|
世界语到汉语和英语的自动翻译试验
--EChA机器翻译系统概述 0. 本文是我在导师刘涌泉和刘倬先生指导下所做的毕业设计的论文总结. 共分十大部分: 1. EChA概况: 系统流程图; 2. 世界语: 语言学特点及其研究价值; 3. 层次递归成分体系CDC: 体现独立分析结果的EChA中间语言; 4. EChA机器词典, 句子加工场格式; 5. 世界语形态分析: 削尾算法, 关于削缀问题的讨论; 6. 句法分析第一线: 虚词处理, 规则和规则分开的讨论; 7. 句法分析第二线: CDC的求解, 中间结果分析; 8. 英语形态生成, 汉语形态修辞, 原语和译语对比差异的一般总结, 多义区分例释; 9. 调序: 自底而上加工; 10. EChA试验结果分析, 汉语和英语的机译文的比较, 关于文学作品可不可以跟机器翻译结合的问题, 修辞的讨论. 1. EChA概况 EChA (E-Ch/A: el Esperanto en la Chinan kaj Anglan Lingvojn) 系统是以世界语作为源语, 以汉语和英语作为目标语的一对多小型实验系统。它是一个句对句的, 分析和综合有一定独立性的全文机器翻译系统。本系统实现了翻译过程的完全自动化,不需要译前和译后编辑。(由于纯技术原因, 世界语中的几个戴帽字母暂时还需要用加 H 的复合字母来转写.) EChA系统从上机调试到打出译文只用了五个月, 全部工作历时近一年, 进展比较顺利。本系统使用的是IBM-PC/XT微型机, 编程语言 BASIC (Version D2.00), 同时选用IBM公司的BASIC编译程序软件包。EChA由CCDOS操作系统(即带有汉字库的PC DOS 2.10)支持。系统主体是六线分析和综合程序。另外还建立了三部词典, 两个词表, 编制了词典的造查, 扩充和维护程序。整个系统由近一万条BASIC语句构成。编程时充分利用了BASIC串处理函数, 显得特别方便。 这次试验共翻译了150多句世界语文句。汉语和英语的机器译文都通顺或可懂, 结果令人满意。(见附录) 提供本系统试验的源语素材有三部分: 第一部分是选自著名世界语作家Sandor Szhatmari的世界语原文著作 "Mashinmondo" (<<机器世界>>, 中国展望出版社)上的两段连续文章(12句, P.100-101), 句子比较长, 结构也比较复杂。第二部分选自魏原枢和徐文琪编著的 <<世界语语法>> (上海外语教育出版社, 1982.10)中的典型例句(100多句), 这些例句(其中有一部分是日常用语)都具有一定的语言学特点, 表现了不同时态(简单时态,复合时态), 语态(主动语态, 被动语态), 语式(陈述语式, 命令语式, 假定语式),不同的句式(简单句, 并列句, 复合句, 无主句, 独词句, 一般疑问句, 特殊疑问句, 等等),不同的句型以及动词的各种形式。总之, 它们具有相当的代表性, 基本上反映了世界语语法概貌, 这就弥补了连续文句特点单一的不足, 更有利于试验EChA系统的能力和适应性。最后作为一种尝试,还选译了两首世界语诗歌(第一首是著名的世界语者的颂歌“希望之歌”)。 EChA由三大部分组成: 1) 机器词典; 2) 源语分析; 3) 目标语生成。源语分析部分包括了世界语的全部基本语法和常用句型。然而, 由于机器条件和实验周期的限制, 本系统的规模(特别是词典的规模)还很小, 有待于进一步扩充和改进。----准备从两方面来扩充EChA系统, 一是补充例句, 做扩大试验; 二是增加俄语和法语作为新的目标语, 进一步检验体现独立分析结果的中间语言CDC(层次递归成分体系, 第3节详述)的适应范围, 并探讨其完善的途径。另外, 时间仓促给系统还带来一些问题: EChA的结构还不是很合理, 算法有待于进一步优化, 规则和算法还没能分开, 在分析和综合的独立性上下了不少功夫, 但还没有完全独立。 尽管还有上述问题, 然而按照设计要求, 只要适当扩充词典, 系统就有能力处理世界语的绝大多数语言现象。在中国近三十年的机器翻译研究历史中, EChA是第一个以世界语为研究对象的机译系统。在世界语跟机器翻译结合的过程中, EChA是一个成功的尝试和良好的开端。我们热切希望得到专家学者, 世界语同志们的帮助和指导。 EChA系统流程图 ______丨________ / 原文输入 丨 /________________丨 _______________________丨______________________ 词 丨 1. 削尾, 查词典(实词词典, 虚词词典, 成语词典, 丨 典 丨 词类词义区分表) 丨 (形态分析) 丨______________________________________________丨 ------------------- _______________________丨_______________________ 句 丨 2. 连词标点, 切分, 其他虚词 丨 法 丨______________________________________________丨 分 _______________________丨_______________________ 析 丨 3. 中间语言CDC的求解 丨 丨______________________________________________丨 ------------------- _______________________丨_______________________ 丨 4. 多义词区分; 英语形态生成及汉语形态修辞; 查 丨 目 丨 英语不规则词词表 丨 标 丨______________________________________________丨 语 _______________________丨_______________________ 生 丨 5. 英语调序 丨 成 丨_______________________________________________丨 _______________________丨_______________________ 丨 6. 汉语调序及其他修辞 丨 丨_______________________________________________丨 _________丨_________ 丨 译文输出 丨 丨__________________丨 源语文句输入以后, 作第一遍扫描。首先判定加工词长度是否大于三。若大于三, 转子程序削尾后查实词词干词典, 否则查虚词词典。因为世界语虚词(无词尾变化)大多短小, 以三为界限最合理, 可以大大减少虚查次数。词典查不着的作生词处理, 削尾信息保留。查完词典及词表以后, 把削尾信息和词典信息移到计算机内存中所开辟的句子加工场。 句法分析确定源语文句的层次结构和句法关系。分析结果以一种高度形式化的层次递归成分体系CDC来体现。CDC是独立于目标语的机器翻译中间语言, 这种独立性对于一对多机译系统是必要的。CDC由形态, 成分, 节点, 分布, 链号和层次几部分信息构成。它不但揭示了源语文句的正确的句法树, 而且还包含了其它的有用的信息。事实上, 它为建立多目标语的生成系统奠定了良好的基础。 句法分析第一线处理虚词, 中心任务是加工连词和标点, 正确切分语段。原则上为每一个虚词编制一套分析规则。世界语虚词数量很有限, 但用法较多, 具有民族语功能词的类似的复杂性, 是语言个性的集中表现, 所以分别加工比较适宜, 这也有利于规则跟规则分开。该线加工任务很重, 特别是连词KAJ和KE, 分析规则十分复杂。在很大程度上, 虚词分析对了, 句法关系也就清楚了。因此, 集中力量编制一套完备的针对具体虚词的分析系统, 对于世界语类型的机器翻译至关重要。该线正确处理了虚词个性现象, 便可以保证下一线分析的充分抽象性和概括性, 这样做对于象世界语这样的科学而规则的语言显得特别有利。句法分析第二线运用自顶而下的方法, 从句子的谓语轴心(第一层)着手, 一层一层往下递归加工, 直到最末层(终结节点层)。加工过程就是不断递归调用各子程序的过程。其中以动词子程序为核心, 它充分反映了世界语语法的基本内容及其高度规则性。分析完毕得出一条对应于源语文句的中间语言CDC的链。 综合第一线做英语形态生成和汉语形态修辞。英语形态并不发达, 所以世英的形态转换规则也不复杂。汉语缺乏形态, 一般用适当的虚词(助词, 副词等)来代替。我们把多义词区分规则也放在这一线, 这是因为多义区分的条件至此已经具备。一般来说, 根据多义词及其联系词的CDC成分和语义特征就可以得出该词的正确义项。综合第二线和第三线分别做英语调序和汉语调序。调序信息由CDC结合目标语语法规律得出, 调序的方法是自底而上, 层层归约, 这样就不至于调乱。我们知道, 世界语语序极为灵活自由, 而汉语语序却很固定, 所以生成汉语的主要任务是调序。对于英语, 调序的任务较轻, 主要是保证文句主干 "主谓宾" 次序不乱。英语名词没有主宾格的区分, 所以关键是把前置宾语移到动词之后。"世界语是印欧语系的一个合理化的公分母", 与英语相似处毕竟很多, 比如同一句法层次的定语或状语的内部调序, 在译汉语时是一个难题, 而在印欧系诸语言中则不是大问题。另外修辞加工的过程也可以免了。（世英转换中的成语和多义现象较之世汉转换也少得多。）总之, 英语生成比汉语生成容易许多。 EChA虽然是个不大的系统, 但是内容比较丰富。它既有形态分析, 又有形态生成, 也有调序和修辞, 还有自己的一套成分体系。我们在总体设计时, 已经考虑到增加新的不同类型的目标语扩充该系统的需要。可以预计, 如果增加两线俄语和法语的生成程序(主要是形态生成), 分析部分稍作改动(主要是充实与综合还没有完全独立开来的虚词分析规则), 就可以实现崐世到汉/英/法/俄的自动翻译。总之, 实用机译系统所能遇到的问题, EChA几乎都已涉及, 而且主体六线程序各个有自己的特色, 是个有相当代表性的一对多全自动机译模型。 2. 世界语: 语言学特点及其研究价值 在进入EChA系统的细节和探讨机器翻译的一般理论和方法之前, 我们专列这一节讨论世界语本身, 这对说明本系统的设计思想和具体方法是很必要的。毫无疑问, 我们的讨论主要是从语言学角度着眼。 世界语(Esperanto)是波兰的语言大师柴门霍夫博士( L.L.Zamenhof 1859.12.15 - 1917.4.14 )于1887年在印欧语系的基础上经过艰苦研究提出的一个人造语方案。由于其科学, 简明, 逻辑性强, 由于日益增长的克服语言障碍的国际需要, 也由于其维护世界和平, 增进各民族相互了解, 实现世界大同的崇高理想的感召, 它逐渐为人们所接受。目前, 世界上有2000多万人在学习和使用世界语。世界语早已脱尽了人造的斧痕, 走上了自然发展的道路。它不但能写也能说, 不但适于表达精密的科学思想, 而且在文学上也取得了令人赞叹的成就。从莱勃尼茨的万国通用文字的设想开始, 先后提出的人造语方案达150多种, 唯有世界语经受住各种考验生存下来了。现在, 越来越多的人认识到世界语作为国际辅助语的独特价值。有些国际性学术会议(如控制论大会)已经采用世界语作为工作语言。 世界语中除数量有限的虚词外, 其他词都有非常规则的形态变化, 借以表现该词的词性、格、数、时态、语态、语式、分词形式等语法信息。另外还有一整套前缀后缀, 用以表现词汇意义上的细微差别和修辞色彩。世界语是典型的黏着语, 词尾和语缀的意义单一, 可以叠加。这套词尾和语缀设计得非常巧妙, 规则, 特别容易掌握, 而且也非常适合机器的递归加工。