ·基于启发式函数的A*搜索算法及改进 | 第60-64页 |
| §4.3 实验及分析 | 第64-69页 |
| ·Beam搜索算法和A*搜索算法翻译结果的对比 | 第65-66页 |
| ·汉语词的候选英语单词范围的影响 | 第66-67页 |
| ·设定A*搜索算法中假设队列长度 | 第67页 |
| ·A*搜索算法在汉英统计机器翻译中的启发策略 | 第67-69页 |
| §4.4 本章小结 | 第69-70页 |
| 第五章 基于短语对齐模型的汉英统计机器翻译 | 第70-85页 |
| §5.1 单词对齐模型的缺陷分析 | 第70-71页 |
| §5.2 采用短语对齐模型对单词对齐模型进行改进 | 第71页 |
| §5.3 提高训练语料单词对齐的准确率 | 第71-77页 |
| ·采用Viterbi对齐优化单词对齐 | 第73-74页 |
| ·采用ISA进行单词对齐和短语抽取 | 第74-76页 |
| ·Viterbi对齐和ISA方法相结合 | 第76-77页 |
| §5.4 使用词性标注信息构建对齐模板 | 第77-80页 |
| ·抽取模板和短语 | 第78-80页 |
| §5.5 翻译过程的实现 | 第80-82页 |
| ·设计对齐模板参数 | 第82页 |
| §5.6 实验及分析 | 第82-84页 |
| §5.7 本章总结 | 第84-85页 |
| 结束语 | 第85-88页 |
| 致谢 | 第88-89页 |
| 作者在攻读硕士学位期间发表的论文 | 第89-90页 |
| 参考文献 | 第90-92页 |