（EChA的削尾算法就体现了这种递归加工的优点, 见本文第5节。）世界语没有语法同形词, 句法关系一目了然, 这不论对人还是对机器的识辨, 都是一个极为有利的条件(民族语机器翻译中同形判别的问题在这儿根本不存在了)。同时, 世界语的词类转换也特别灵活, 只要逻辑上说得过去, 不致引起误解, 同一个词干可以根据句法需要, 通过词尾变化随意改变词性。（我国古汉语词类活用也比较自由, 在一定程度上具有类似的灵活性, 可惜这种活用没有明确的形态标志, 常常要靠逻辑语义的分析才能确定。） 世界语的词尾形式并不很多, 但却很完备, 可以和形态发达的语言相媲美, 这一点我们不能不为之惊叹。拿格来说, 世界语只有普通格(零形态)和目的格(加词尾-N)两种, 但由于它把词性和格的用法巧妙地统一起来, 再加上有介词这种分析形式的后备, 表达起来跟形态丰富的语言一样灵活自由。俄语是现代形态最丰富的语言之一, 它有六个格。粗略地说, 它的一格(主格)跟世界语普通格对应, 二格(属格)跟世界语形容词--姑且叫做形容格吧(加词尾-A)对应, 三格(与格)在世界语中没有相应的屈折形式, 一般用介词AL来代替。四格(宾格)对应于世界语的目的格。五格(工具格)跟世界语副词--也姑且叫做状格吧相对应。六格是前置格, 跟前置词O,Ha,B等搭配, 它本身并不表示特定的语义关系。有意思的是, 世界语介词后可以跟崐普通格和目的格两种, 前者表示静态, 后者表示动态(方向)。比较俄语的类似用法, 世界语的简洁和完备的特点是很明显的。 世界语基本语法规则共16条, 原则上没有例外.[0] 由此人们也许会推断这门语言很简陋, 刻板, 缺乏表现力。这是一个极大的误解。这里涉及世界语的另一个非常突出的语言学特点, 就是它兼有分析性语言和综合性语言的要素(虚词和形态都比较丰富), 同一种语义既可以用分析形式(借助于虚词), 又可以用综合形式(借助于屈折变化)来表示----当然, 这两种形式并不等同, 它们体现了不同的风格。由于这一特点, 世界语兼容性强, 文体多样, 特别灵活, 富于弹性和表现力。如果作为目标语, 它最能维妙维肖地模仿原文的语言特色。它既可以反映语序自由, 文体柔美的斯拉夫风格, 又可以表现形态缺乏的语言(如汉语和英语)的单纯, 严谨, 密集的特点。下面我们举几个例子来看一下分析形式和综合形式在世界语中的兼容并存情况: 分析形式 综合形式 1. 时态: Mi ESTAS skrib-ANTA. Mi skrib-AS. / Mi skrib-ANTAS. I AM writ-ING. 我 "在" 写字。 2. 语态: Ghi ESTAS limig-ITA. Ghi limig-ITAS. / Ghi lim-IGHAS. It IS limit-ED. 它 "被" 限定了。 3. 词义: Tio estas MALGRANDA (ETA) sekreto. Tio estas sekret-ETO. That is a LITTLE secret. 那是 "小" 秘密。 4. 介词与副词(状格): Li parolas EN (PER) Esperanto. Li parolas esperant-E. Li parolas Esperant-ON. He speaks IN Esperanto. He speaks Esperanto. 他 "用" 世界语说话。 他说世界语。 5. 介词与格(目的格): Shi parolis POR 30 minutoj. Shi parolis 30 minut-OJN. She spoke FOR 30 minutes. 她说了30分钟. 6. 分析形式向综合形式的转换: LAU kutimo ...............LAU-kutim-E...kutim-E 这种分析形式和综合形式并存的情形在世界语中极其普遍, 这一点跟民族语不一样。虽然没有绝对不用分析形式的综合性语言, 也没有绝对不用综合形式的分析性语言, 但是, 每一个具体的民族语言总是以一种形式为主, 而且在多数场合总是一种形式排斥另一种形式, 一般不允许并存。 总之, 跟人们通常想象的正相反, 世界语是高度灵活的, 表达方式极其多样, 且能互相转换。这种高度灵活性正好适应了人类思维模糊性的特点。灵活性与规则性的高度统一, 这就是世界语的真正奇迹。 人造语言的规则性容易为人理解。关于灵活性, 再补充几点。由于篇幅关系, 我们不打算展开, 必要时辅以一两句例证。 1. 在世界语中动词的及物与不及物的界限模糊了。 Mi IRAS. / IRU vian propran VOJON! I GO. / GO your own WAY! 我行走。/ 走你自己的路! La tuta homaro PAROLOS nur unu LINGVON. / Mi PAROLAS esperante (en Esperanto, per Espernato). The whole mankind will SPEAK only one LANGUAGE. / I SPEAK in Esperanto. 全人类将说仅仅一种语言。/ 我用世界语说话。 2. 直接宾语(所谓宾格)与间接宾语(所谓与格)的界限模糊了。 informi ION al IU / informi IUN pri IO tell sth. to sb. / tell sb. about sth. 向某人告诉某事 / 告诉某人关于某事 3. 宾语与状语的界限模糊了。世界语语法规定: 目的格(即通常所谓宾格)也可以表达某种状语意义(参见基本法规第14和第13条)。 Mi invitas vin VOJAGHI kun mi PEKINON. I invite you to TRAVEL with me TO PEKING. 我邀请你和我一起 “旅游北京”。 4. 词缀与词根的界限模糊了, 从而派生词与合成词的界限模糊了。同时虚词与实词的界限也模糊了。 sekret-ET-o / ET-a sekreto JES, / mi JES-as vian opinion. little secret 小秘密 Yes, I agree with you. 是的, 我同意你的意见。 ANTAU-vidi / Sinjorinoj ANTAU-as. Kred-IND-a / ne-IND-a , IND-igi , sen-IND-ulo foresee / Ladies first. believ-able / not worthy, make worthy, good-for-nothing 5. 万能介词JE的设置。人们在表达思想时, 常常只意识到从属成分与中心成分有某种朦胧的修饰关系, 但却说不出, 往崐往也不必要说究竟是何种语义联系。为了适应人类思维的这种模糊特点, 柴门霍夫引入介词JE。这是一个很有见识的创造。表达这种模糊关系还可用屈折形式的目的格或副词(状格), 见基本法规第14条。 6. 词性与格在用法上的统一。词性和格都是根据词尾 "入句而后定" 的动态句法特征, 都能表现比较抽象的语义关系, 可以相互补充。（这跟分析形式的介词短语不同。介词除了上述JE外, 一般用来表示较为具体和确定的语义关系。） Mi skribas plum-E. CF: (俄) (五格) 7. 极其灵活的词类转换。 La FLOR-OJ FLOR-AS. Li KANT-AS italan popolan KANT-ON. Mi estas GHOJ-A. Mi GHOJ-AS. The flowers blossom. He sang an Italian folk song. I am glad. 8. 词序的自由。 Mi amas vin. (106) / Mi vin amas. / Vin amas mi. (108) / Vin mi amas. (111) / Amas mi vin. Amas vin mi. I love you. 我爱你。 9. 构词的灵活。派生词: 词缀的丰富及其黏合特点; 合成词: 词根与词根的自由复合。 Shi rid-AS. Shi rid-ETAS. Shi estas rid-EMA. Shi estas rid-EMULO. Shi estas rid-EMULINO (rid-EMINO). Shi estas rid-EMULINETO (rid-EMINETO)....... 她笑。 她微笑。 她爱笑。 她是爱笑的人。 她是爱笑的女人。 她是爱笑的小女孩儿 ......。 INTER-lingvo 中间语言 fonto-lingvo celo-lingvo ponto-lingvo naci-lingvo internaci-lingvo 源语 目标语 媒介语(桥梁语言) 民族语 国际语 10.完善的时态语态系统和精巧的相关词表。世界语的时态语态系统和相关词表是两项绝妙的创造。它们是如此地精巧完善, 富有逻辑的力量和美, 每一个世界语者都象化学家欣赏元素周期表一样体验到这种美, 并为此感到自豪。借助于唯一的一个助动词ESTI, 世界语能表达各种复合时态语态。相关词表所能表达的语义的简洁和丰富更是无与伦比的。 世界语的这些特点给人们的自由创造留下了很大的余地, 为人们充分发挥自己的语言才能提供了最好的条件。这种灵活性并不影响作为世界语基础的16条基本法则的不可动摇的严格性。在这儿, 自由和约束达到了完美的统一。在世界语国里, 每个人都在不同程度上是创造者, 每一个世界语者都体验到这种创造的乐趣。人们再也不是习惯的奴隶了。 然而, 不能不承认, 世界语的灵活和自由给机器的自动处理带来了一定的困难。我们在研制EChA系统的过程中, 深深感到, 与民族语相比, 以世界语为源语的机器翻译虽然有其容易的一面, 也有其特有的难处, 总之要比我们预料的要复杂得多。容易来自其高度规则性, 困难则源于其高度灵活性。 世界语作为人们唯一实际使用的人造语言自然有它独特的研究价值。拿它与民族语作对比研究, 我们会得到很多有益的启示。由于其独特的地位, 人们在研究思维与语言, 民族与语言, 社会与语言, 个体与语言, 信仰与语言等等的关系, 以及探讨语言的共性, 语言的本质, 语言的前途(未来社会的语言), 语言的形式和内容, 语言的类型, 语言的教学等问题时都可能在研究世界语的过程中获益。另外, 世界语本身的发展也需要语言学者对它作科学的研究和总结, 这不但有益于这门语言健康的发展, 有助于世界语语言学理论体系的建立, 同时也会丰富一般语言学的理论。语言学者对世界语的理论研究虽然早已开始, 但还远远不够。 对于机器翻译工作者, 世界语还有一层特殊的意义, 就是世界语作为民族语间机器翻译的媒介语的价值.[1] 这可以从两方面看: 1) 按照机器特点对世界语作必要改造, 定义一个作为媒介语的世界语子集, 再辅以一套高度形式化的成分体系。这个设想我们在第一届中国世界语大会上提过。我们也确实设计过一个以世界语作为媒介语的英汉机器翻译规则系统。虽然由于时间等原因没有能上机试验, 但我们相信该方案是可行的, 也是值得尝试的。拿世界语或其子集作媒介语, 尽管还远远不是最理想, 但如果研制的是印欧语系间多语言自动翻译, 或者是以这些语言为源语的多对一系统(如英/法/德/俄--汉系统), 相信会带来很多方便。2) 虽然不直接采用世界语作媒介语, 但在设计机译媒介语时, 认真吸取世界语的优点, 可以少走弯路。 本文来自CSDN博客，转载请标明出处：http://blog.csdn.net/kevinsung/archive/2007/08/26/1759770.aspx |
|
最新喜欢： 跨境电商运营...
|
|
沙发#
发布于：2010-04-02 12:27
附注: [0] 为便于查对, 这里把世界语16条基本法规转抄如下:
(1) 不存在不定冠词, 只存在定冠词 (LA), 其性数格不变。 (2) 名词词尾为 "-O", 复数形式加词尾 "-J"。只存在两个格: 普通格和目的格; 后者由普通格加词尾 "-N" 构成。 (3) 形容词以 "-A" 收尾, 其格数与名词同。比较级用PLI和连词OL, 最高级用PLEJ。 (4) 基数词(没有词尾变化)是: UNU 1, DU 2, TRI 3, KVAR 4, KVIN 5, SES 6, SEP 7, OK 8, NAU 9, DEK 10, CENT 100, MIL 1000。几十和几百由数词简单合并而成。序数词加形容词词尾; 倍数加后缀"-OBL-", 分数加 "-ON-", 集合数词加 "-OP-", 分配意义用介词 PO。此外, 数词也可以有名词和副词形式。 (5) 人称代词: MI, VI, LI, SHI, LI, GHI (代物件或动物), NI, VI, ILI。其所有格形式加形容词词尾构成。数格的变化与名词同。 (6) 动词没有人称和数的变化。动词的各种形式: 现在时用词尾 "-AS"; 过去时 "-IS"; 将来时 "-OS"; 假定式 "-US"; 命令式 "-U"; 不定式 "-I"。分词(有形容词和副词的意义): 主动现在式 "-ANT-"; 主动过去式 "-INT-"; 主动将来式 "-ONT-"; 被动现在式 "-AT-"; 被动过去式 "-IT-"; 被动将来式 "-OT-"。被动语态的各种形式, 都借助于ESTI的相应形式和所需要的动词的被动分词构成; 被动式所用的介词是DE。 (7) 副词以 "-E" 收尾; 各比较等级与形容词同。 (8) 所有介词都要求普通格。 (9) 每个词读写一致。 (10)单词重音永远在倒数第二个音节上。 (11)合成词由词与词简单合并而成(主要的词放在后面); 语法词尾也被看作独立的词。 (12)有其他否定词的时候, 就不再用 NE。 (13)为了表示方向, 单词加目的格词尾。 (14)每个介词都有确定不变的意义。但是如果我们需要用一个介词, 而从意义上看不出应该用哪一个, 这时我们就用没有独立意义的介词JE。介词JE也可以用没有介词的目的格来代替。 (15)所谓外来词, 即大多数语言取自同一来源的词, 在世界语里不加变化地应用, 只需照世界语拼写法书写; 但如果一个词根派生几个不同的词时, 最好只不加变化地采用那个基本词, 并由此按照世界语的规则构造出其他的词来。 (16)名词和冠词末尾的元音字母可以省略, 用省略号 ' 来代替。 [1] 请参看 《巴贝尔通天塔必将建成》（刘涌泉 李维, 中国第一届世界语大会论文。其中第四节专门讨论了世界语作为机译媒介语的优点, 缺点, 可能和前景。） 3. 层次递归成分体系 在给出层次递归成分体系(CDC)的定义之前, 我们先说说该体系的来源及其理论依据。 CDC体系是机器翻译的一种中间语言, 我们试图提供一套更加合乎独立分析独立综合要求的机器翻译抽象文法。CDC是EChA系统的关键, 它体现了我们对语言结构的看法和对机器翻译的认识。CDC是直接从导师们的中介成分体系[2] 脱胎而来的, 它保留了中介成分的形式, 继承和改造了它的内容, 其思想基础是有向直接联系理论(或轴心词理论)。体现在CDC中的要点是: 1) 句子的最顶层是主句谓语, 它是全句的最大联系中心(主轴心), 所以谓语是全句的代表。一个完整的句子的最简单也是最典型的形式, 就是独词祈使句。如: Venu! Come! 来! 任何其他句子(无谓句是不完整句, 除外)都是从上面的简单形式一层一层推衍出来的: Venu! ... La studento venu chi tien! ... La studento, kiu parolis, venu chi tien! ...... Come! Let the student come here! Let the student, who spoke, come here! 反过来说, 对一个无论怎样复杂的句子层层归约, 归约的顶层必然是主句动词谓语: VENU / \ \ studento tien (!) / \ / la parolis chi / / \ (,) kiu (,) 2) 一个词只能跟另外的一个词发生直接联系, 但一个词可以带 N 个 ( N>=0 ) 直接联系词。这就是句子结构的有向直接联系观点.[3] 带直接联系词的词叫轴心词, 当 N>0 时, 它是非终结节点词。直接联系词本身也常常是低一层次的轴心词。 3) 主句谓语(主轴心)处在第一层。与主句谓语发生直接联系的词位于第二层。与第二层词直接联系的词在第三层。这样一环扣一环, 组成句子的每一个词都处在某一个层次上。理论上说, 句子的层次可以是无限的。 4) “虚词不虚。”虚词(或者叫功能词, 结构词)较之实词包含更多的句法结构信息。有些虚词同样可以充当轴心词。比如: 在 "介+名" 结构中, 介词是轴心词。主从连词如 SE (IF), KVANKAM (ALTHOUGH) 等也充当轴心词, 作为从句的代表, 它跟主句谓语发生直接联系, 它所带的下位直接联系词是从句谓语。 5) 作为源语文句的中间语言映射, 层次递归成分应该, 也可以落实到每个词上。所谓词, 从机器角度来看, 就是两空之间的字符串(汉语另当别论)。严格地说, 标点符号也是词(虚词), 也要参与文句的分析和归约。 建立CDC体系的两项基本原则是: 1. 层次递归原则: 有多少层次反映多少层次, 而且层次是递归的。层次的递归性表现在: (1) 对文句可以自底而上层层归约(参见EChA系统的目标语生成算法); (2) 对文句可以自顶而下层层分析（参见EChA的源语分析算法）。 2. 词本位原则:[4] 词到句子(以主句谓语为代表)是一个动态递归过程的两极, 其间的各个环节就是所谓层次。贯彻词本位原则的实质, 就是在一切层次上都把成分(CDC)落实到词。句子是, 也仅仅是由句素组成的。而每一个大大小小的句素（词组、短语、从句等）按照我们的看法, 总是以一个轴心词来代表的。 现在, 我们给出层次递归成分体系的形式化定义: 层次递归成分体系是层次递归成分的集合 层次递归成分是这样一个六元信息组: 丨 形态信息 | 结构关系信息 | 节点信息 | 分布信息 | 层号信息 | 链号信息 丨 <形态信息>::= { <词性>, <格>, <数>, <时态>, <语态>, <语式>, <非谓语形式>, <体>, <人称>, ... } <词性>::= { N, V, A, F, P, Z, C, K, B } N=名词, V=动词, A=形容词, F=副词, P=介词, Z=助动词, C=并列连词, K=主从连词, B=标点符号 <格>::= { 非格, 普通格, 目的格 } <数>::= { 非数, 单数, 复数 } <时态>::= { 非时态, 现在时, 过去时, 将来时 } <语态>::= { 非语态, 主动语态, 被动语态 } <语式>::= { 非语式, 陈述语式, 命令语式, 虚拟语式 } <非谓语形式>::= { 非非谓语形式, 分词, 不定式, 名动词 } <体>::= { 非体, 进行体, 完成体, 将来体 } <人称>::= { 非人称, 第一人称, 第二人称, 第三人称 } <结构关系信息>::= { S, W, O, D, F, B, T, I, C, L, M, A, Z, V, R } S=主语, W=谓语, O=宾语, D=定语, F=状语, B=补语, T=同位语, I=独立成分 C=同等连词或标点, L=从句起始标点, M=从句末标点,A=插入成分起始标点,Z=插入成分末标点 V=非结构意义标点, R=句末标点 <节点信息>::= { J, <非终结节点> } J=终结节点 <非终结节点>::= { S, O, D, B, K, X, Y } S=主语从句节点, O=宾语从句节点, D=定语从句节点, B=补语从句节点, K=一般从句节点 X=动词性非终结节点, Y=其他非终结节点 <分布信息>::= { Q, H, G } Q=位于轴心词前, H=位于轴心词后, G=轴心 <层号信息>::= { 非层号, <自然数> } <自然数>::= { 1, 2, 3, ... } <链号信息>::= { <左链号>, <右链号> } <左链号>::= { 非左链号, 99, N } N=大于句首号小于句末号的自然数 <右链号>::= { 非右链号, N } [说明] 左链号的设置是为了处理同等成分的方便。我们把同等成分的最右元素认作整个成分的代表(落脚点, 轴心)。 左链号99是同等成分最左元素的标志。有了左链号, 消除了后顾之忧, 同等成分就可以和其他句素一样, 参加 文句的分析和归约。 下面是用这套成分体系作分析的例句(004): CDC中形态信息略去, 余下依次是: 关系/节点/分布/层号/左链/右链, 例如: FJQ 05 00 02 ---> 状语/终结节点/位于其轴心词之前/处于第5层/没有左链(00是非左链号)/右链号为02 Pli poste , kiam la sciodisketoj 英语: More later , when the knowledge-disks 汉语: 更 以后 ， 当(...时) 微型知识磁盘 CDC链: FJQ 05 00 02 FYQ 04 00 17 LJQ 05 00 04 FKQ 04 00 17 DJQ 07 00 06 SYQ 06 00 07 estis eltrovitaj , la plenan indikaron [注:目的格] had been found out , the full indication 被 发明了 , 全套 指令集合 WBH 05 00 04 BJH 06 00 07 MJH 05 00 04 DJQ 05 00 12 DJQ 05 00 12 OYQ 04 00 17 , endiskigitan , oni metis en , endisked , people put into , 所写入磁盘的 , 人们 放 到(...里面) AJQ 06 00 14 DYH 05 00 12 ZJH 06 00 14 SJQ 04 00 17 WXG 03 99 20 BYH 04 00 17 mashinojn kaj ili tiamaniere povis en machines and they therefore could in 机器 它们 这样 能 在(...里面) OJH 05 00 18 CJQ 02 17 23 SJQ 02 00 23 FJQ 02 00 23 WXG 01 20 00 FYQ 03 00 27 si mem akumuli sciencan stokon , them- selves accumulate scientific stock , 自己 本身 积累 科学 贮蓄 , BYH 04 00 24 BJH 05 00 25 BXH 02 00 23 DJQ 04 00 29 OYH 03 00 27 VJQ 05 00 32 pli grandan ol la homa cerbo more great than the man's brain 更 大 比 人的 头脑 FJQ 05 00 32 DYH 04 00 29 FYH 05 00 32 DJQ 07 00 36 DJQ 07 00 36 BYH 06 00 33 层次递归成分实质上就是不同层次的词之间直接联系关系的一种反映。它揭示了文句结构的正确的句法树。根据文句的CDC链, 我们很容易画出该句的句法树。实验证明, 作为体现独立分析结果的机器翻译中间语言, 层次递归成分体系是比较有效的。现在, 越来越多的专家呼吁建立能充分体现对源语分析的结果, 正确揭示文句的层次结构和语义信息的媒介语, 或类似媒介语的东西。许多文章论证了分析和综合独立的必要性。原语分析依赖译语, 或译语综合依赖原语, 使分析和综合都不能深入, 而且难免捉襟见肘。[5] 当然, 层次递归成分体系还处于草创时期, 必然存在不少问题, 有待于在实践中不断检验, 改进和完善。通过时间的考验和我们的努力, 也许它最终能成为一个比较得心应手的机译工具, 而为人们乐于采用, 这当然是我们所希望的。也许它不是一个好的方案, 很快便被淘汰了。但无论如何, 总是一次有益的尝试。 这套体系的不足之处是, 它不大能够反映有向直接联系的语义性质, 而这对于高质量的机器翻译是比较关键的信息。人类语言不管怎样千差万别, 总有某些共同的东西。例如, 句素间的层次结构及其直接联系关系就具有很强的普遍性。正是这些语言共性才使翻译成为可能, 从而它成为语言转换的基础。句素与句素之间的逻辑语义联系, 也是重要的语言共性之一。[6] 逻辑语义的确定, 将大大有助于生成地道的目标语。在CDC体系中, 结构关系一项基本上是传统语法中句法成分的继承, 反映的是句子表层结构的关系(主谓宾定状补等)。看来, 有必要扩充CDC, 再加一个逻辑语义元: <逻辑语义信息>::= { Ag, Sb, Ob, Vb, Pl, Tl, Mn, Pp, Rs, Fr, Rg, Dg, Tm, Pr, Cl, Fn, Ms, Pm, Cd, Nb, Pt, Mt, Ps, Tg, Cs, Ex, Dt, Ct, Cn, Cc, Cp, Tw, Xx } Ag=施事(Agent), Sb=主体(Subject), Ob=受事(Object), Vb=行为(Verb), Pl=地点(Place) Tl=工具(Tool), Mn=方式(Manner), Pp=目的(Purpose), Rs=结果(Result), Fr=频率(Frequency) Rg=范围(Range), Dg=程度(degree), Tm=时点(Time), Pr=时段(Period), Cl=颜色(Colour) Fn=功能(Function), Ms=尺寸(Measurement), Pm=后饰(Post-modifier), Cd=条件(Condition) Nb=数量(Number), Pt=属性(Property), Mt=质料(Material), Ps=领属(Possession) Tg=对象(Target), Cs=原因(Cause), Ex=说明(Explanation), Dt=限定(Determiner) Ct=环境(Circumstance), Cn=内容(Content), Cc=让步(Concession), Cp=比较(Comparison) Tw=同位, Xx=非语义(或不定语义) [注] Xx是所有无法确定, 或没有必要确定的成分的逻辑语义。机器翻译跟自然语言理解不同, 并 不一味要求分析得越具体越透彻越好。机器翻译过程中的中间信息究竟要深入到怎样的程度, 应 根据充分必要的原则来决定。少则影响效果(质量), 多则白费功夫。 . EChA机器词典及词表 EChA所有词典词表都是随机数据文件, 并且各配有一套修改和扩充的外围维护程序, 这给系统的改进提供了方便。下面分别介绍各词典词表的定义。 1) 实词词干词典 格式: _______________________________________________________________________________ 丨词干 丨 逻辑类 丨 及物性 丨 带不定式 丨 支配词 丨 支配词汉义码 丨 汉义 丨 汉义特征 丨 英义 丨 丨_____丨______丨_______丨________丨_______丨____________丨_____丨_________丨_____丨 ________________________________________________ 丨英义特征 丨 语义特征 丨 词类词义区分表记录号 丨 备用项 丨 丨_______丨_________丨___________________丨_______丨 <逻辑类>::= { N, V, A, F, P, C, K, T, R, S, W, E, D, X } N=名词 , V=动词 , A=形容词 , F=副词 , P=介词 , C=连词或标点 , K=K类相关词 , T=T类相关词 , R=其他相关词 , S=数词 , W=人称代词 , E=系词 , D=冠词 , X=万能词 [说明] 逻辑类用来表明词的静态词性。世界语实词的语法词性是动态随机的, 只能由削尾决定。但每个词一般具 有一个基本词性, 这是单词的深层的逻辑特征。语法词性不过是由它通过加词尾派生的表层的句法特征。 <汉义特征>::= { "...以后", "...的", "使...", "把...", "给...", "...下", "...上", "...里", "...时", 多义词特征, 构成成语特征, ... } [说明] 汉义特征揭示了该词汉义的结构特性, 也给出了汉语生成的修辞信息。 <英义特征>::= { 不规则变化特征, 双写特征, 形式不变特征, ... } [说明] 英义特征给出该词的英语形态生成方式信息。 <支配词汉义>::= { 零义, "给", "以", "到", ... } [说明] 支配词汉义标示该词所支配的词(通常是介词)的汉义。 <语义特征>::= { HM, LK, TM, FX, ... } HM=人类特征, LK=地点特征, TM=时间特征, FX=方向特征 2) 虚词词典 虚词词典除包含实词词典的各项信息外, 还揭示了部分CDC信息, 如词性, 格, 数, 关系, 分布, 节点等。分析之前就能在词典里给出某些动态信息, 这是由虚词特点决定的。例如: 介词永远处于非终结节点(节点"Y")上, 原副词和万能词一般是不扩展的, 所以总处于终结节点(节点"J")上。万能词 ECH (EVEN) 永远位于其轴心词之前(分布"Q")。原副词 JAM (ALREADY)永远做状语(关系"F")。从属连词 KE (THAT) 总是引导名词性从句(词类"K", 节点"K"), 而且总位于其轴心词之后(分布"H")。冠词LA永远做定语(关系"D"), 位于轴心词前(分布"Q"), 处于终结节点上(节点"J")。 3) 成语词典 机器翻译界所谓的成语, 比其通常的意义要宽泛得多。凡是常用的比较固定的词组都可收作成语。世界语中纯粹的不可分析的习惯表达法较少, 所以成语词典容量相对不大。成语词典的收词范围, 还在很大程度上决定于原语和译语的对比差异。亲属关系相近的表达方法类似, 可以少收或不收成语。在EChA中, 就没有设立世英成语词典, 只有一部世汉成语词典。 EChA成语例释: MALFERMA(JN) AUTO(JN) ----- 敞蓬汽车 ( CF: OPEN CAR(S) ) SOMERA(JN) FERIO(JN) ----- 暑假 ( CF: SUMMER HOLIDAY(S) ) LA ANGLA(N) LINGVO(N) ---- 英语 ( CF: THE ENGLISH LANGUAGE ) INSTRUA(JN) LIBRO(JN) ---- 教科书 ( CF: TEACHING BOOK(S) ) LA GRANDA(N) MURO(N) ---- 长城 ( CF: THE GREAT WALL ) HOMA(N) SVARMO(N) ---- 人群 ( CF: MAN'S SWARM ) FACILA(N) VENTO(N) ---- 顺风 (CF: EASY WIND ) 4) 词类词义区分表 建立该词表对于世界语作为源语的机器翻译很必要, 可以大大减轻综合时多义区分的负担。凡是随着词性和逻辑类的不同, 目标语的义项也相应不同, 而这种改变并不遵循形态转换规律, 这样的单词就收入区分表。例如: MATEMATIK-A(JN) 必须收入, 而 HOM-A(JN) 就不必收, 因为前者的英义是 MATHEMATICAL (不是 MATHEMATICS' ), 而后者只要按规律从源语形容格(形容词性), 生成目标语所有格的词尾 -'S 或助词 "的" ( MAN-'S / "人-的" ) 就可以了。我们在实词词典中对要入区分表的词, 都给出了查表记录号(随机文件地址), 所以系统只要按地址取记录就行了。用BASIC编程时, 拿随机文件记录号作为单词内部代码, 是值得推荐的。词类词义区分表例释: 实词词典 词类词义区分表 ATING-I: ACHIEVE / 达到 ATING-O: ACHIEVEMENT / 成就 EKZEMPL-O: EXAMPLE / 例子 EKZEMPL-E: FOR EXAMPLE / 例如 KOMENC-I: BEGIN / 开始 KOMENC-E: AT BEGINNING / 开始时 MEZUR-I: MEASURE / 测量 MEZUR-O: MEASUREMENT / 尺寸 OKAZ-I: HAPPEN / 发生 OKAZ-O: OCCASION / 场合 SCI-I: KNOW / 知道 SCI-O: KNOWLEDGE / 知识 TIP-O: TYPE / 型号 TIP-A: TYPICAL / 典型的 5) 英语不规则词表 这个词表跟一般英语词典附录中列的不规则表没什么两样, 不过为了简便, 我们把动词形式的不规则变化和名词复数的不规则变化放在一个表内。不规则词表是供英语形态生成查用的。 英语不规则词表 原形 过去时 过去分词 名词复数 BEAT BEAT BEATEN BECOME BECAME BECOME ... ... ... ... CHILD CHILDREN ... ... ... ... 最后我们给出EChA句子加工场的格式: __________________________________________________________________________ 丨目标语序号丨实词词典各项丨CDC信息丨已加工特征丨虚词特征丨目标语调序信息丨目标语位移序号丨 丨________丨__________丨_______丨________丨______丨____________丨___________丨 [说明] 1. 目标语序号用来在综合阶段自底而上归约加工时给同号。 2. 目标语位移序号用来在用搬家法作虚拟调序时代表整个词条。用序号代替整个词条位移的虚拟调序, 比纯粹用搬家法效率高, 大约跟拉链法相仿。鉴于BASIC不能处理组合项变量, 如果采用搬家法调序, 只能一项一项位移, 这种虚拟调序的技术更显出优越性。但须注意, 跟位移序号一起移动的, 还必须包括该词的自然顺序号, 用它标示原词条位置, 这样查问时才无后顾之忧。 5. 世界语形态分析 源语文句分析大体可以分形态分析和句法分析两大类。前者研究的对象小于等于词, 而后者的对象大于等于词(句素)。分析的终极目的就是求解词的正确的CDC成分。本节先讨论形态分析问题。我们把构词分析的讨论也放在这一节。 世界语形态分析的主体是消尾算法的建立。世界语没有形态同形现象, 所以只要削尾正确, 形态分析也就完成。下面给出EChA的削尾算法。应该说, 该算法是比较完备和合理的, 完全能够满足世界语自动分析实用系统的要求。 世界语削尾算法 (1) 若该词最末字母为 "-O" 取 "名词 / 普通格 / 单数" 的结论, 该词削尾后查实词词干词典, 转下一步(2), 否则步骤(12)。 (2) 若查词典成功, 取词典信息到加工场, 该词加工完毕, 否则下一步(3)。 (3) 若该词最末二字母为 "-AD" 取 "AD词" 的结论, 该词削尾后查实词词干词典, 转下一步(4), 否则步骤(5)。 (4) 若查词典成功, 取词典信息到加工场, 该词加工完毕, 否则步骤(11)。 (5) 若该词最末三字母为 "-ANT" 取 "分词 / 进行式 / 主动式" 的结论, 该词削尾后查实词词干词典, 转步骤(4), 否则下一步(6)。 (6) 若该词最末三字母为 "-INT" 取 "分词 / 完成式 / 主动式" 的结论, 该词削尾后查实词词干词典, 转步骤(4), 否则下一步(7)。 (7) 若该词最末三字母为 "-ONT" 取 "分词 / 将来式 / 主动式" 的结论, 该词削尾后查实词词干词典, 转步骤(4), 否则下一步(8)。 (8) 若该词最末二字母为 "-AT" 取 "分词 / 进行式 / 被动式" 的结论, 该词削尾后查实词词干词典, 转步骤(4), 否则下一步(9)。 (9) 若该词最末二字母为 "-IT" 取 "分词 / 完成式 / 被动式" 的结论, 该词削尾后查实词词干词典, 转步骤(4), 否则下一步(10)。 (10)若该词最末二字母为 "-OT" 取 "分词 / 将来式 / 被动式" 的结论, 该词削尾后查实词词干词典, 转步骤(4), 否则下一步(11)。 (11)该词取 "生词" 的结论, 保留削尾结论, 在加工场的目标语语义项里复制该词, 该词加工完毕。 (12)若该词最末字母为 "-'" 取 "名词 / 普通格 / 单数" 的结论, 该词削尾后查实词词干词典, 转步骤(2), 否则下一步(13)。 (13)若该词最末字母为 "-A" 取 "形容词 / 普通格 / 单数" 的结论, 该词削尾后查实词词干词典, 转步骤(2), 否则下一步(14)。 (14)若该词最末字母为 "-E" 取 "副词 / 普通格" 的结论, 该词削尾后查实词词干词典, 转步骤(2), 否则下一步(15)。 (15)若该词最末字母为 "-J" 取 "普通格 / 复数" 的结论, 该词削尾后转下一步(16), 否则步骤(18)。 (16)若该词最末字母为 "-O" 取 "名词" 的结论, 该词削尾后查实词词干词典, 转步骤(2), 否则下一步(17)。 (17)若该词最末字母为 "-A" 取 "形容词" 的结论, 该词削尾后查实词词干词典, 转步骤(2), 否则步骤(11)。 (18)若该词最末字母为 "-N" 取 "目的格" 的结论, 该词削尾后转下一步(19), 否则步骤(23)。 (19)若该词最末字母为 "-J" 取 "复数" 的结论, 该词削尾后转步骤(16), 否则下一步(20)。 (20)若该词最末字母为 "-O" 取 "名词 / 单数" 的结论, 该词削尾后查实词词干词典, 转步骤(2), 否则下一步(21)。 (21)若该词最末字母为 "-A" 取 "形容词 / 单数" 的结论, 该词削尾后查实词词干词典, 转步骤(2), 否则下一步(22)。 (22)若该词最末字母为 "-E" 取 "副词" 的结论, 该词削尾后查实词词干词典, 转步骤(2), 否则步骤(11)。 (23)若该词最末字母为 "-S" 转下一步(24), 否则转步骤(30)。 (24)若该词最末二字母为 "-AS" 取 "现在时" 的结论, 该词削尾后转步骤(28), 否则下一步(25)。 (25)若该词最末二字母为 "-IS" 取 "过去时" 的结论, 该词削尾后转步骤(28), 否则下一步(26)。 (26)若该词最末二字母为 "-OS" 取 "将来时" 的结论, 该词削尾后转步骤(28), 否则下一步(27)。 (27)若该词最末二字母为 "-US" 取 "虚拟式" 的结论, 该词削尾后转步骤(29), 否则步骤(32)。 (28)取 "陈述式" 的结论, 转下一步(29)。 (29)取 "动词 / 谓语 / 主动语态" 的结论, 查实词词干词典, 转步骤(2)。 (30)若该词最末字母为 "-I" 取 "动词 / 不定式" 的结论, 该词削尾后查实词词干词典, 转步骤(2), 否则下一步(31)。 (31)若该词最末字母为 "-U" 取 "命令式" 的结论, 该词削尾后转步骤(29), 否则下一步(32)。 (32)查虚词词典(因该词无尾可削)。若成功取词典信息到加工场, 该词加工完毕, 否则取 "名词 / 专有名词" 的结论, 返回步骤(11)。 [注] 世界语基本法规第16条说: "名词和冠词末尾的元音字母可以省略, 用省略号 ' 来代替"。这种现象多出现在诗歌里, 如 MOND'(103)。我们在步骤 (12)对它作了处理(冠词是长度小于 3 的虚词, 直接查虚词词典, 不入削尾一线, 故不予考虑)。 我们谈谈构词分析问题, 这包括两个方面: 1. 关于建立削缀算法(派生词处理)的讨论; 2. 关于拆离合成词的讨论。在现行的EChA系统中, 这两个问题都回避了。我们建立的词典, 是以词干(包括合成词词干)作存贮单位的, 加工词只要削去语法词尾, 就可以查到。但是, 应该指出, 这样做, 对于世界语这种构词特别灵活的语言并不合理。以词干存词, 在做小型实验时还可应付, 如果是实用系统, 就会出现存不胜存的情况。我们主张实词词典既存词根也存词干, 同时建立一个完全的世界语削缀算法和合成词拆离算法, 以便对付生词。（世界语除国际性的专业词汇外, 基本词根很有限。所谓生词, 一般都是由基本词根及几十个词缀随机组合的派生词或合成词。因此, 只要切分正确, 生词便不 “生”。) 世界语后缀可以叠加(理论上无限), 但前缀通常只能有一个。这样词典一线的加工路径应该是: ________ Y __________ Y ______ 丨 削尾 丨----------->丨查实词词典 丨-------->丨 取 丨 丨______丨 丨 丨_________丨 丨____丨 丨 N 丨 丨 N ______ Y _______丨____ 丨 Y _____丨_____ 丨 取 丨<--- 丨查虚词词典 丨 丨____ 丨 削后缀 丨 丨______丨 丨___________丨 丨__________丨 丨 N 丨 N _____丨____ _____丨______ Y ________________ Y ______ 丨 生 词 丨 丨 削前缀 丨--------------->丨 查实词词典 丨------->丨 取 丨 丨________丨 丨___________丨 丨______________丨 丨_____丨 丨 N 丨 N 丨 _________ 丨 ------------->丨 生词 丨<------- 丨______丨 削缀与削尾不同, 并非有缀必削。对于削尾, 机器是先削后查, 而对于削缀, 则是先查词典, 查不着的生词再去削缀。这样处理便于我们根据设计要求(实验型还是实用型, 对于翻译速度, 质量, 成本的要求等等)和机器条件(内存容量, 运算速度等)决定实词词典收词干的标准。 现在, 由于计算机技术的发展, 机器功能(存贮, 速度)越来越强, 而成本急遽下降。因此机器翻译界如今有人提倡存贮单位宜大不宜小(如尽量多收成语的主张[7] ), 以海量存贮和快速查找来减轻分析的负担。这是很有见地的认识。单位越大, 确定性就越强, 对分析综合(机器智能)的要求就越低, 研制的难度相对减轻, 而译文的质量会大大提高。机器翻译是实用性很强的学科, 这种主张就显得更有价值。当然, 单位也不是越大越好, 因为单位每大一级(从词根到词干, 从词干到词, 从词到词组, 从词组到语句), 其组合的可能性呈指数增长.[8] 如果推向极端, 以句子为存贮单位, 则完全不需要分析和综合, 只要对号入座即可输出译文。这时候, 人工智能的程度等于零, 翻译质量却可以达到最佳(如果以人工水平为最佳)。可惜, 硬件技术无论怎样发达, 其存贮容量和查找速度也总有限, 不可能对付无穷的句子。（但为了某种特殊的需要在有限的范围内, 这种办法是可行的, 如旅游翻译机。这到底还算不算机器翻译? 应该算的, 只是它不是人工智能意义下的机器翻译。）机器翻译的另一极是以词素(词根, 词缀, 词尾)为分析单位, 它所需要的词典容量(只存词根)最小, 人工智能的水平最高, 不但有句法分析和综合, 还要有构词分析和综合。但费了好大劲儿, 质量却最不能保证, 因为一个句子掰得太碎(原文分析), 捏拢来总难免有些难看的痕迹(译文综合)。所以, 现行的机译系统, 一般都是在这两极中根据具体条件和设计者的观点取某个中值。我们认为, 一个优秀的实用系统应该有两手, 既能分析得很透彻, 又能对常用词组(成语)囫囵儿处理。该细的地方细得下去, 该粗的地方粗得起来。一般来说, 对于常用的, 固定的, 个性的可枚举现象粗一点比较有利, 而对于规律性的随机现象, 则适宜较细致的分析。所以, 对于以世界语为分析对象的实用机译系统, 我们既主张尽可能多收成语和带缀词干, 也充分肯定建立一个完备的削缀算法的必要性。 那么, 世界语实词词典收多少派生词词干比较合理呢? 对于独立型机器翻译: (1) 如果是小型实验系统, 目的是在有限的材料内试验系统的句法分析和综合能力, 那就词干全收; 否则: (2) 凡是常用的派生词词干一律收进词典, 而不再入削缀子程序----常用性(出现频率高)是根本标准; (3) 有助于区别同形多义的派生词词干, 应该收; (4) 可收可不收的, 主张收; (5) 在刚开始设计实用系统的机器词典时, 由于世界语词缀的极端灵活性和随机性, 很难一次收入许多带缀的词干, 这样, 削缀算法就显得更重要。削下缀来, 虽然表义不是很确切, 甚至有时在目标语综合时, 还需要辅以说明性注释(见后面例释), 但总比直接打出生词来(信息量为零)强出百倍。随着系统的不断扩充和完善, 收的词干自然会越来越多。 如果是具有特定的目标语的相关型机器翻译: (1) 收多少派生词词干应该考虑目标语的构词特点及词汇状况； (2) 在目标语中作为一个完整概念, 而不是词根和词缀意义简单相加所能反映的词干, 应该收入词典。如: DOM-EGO 楼房, 大厦（而不是一般的“大-房子”）； (3) 如果以汉语为目标语, 削缀更多一些, 因为世汉构词法很相似, 汉族人的心理本能地习惯于理解词素与词素的组合。（这种民族偏爱心理在引进外来词时表现的很明显, 如 "德律风" 为 "电话" 取代, "莱塞" 为 "激光" 取代等。）可以举出很多世汉构词神似的例子。而且也有许多世界语派生词如 DOM-ACHO 虽然整个儿译作 "陋室" 更雅一些, 但也不妨用统一的削缀合成法组成新词 "鬼-房子", 与原义相去也不远。特别是有些缀与汉字(词素)有很多一致性, 如 VIC-/副-，-IN-/女-，-EBL-/可- 等等, 就更有理由作削缀处理。 世汉构词对比例释(1): 派生词 BO- 姻- : BO-PATRO 姻-父亲 (岳父或公公) , BO-FILO 姻-儿子 (女婿) , BO-FRATO 姻-兄弟 (内弟) ; (1) GE- (男女)- : GE-AMIKOJ (男女)-朋友们 , GE-KAMARADOJ (男女)-同志们 , GE-AKTOROJ (男女)-演员们 ; (2) EKS- 前- : EKS-OFICISTO 前-职员 , EKS-MINISTRO 前-部长 , EKS-INSTRUISTO 前-教师 ; (3) MAL- [反义] : MAL-BONA [反义]好 (坏) , MAL-AMIKO [反义]朋友 (敌人) , MAL-SAGHE [反义]聪明 (愚苯) ; [说明] MAL-是世界语中用得最广, 随机性最强的前缀之一, 具有极强的造词能力, 可惜, 中文没有对应的词素。 如果系统遇到某个MAL-型生词, 削下前缀后给出[反义]这样的说明性标识, 也还可以使人理解。 (4) VIC- 副- : VIC-PREZIDANTO 副-主席 , VIC-ESTRO 副-队长 , VIC-CHEFMINISTRO 副-总理 ; (5) FI- 坏- : FI-INSEKTO 坏-虫 , FI-KOMERCISTO 坏-商人 (奸商) , FI-KUTIMO 坏-习惯 (恶习) ; (6) SEN- 1. 若词根逻辑类为名词则 "无-" : SEN-GUSTA 无-味的 , SEN-SENCA 无-意义的 ; 2. 若词根逻辑类为动词则 "不-" : SEN-MORTA 不-死的 (不朽的) , SEN-ATENTA 不-注意的 ; NE- 若词根逻辑类为名词则 "非-" 否则 "不-" : NE-ESPERANTISTO 非-世界语者 , NE-BONA 不-好的 ; (7) 介词性前缀: 1. SUR- -上: SUR-TABLE 桌子-上 ; 2. APUD- -旁: APUD-VOJA 路-旁的 ; 3. EN- -内: EN-LANDE 国-内 ; 4. LAU- 按-: LAU-VICE 按-次序 ; 5. DE- 从-: DE-NOVE 从-新 ; -ACH- 鬼- : DOM-ACHO 鬼-房子 (陋室) , KNAB-ACHO 鬼-男孩 (捣蛋鬼) , VETER-ACHO 鬼天气 ; (8) -AN- -成员 : KLUB-ANO 俱乐部-成员 , KURS-ANO 讲习班-成员 , KOMUNUM-ANO 公社-成员 ; (9) -UL- -者 : BON-ULO 好-者 , KAR-ULO 亲爱-者 , JUN-ULO 年青-者 , LONG-KRUR-ULO 长/腿-者 ; (10)-IN- 女- : KAMARAD-INO 女-同志 , INSTRUIST-INO 女-教师 , OFICIST-INO 女-职员 , AKTOR-INO , 女-演员 ; (11)-EBL- 可- : VID-EBLA 可-见的 , MANGH-EBLA 可-吃的 , UZ-EBLA 可-用的 , NE-ATING-EBLA 不-可-达到的 ; (12)-EC- -性 : CERT-ECO 确实-性 , NECES-ECO 必要-性 , KLAR-ECO 清楚-性 , LIBER-ECO 自由-性 ; (13)-EM- 爱- : LABOR-EMA 爱-工作的 (勤劳的) , PAROL-EMA 爱-说话的 , MENSOG-EMA 爱-撒谎的 ; (14)-IND- 值得- : LERN-INDA 值得-学习的 , LAUD-INDE 值得-称赞 , LEG-INDA 值得-读的 , AM-INDA 值得-爱的 ; (15) -ON- 1. 若 -ONO 则 "-分之一": DU-ONO 二-分之一 , TRI-ONO 三-分之一 , KVAR-ONO 四-分之一 ; 2. 若 X+Y-ONOJ 则 "Y-分之X": TRI DEK-ONOJ 十-分之三 , KVIN OK-ONOJ 八-分之五。 合成词 ("词根+词根") 也是一样。比较固定的, 应该整个儿存入词典, 随机组合的, 应该拆开。但这儿有一个困难, 世界语语法为了方便使用者, 即便对完全随机组合的合成词, 也不作加连字符的规定。那么怎么拆呢? 词根的数量与词缀不能比, 长度也变化很大, 一个字母一个字母地削查比较, 显然不是办法。如果坚持不要译前编辑, 还找不到一个合理的解决办法。目前可以考虑先对中间有连字符的合成词作拆词加工。我们提倡除比较固定常用的合成词外, 世界语者在运用随机合成词时，为读者的省力和机器的识辨计加上连字符。鉴于世界语构词法与汉语构词法惊人的一致(组合方式及其高度随机性都很类似), 对于世汉机器翻译这一倡议更加必要。 本文来自CSDN博客，转载请标明出处：http://blog.csdn.net/kevinsung/archive/2007/08/26/1759770.aspx |
|
|
|
板凳#
发布于：2010-04-02 12:32
世汉构词对比例释(2): 合成词
(1) AKVO-FONTO 水/源 ; (2) VARM-ENERGIO 热/能 ; (3) ARBO-BRANCHO 树/枝 ; (4) VAPOR-SHIPO 汽/船 ; (5) SURD-MUT-ULO 聋/哑-者 ; (6) BLANK-HARA 白/发的 ; (7) NUD-PIEDA 光/脚的 ; (8) FISH-KAPTI 捕/鱼 6. 世界语句法分析(1): 虚词处理 虚词分析是世界语句法分析中最困难的部分。EChA的策略是分而治之, 各个击破。每一个虚词的分析规则自成一体, 互相独立, 这样在充实或改进某一具体虚词的规则时, 便不致于影响其他虚词的规则, 这也就是规则和规则分开吧。[9] 语言规则和算法程序应该分开, 大家已经说了许多, 而规则和规则分开, 似乎还没有引起足够的重视。(不是指所有规则都分开: 具有普遍意义的抽象语法规则集合, 作为系统对于该语言充分形式化的逻辑描述, 是自动分析的枢纽, 本身就是一个可以做的很美的统一整体, 谈不上分开。(参考EChA句法分析第二线, 见第7节.) 一个优良的系统应该既能分得开, 又能合得拢.) 我们认为, 规则和规则分开, 对于研制实用性机译系统具有决定性意义。没有什么系统从一开始研制就可以足够完善, 所以是否容易扩充和改进, 在很大程度上决定了一个系统的前途。规则和算法分开, 固然大大增强了系统的扩充能力, 并且便于语言工作者和软件工作者充分合作。但这还不够。如果能实现规则和规则分开, 不但有利于遵循具体问题具体分析原则, 去解决语言这种特别复杂的现象中的许多个性问题, 从而大大提高翻译质量, 而且也为语言工作者和语言工作者的协作, 创造了必要的条件----这种协作, 对于研制大型实用系统是必不可少的。 规则和规则分开的主要方式是: 1) 词典语法化: 以词为基本单位, 把关于该词的各种用法及其分析规则, 以数据的形式写入词典(它建在外存贮器上)。这样的机器词典, 形式上很类似于我们案头的词典工具书, 如牛津, 韦式, LONGMAN等, 而且也较容易借鉴已有的这些词典的研究成果。我们建议首先把虚词和动词的条目语法化。2) 语法词典化: 在编写句法分析或综合程序(它在内存贮器中)时, 把规则落实到具体词或小类上, 并使这些规则独立开来。这两种方法形式有别, 实质是一样的。我们在EChA中采用的是第二种方法。(参见EChA虚词分析部分和EChA综合部分的多义词区分规则.) 说到底, EChA分析第一线不过是一个带有分析规则的虚词大词典。 当然, 应该指出, 规则和规则分开, 必然使规则量成倍增长。然而, 由于边界分明, 这种增长并不影响系统结构上的逻辑清晰性, 这跟以前语言和算法, 规则和规则都没分开时的情形大不相同, 那时的规则无限膨胀, 只能致使系统最终报废。不过规则量的增长, 涉及到机器的存贮容量问题。但这实际上也不成问题, 因为现在的机器对于存贮节省的要求, 已经不是那么苛刻了。即便是微型机, 中高挡的内存容量就能达到, 或很容易扩充到四兆到八兆字节。值得强调的是, 规则量的增长, 一般并不影响系统的工作效率, 因为规则是附在具体的词或小类下, 只有所译文句出现了某词, 才会入该词一线。 在EChA虚词分析一线中, 我们把虚词的多义区分, 甚至有些涉及虚词特点的目标语修辞, 都一古脑纳入具体虚词的分析规则中。这样处理显然比较简便易行, 也大大减轻了综合的困难。但是, 正是在这儿, EChA违背了我们所极力赞同的分析和综合独立的原则。目前还想不出更好更合理的办法。不过, 我们主张独立分析的本意, 不外乎为了两点: 1) 为了使分析深入以便提高机译质量; 2) 让同一个独立分析结果, 能为多语综合所利用。考虑到虚词的分析和综合同步进行, 有助于提高译文崐质量, 而且由于虚词数量的有限及其分析规则的相互独立, 在增加新的目标语时充实这些规则不会有很大困难, 更不会影响整个系统的筋骨, 因而我们目前的做法是有理由的, 它并不违背我们的宗旨。 7. 世界语句法分析(2) 分析第(2)线与目标语综合充分独立, 逻辑性强, 是一个相当完整的语言分析模型。它由一个主程序和几个以动词分析算法为核心的环环相扣的子程序构成。主程序主要用来确定各语段的范围(前限后限)及其加工次序, 为它们进入动词子程序做好准备。它必须对各种类型的世界语文句作出正确, 合理的处理, 才能保证系统的充分概括性和适应性。从各类文句的试验结果看, EChA相当好地做到了这一点。 我们把世界语文句的类型归纳如下: 1.无谓句. 如: Kia belega pejzagho ! (041) / What beautiful scenery ! 多么绝美的景色! 2.谓语句: 1) 简单句: 全句只有一个谓语。如: Skribu klare ! (033) / Write clearly ! 写清楚! 2) 扩展的简单句: 全句至少有两个谓语, 但只有一个主句, 从句跟主句(以主轴心为代表)没有直接联系, 即从句处于2层以外 ( 其层号 >= 3 )。这类从句往往是定语从句或同位语从句。如: La homon , pri kiu vi parolas , mi neniam vidis . (131) The man(宾), about whom you speak , I never saw . 我从未见过你提到的人。 3) 主从句: 全句至少有两个谓语, 但只有一个主句, 从句跟主句发生直接联系。如: Se mi partoprenus en via amuza aktivado , mi estus tre ghoja . (050) If I should take part in your recreational activity , I would be very glad . 如果我参加你们的文娱活动, 我会是很高兴的。 4) 并列句: 全句至少有两个谓语, 同时也至少有两个有并列关系的分句, 并且其中一个是主轴心。如: Mi miras , timas , tremas . (074) / I wonder, fear, tremble. 我惊奇, 害怕, 颤抖。 5) 交错句: 以上四类句子交错组合而成的复杂句。如本文第3节举的例句(004)就是。 EChA在对付这些不同类型的句子时, 能够把复杂的句子分解成简单的句子处理。分析程序首先查找从句。如果查到, 先入并列从句子程序分解(若是光杆从句就放过, 返主), 然后确定每一个从句的前后限, 入动词子程序加工。加工完毕, 做绝对放过标志。所有从句处理完毕, 再行主句加工。这时候, 句子呈或者简单句, 或者并列句的形式。 世界语中表示关系的从句, 如有相应的 T 类相关词与之呼应, 就是同位语从句。而当主句中 T 类相关词省略时, 便与表示疑问的名词性从句同形, 从而增加了识辨难度。对此本系统暂时不予考虑。这种省略虽然显得较干练 (成语警句中常用), 崐但不宜提倡, 因为甚至人(尤其是非印欧语系的人)理解起来, 也常常感到困难。 [例] Bone ridas , KIU laste ridas . / Well smiles, WHO smiles at last. 谁笑得最后, 笑得最好。 KIO pasis , ne revenos . / WHAT passed, will not return. 时不再来。（一去不复返。) CF: Nur TIU ne eraras, KIU neniam ion faras.(151) / Only THAT PERSON is not wrong, WHO never dose something. 仅仅从不做某事的那个人不犯错误。 第二线的关键是动词子程序的建立。(这儿所谓动词包括谓语动词, 形动词, 副动词和不定式, 但不包括-ADO词, 因为世界语的-ADO词已经完全名词化了, 不再具有动词的特性.) 如果说先从句后主句的加工过程, 实际上是自下而上的方法, 那么动词算法的路径正好反过来, 是自上而下。动词子程序首先设三个开关。一是检验是否可以构成动词短语 VP。若不能, 如独词句及光杆的形动词, 副动词或不定式, 则给该词节点信息 J (终结节点), 该词加工完毕, 退出。二是检验该词是否系词, 若是, 转系词子程序作适当处理, 再回动词子程序递归加工。这是因为系动词有其特殊性, 比如一般动词谓语简单句, 只可能有一个前面没有介词的普通格名词(它当然是主语), 而系词谓语句却可以有两个(一主一表), 因而不能直接入动词子程序。最后一个开关检验该动词短语是否扩展的 VP, 若不是, 即行分析。扩展的 VP 定义为该动词的间接成分层中(所谓间接成分层是指其层号 >= 动词轴心的层号 + 2 的层次), 至少又包含一个 VP。对于扩展的动词短语, 运用栈技术作递归加工。这样动词子程序真正的加工单位便是不扩展的各类 VP (简单句, 形动词短语, 副动词短语, 不定式短语)。动词子程序在工作期间, 常常需要调用其他子程序。各子程序间的逻辑关系是十分清楚的。 名词子程序也要设开关。扩展的 NP 定义为带有至少一个 VP 的 NP, 它必须回动词子程序递归加工。 对于不扩展的动词短语, 一般来说加工次序如下: _________ ____________ ___________ ____________ 丨动词子程序丨--------丨 名词子程序 丨------丨形容词子程序丨----丨 副词子程序 丨 这形象地体现了 "自顶而下" 的分析思想。 试验表明, EChA的两线分析程序, 一具体一抽象, 一个对付个性一个对付共性, 一个面向虚词一个面向实词, 一个尽量使句法分析词典化, 一个则努力使分析过程逻辑化, 二者相互配合, 很有效地实现了各类世界语文句的自动分析。EChA输出的中间结果158条CDC链中只发现一处分析错误。它出现在第一首诗歌 "LA ESPERO" 的第三句: Ne al glavo sangonsoifanta , ghi LA HOMAN tiras FAMILION . (102) Not to sword bloodthirsty , it THE MAN'S (目的格) pulls FAMILY (目的格). 为了节奏和韵律的关系, 作者把形容词修饰语与其轴心词分开了(当然仍同格同数), 中间插进一个动词谓语。于是系统误把二者都看作是动词谓语的宾语, 因为 "冠词+形容词" (后不跟名词) 结构一般总是代替 NP 的, 所以EChA也就这样分析了。幸运的是, 这一分析错误没有导致译文错误, 因为中英文综合都把前置宾语移至动词轴心之后, 客观上恢复了修饰语与其中心词的正常词序, 当然这只是巧合。 8. 英语形态生成 加尾算法跟削尾算法正好是逆过程。建立一个完全的, 符合实用系统要求的英语加尾算法并不困难, 因为英语的形态比较简单。EChA把汉语形态修辞与英语形态生成放在一处进行。 原语和译语的对比差异是建立语言转换规则的依据。这种对比差异可以归纳为下面五种情况: 1) 一一对应; 2) 此一彼多; 3) 此多彼一; 4) 此有彼无; 5) 此无彼有。我们以世界语到英语的形态转换分别举例如下: 1) 一一对应 世界语派生副词(由逻辑类为形容词的词干加 "-E" 尾构成) --------->英语相应形容词加 "-LY" 尾。 例: diligent-E ----> diligent-LY ; serioz-E ----> serious-LY ; sincer-E ----> sincere-LY. (063) 例外: bon-E ----> well (045) ( 不是 good-LY, 这种情况在词典一线入词类词义区分表处理。) 显然, 一一对应的情形最好办。 2) 此一彼多 世界语不定式 --------> 英语动词原形 或 TO + 动词原形 世界语条件句(谓语动词以 "-US" 收尾) --------> 英语三种形式（过去、现在、将来)。 例: 1. Se mi sci-US hierau, mi certe ven-US. ----> If I HAD KNOWN yesterday, I certainly SHOULD HAVE COME. (与过去事实相反的假设) 2. Se vi est-US mi, kion vi far-US? ----> If you WERE me, what WOULD you do? (与现在事实相反) 3. Se vi ven-US morgau, vi shin vid-US. ----> If you SHOULD come tomorrow, you WOULD see her. (与将来事实相反) 这种情况最麻烦。机器翻译中的多义现象盖源于此。如果上例没有明确的时间状语, 那只能靠跨句上下文去 推测, 这对机器实在太难了。EChA遇到这种情况, 就干脆一律用 "WOULD" 代替 "-US" (050), 这虽然不大符合 英语语语法规范, 暂时也只能这样了。好在这样转换并不造成误解。 此一彼多另一个常见的例子是, 世界语现在时简单式(-AS尾)对应于英语一般现在时和现在进行时两种。虽 然世界语复合时态有与英语现在进行时对应的形式( ESTAS x-ANTA ), 但是世界语的节约原则要求人们尽可能少 用复杂形式。我们一时还找不出足够可靠的形式规则, 来决定 "-AS" 究竟何时译作一般时态, 何时译作进行时 态。EChA目前一律以一般现在时译之, 这使得部分译文不是很确切, 但并不造成误解或费解。如: Kien vi ir-RA? (158) ----> To where DO you go? ( CF: Where ARE you GOING? ) Chu kredas, ke mia koro flam-AS? (110) ----> Do believe, that my heart burn-S? ( CF: Do you believe that my heart IS BURNING? ) 3) 此多彼一 世界语形动词或副动词的各种形式 --------> 英语分词的相应形式。 -ANTA 和 -ANTE ----> -ING ; -INTA 和 -INTE ----> HAVING+过去分词 ; -OTA 和 -OTE ----> TO BE+过去分词; 等等。 [例] KURANTE sur la strato, li falis. (091) ----> RUNNING on the street, he fell. Laboristoj estas KONSTRUANTAJ fabrikon. (015) ----> Workers are BUILDING factory. 这种情况好办。世界语形态比较丰富, 而现代英语形态不发达, 所以世英形态转换中最经常出现的, 就是此多彼 一或此有彼无的情形, 这对建立比较完全的EChA英语形态生成(加尾)算法是很有利的条件。 4) 此有彼无 世界语将来将来时 ( ESTOS x-ONTA(J) ) --------> 英语 ? [例] Mi ESTOS LEGONTA la libron kiam shi venos. (023) ----> I WILL ( 或: WILL BE GOING TO ) read the book when she comes. 这种情况看上去似乎很不利, 实际上并不难处理。因为现今存在的各种语言, 作为人们千百年来交流思想的 工具, 一般都能够表达各种细微的语义差别。虽然乙语言也许缺乏甲语言的某个特定的表达手段, 但如果必要, 它总可以找到代替的表达方式。如上例 ESTOS LEGONTA 通常译作 WILL READ 已经足够, 如果一定要强调将来的 将来, 也不妨译作 WILL BE GOING TO READ 这样繁冗的形式。再如汉语缺乏形态, 但如果需要, 总可以用适当 的助词或副词等来代替, 这就是所谓的形态修辞。 5) 此无彼有 世界语 ? --------> 英语完成进行时 [例] Mi atend-AS vin chi tie du horojn. ----> I HAVE BEEN WAITING here for you for two hours. CF: I WAIT here for you for two hours. I AM WAITING here for you for two hours. 此所无彼所有的, 如果在彼也是可有可无的, 或并不太影响语义, 那还好办, 如上例。再如, 英语的不定冠词, 世界语就没有, EChA对此干脆不管, 也没造成严重的后果, 只是译文显得有些不顺: Is your friend (*) doctor? (039) This is (*) green star, and that is (*) red star. (152) ( * 处本应有不定冠词 A ) 最头痛的是此所 无彼必有。从完全没有冠词的语言(如汉语和俄语)译入有冠词的语言在很多情况下就是这样。 上述归纳在机器翻译的转换生成中具有普遍意义。最困难的是此一彼多和此所无彼必有两种情况, 一般要通过精密的句法和语义的对比和分析来解决。比如通过分析不定式所直接联系的英语轴心词的句型特征, 就可以决定该不定式采用带 TO 还是不带 TO 的形式。实在不得已, 只好把几种可能的选择同时打印出来, 由用户自己决定----这当然是权宜之计, 但常常比编制一套不可靠的区分规则, 客观上更有利一些。机器模拟人的智能, 在一定的阶段总还有某些局限。上面的做法, 实际上就是把机器暂时还不具有的智能, 交还给人发挥, 特别是那些很难形式化, 但人凭经验和直感却很容易判断的部分。然而, 人工智能的使命决定了, 人们应该尽最大努力提高机器智能化程度。条件允许却不去努力是设计者的懒惰和失职。 在EChA形态生成一线, 还有词典化了的多义区分程序段(它在形态生成前执行), 用BASIC写起来很容易。现举例介绍如下: 1) LUDI 玩 / 打(各类球) / 拉(提琴, 胡琴) / 弹(钢琴) / 吹(口琴) 2120 IF VT$(GC)<>"1" THEN 2160 ( 若该词不及物则保留词典基本义项 "玩", 该词多义区分毕, 转2160. ) 2130 IF HY$(ZC)="胡琴" OR RIGHT$(HY$(ZC),4)="提琴" THEN HY$(GC)="拉": GOTO 2160 ( 若找到词为 "胡琴", 或找到词的后两字为 "提琴" (包括大提琴,小提琴,中音提琴等), 则该词取汉义 "拉", 该词毕, 转2160. ) 2140 IF HY$(ZC)="钢琴" THEN HY$(GC)="弹": GOTO 2160 2145 IF HY$(ZC)="口琴" THEN HY$(GC)="吹": GOTO 2160 2150 IF RIGHT$(HY$(ZC),2)="球" THEN HY$(GC)="打" 2160 GC=GC+1: GOTO 1830 ( 放过该词, 取后一词, 转1830. ) 2) BATI 打 / (心)跳动 1990 IF VT$(GC)="1" AND (RIGHT$(HY$(ZC),2)=心" OR HY$(ZC)="心脏") THEN HY$(GC)="跳动" 2000 GOTO 2160 3) OKAZI 进行 / 发生 / 召开 2450 IF RIGHT$(HY$(ZC),2)="事" THEN HY$(GC)="发生":GOTO 2160 2460 IF RIGHT$(HY$(ZC),2)="会" THEN HY$(GC)="召开":YY$(GC)="BE HELD": YTZ$(GC)="8": XX$(GC)="1" 2470 GOTO 2160 3) RIGARDI: LOOK AT / LOOK / WATCH (TV) / SEE (FILM) 2830 IF VT$(GC)<>"1" THEN YY$(GC)="LOOK": GOTO 2160 2840 IF YY$(ZC)="TELEVISION" OR YY$(ZC)="TV" THEN YY$(GC)="WATCH": GOTO 2160 2850 IF YY$(ZC)="FILM" THEN YY$(GC)="SEE": YTZ$(GC)="1" 2860 GOTO 2160 4) NENIAM 从不 / 从未 3070 IF ST$(ZC)="2" THEN HY$(GC)="从未": HY$(ZC)=HY$(ZC)+"过": JG$(ZC)="9" 3080 GOTO 2160 9. 目标语调序 在前面的虚词一线和形态生成一线, 已经做了一些局部调序并给了同号。如: CHIO (一切) CHI (这) ----> 这一切 (012); DOKTORO (博士) ZAMENHOF (柴门霍夫) ----> 柴门霍夫博士 (134) 英语疑问句和否定句所需要的调序, 就放在形态生成的同时进行。如: NE (NOT) ESTIS (WERE) ----> WERE NOT (008) CHU VIA (YOUR) AMIKO (FRIEND) ESTAS (IS) KURACISTO (DOCTOR) ? ----> IS YOUR FRIEND DOCTOR ? (039) 从综合第二线开始, 系统从句子整体着眼, 自底而上分别做各目标语的归约调序。有了CDC和调序子程序, 建立目标语的归约生成算法就很简单了。其基本思路是: (1) 由句首至句末依次取词, 放过已加工和非终结节点。 (2) 若该词层号为一, 右链为零, 说明已经归约到顶层主轴心, 该句加工完毕。 (3) 若该词需要调序, 入调序子程序。 (4) 该词做已加工特征, 并视情况决定是否给该词以轴心词同号。 (5) 入子程序检查该词的姐妹词是否也都已加工。 (6) 若是, 则该词及其所有姐妹词给以轴心词同号, 轴心词做终结节点特征。 (7) 返回第(1)步。 对于英语, 问题特别简单, 只有一种情况需要调序, 即及物谓语所带的前置宾语和后置主语。（不及物谓语句中的后置主语无需调序。）汉语的问题就复杂得多, 主要规则有: (1) 存在 "有" (ESTI) 的主语应后置。除此以外, 后置主语(包括多数主语从句)一律前移。 (2) 要求带 "把", "使" 等的汉语及物动词做谓语的句子, 其宾语在加上 "把", "使"等以后, 应置于谓语前。除此以外, 前置宾语一律后移。 (3) 后置定语从句在两种情况下不需前移: 1. ESTAS + X, KIU 型强调句式; 2. 长15词以上的定语从句。其余的所有后置定语一律前移。各姐妹定语的相对位置主要由它们的语义特征决定, 具体是通过调序时给或不给同号来实现。 (4) 状语从句一般原位不动（但后置时间状语从句最好前移）。其余后置状语一律前移。各姐妹状语相对位置的处理原则同上。 10. EChA试验结果分析 总的来说, 这次试验结果相当令人满意。译文不但可读, 多数都很通顺。由于比较重视修辞, 机器味儿也不浓。当然, 这毕竟是小范围的实验, 虽然我们尽量照顾到各种可能出现的语言现象, 但也难说在今后的扩大试验中会出现什么问题, 好在该系统比较容易维护和改进。 第二首诗中有两处(110)(111)把疑问句错译成英语强调句: CHU kredas la vorton pure karan: vin mi amas! (111) DO BELIEVE the word purely dear: I love you! Cf: 相信纯粹地亲爱的词吗:我爱你! 这是因为原诗句为了节奏的需要, 承前省略了主语 VI (YOU)。有意思的是, 译成强调句于诗意没有什么损害。 在EChA上机伊始, 我们由于专心于检验方案主体的可行性和合理性, 而忽略了修辞。初期译文(1985.12)显得较粗糙, 比较后期结果(1986.2), 译文的改进是明显的。例如: 1. 形式主语IT的增加 (007)(012)(077)(122)(125)(133): Sed chio chi ankorau okazis sub homa gvidado kaj PLEJ GRAVE ESTIS, KE chio chi bazighis sur la homa scio. (012) 1) But all this still happened under man's guiding and MOST IMPORTANT WAS, THAT all this was based on the man's knowledge. 2) But all this still happened under man's guiding and IT WAS MOST IMPORTANT, THAT all this was based on the man's knowledge. 2. 不定式带TO跟不带TO的区分 (004)(019)(072)(078)(083)(084)(088)(089)(092)(095)(132)(142)(146): LABORI estas necese.(072) 1) (TO) WORK is necessary. 2) TO WORK is necessary. 工作是必要的. 3. 双宾语 (128)(143)(144): Donu AL mi iom da kafo! (128) 1) Give TO me a little coffee! 2) Give me a little coffee! 给我一点咖啡! 表示存在的 ESTI 译 "有" 和 THERE TO BE (049)(157): En unu jaro ESTAS kvar sezonoj: printempo, somero, autuno kaj vintro. (049) 1) In one year ARE four seasons: spring, summer, autumn and winter. 在一年里面 "是" 四季节:春季,夏季,秋季和冬季。 2) In one year THERE ARE four seasons: spring, summer, autumn and winter. 在一年里面 "有" 四季节:春季,夏季,秋季和冬季.。 5. 目标语词义的选择 (059)(067)(081)(046)(098)(013)(014)(027)(118)(130): ELMETU viajn opiniojn pri nia laboro! (059) 1) "输出" 你们的关于我们的工作的意见! 2) "提出" 你们的关于我们的工作的意见! OUTPUT your opinions about our work! Chu mi FARIS multajn erarojn en mia hejmtasko? (081) 1) Did I DO a lot of mistakes in my homework? 我在我的家庭作业里面 "做" 了许多错误吗? 2) Did I MAKE a lot of mistakes in my homework? 我在我的家庭作业里面 "犯" 了许多错误吗? La partio TRE zorgas la vivon de la popolamaso. (046) 1) The party VERY cares for the life of the masses. 2) The party VERY MUCH cares for the life of the masses. 党很关心人民群众的生活。 La suno levighas CHE oriento. (013) 1) The sun rises AT east. 2) The sun rises IN THE east. 太阳在东方升起。 POST unu monato komencighos la someraj ferioj. (014) 1) AFTER one month will begin the summer's holidays. 2) IN one month will begin the summer's holidays. 暑假在一月以后将开始。 La eksperimento pri mashina tradukado ANKORAU NE estas finita. (027) 1) The experiment about machine's translating STILL has been NOT finished. 关于机器的翻译的试验 "仍然没有" 被完成。 2) The experiment about machine's translating has been NOT finshed YET. 关于机器的翻译的试验 "还没有" 被完成。 Ni esperas, ke li GAJNU championecon en la konkurso. (118) 1) We hope, that he WIN championship in the competition. 2) We hope, that he WILL WIN championship in the competition. 我们希望,让他在比赛里面赢得冠军。 Prenu la lingvon neutralan KIEL la bazon. (130) 1) Take the language neutral AS the base. 2) Take the language neutral FOR the base. 拿中立的语言作为基础。 通过EChA试验, 我们深深体会到, 同一语系中的语言转换较之不同语系容易许多。亲属关系越近, 机器翻译对自动分析的精度要求也就越低, 因而越容易推向实用。英语和汉语都是分析型语言, 有很多类似的语言特点, 即便如此, 世英转换比世汉还是简单得多。只要建立一部世英自动词典, 再加上一套形态转换算法, 甚至无需进行层次和句法的分析, 就可以实现词对词世英机器翻译。这样的译文尽管粗糙, 但在相当程度上是可用的。我们对ECHA综合第一线(形态转换)输出的未经调序* 的中间译文作了统计, 以不引起误解为标准, 英语正确率为 95% (150/158) 左右, 费解的有八句 (003)(010)(075)(095)(102)(108)(111)(141), 汉语正确率为 72% (113/158) 左右。排除形态转换中利用了句法分析结果的部分, (但不排除第一线的虚词分析和转换), 英语正确率也在80%以上。如果在输出译文时, 对前置宾格名词加上标识符, 则可懂度还可提高。当然, 我们试验的这158句总有一定的局限, 所以上述统计也只具有相对意义。中国的机器翻译, 从一开始研究的就是印欧和汉臧这两个没有亲属关系的语系间语言的自动转换, 难度很大。这恐怕是我们的实用系统迟迟不能问世的重要原因之一。所以, 崐中国机器翻译工作者肩上的担子更重, 任务更艰巨, 更需要独创和献身精神。这种不利的条件也有它的另一面: 机器翻译与汉语结合带来的许多特别的问题, 客观上使我们的研究比较深入。我国的机译研究就没有象欧美那样经历词对词翻译的第一代, 而是直接从第二代句对句翻译开始, 起点较高, 并且在很短时间内(60年代初期)就赶上了当时的世界先进水平。这显然与我们所研究的特定对象(俄-汉, 英-汉等)的要求有关。[10] 现在谈谈另一个问题: 文学作品可不可以由机器翻译? 我们说完全可以, 不过很困难。要把人在翻译文学作品时所遵循的规则(其中很多是下意识的)形式化算法化, 显然不容易。即便做到了, 经济上也不上算。所以, 在相当长的时间内, 除特别的实验需要外, 人们一般不去花这个力气。EChA选译了两首诗歌, 在这个方面做了粗浅的尝试, 证明机器也可译诗。从译文看, 英语比汉语美, 保留了更多的节奏和韵律的特点, 更象一首诗。汉语译文除了几句译得较好( 如: "向永远战争着的世界, / 它允诺神圣的和谐" ), 总体上看, 更象一篇散文。这也难怪, 因为EChA本来就不是专门为翻译诗歌而设计的。诗歌形式上的两个最大特点是节奏和尾韵。可以设想, 诗歌机译系统的词典跟一般机器词典应有所不同: 各词条的每一义项下集中了一批同义的目标语等价词。这些词长短不一, 韵尾各异, 供机器在诗歌综合时选用, 正象人在写诗或译诗时常需要翻韵书一样。 一提机器翻译, 人们总爱问: 机器能够翻译文学作品吗? 为什么不能? 离散是对连续的逼近, 机器智能是对人的智能的模拟, 二者之间并没有一道不可逾越的鸿沟。从功能上看, 机器和人没有什么不同。机器不过是无机体的人罢了。只要人会的事情, 机器迟早也能会。机器的不会并不是它不能, 而是人没有使它会, 这正如文盲不会写字是因为没人教他一样。不过, 机器胃口很刁, 不懂 "意会", 只有 "言传"(通过计算机语言)才能教会它。可惜, 对很多事, 人至今还是知其然, 并不知其所以然, 无法传授。可见, 机器的无能全由于人的无能。可人今天不知其所以然的, 并不说明将来总也不知, 所以从发展的观点看, 机器和人一样是无所不能的。事实上, 机器目前已能代替医生, 译员和作曲家做部分工作, 而且比技术较差的人做得还象样些, 因为它 "取法乎上"。即便人, 也只有很少一部分专家能够从事这些工作。机器已经闯进了万物之灵的神圣禁地。 最后, 一般地谈谈修辞问题。由于机器翻译至今多局限在实验室里, 所以未予修辞而产生的阅读障碍(包括心理障碍)还不突出。但随着机器翻译的逐步实用化, 修辞的必要性将越来越明显。前面所举的后期译文对初期译文的改进的实例, 主要涉及的就是修辞。 本文来自CSDN博客，转载请标明出处：http://blog.csdn.net/kevinsung/archive/2007/08/26/1759770.aspx |
|
|
|
地板#
发布于：2010-04-02 12:33
世汉构词对比例释(2): 合成词
(1) AKVO-FONTO 水/源 ; (2) VARM-ENERGIO 热/能 ; (3) ARBO-BRANCHO 树/枝 ; (4) VAPOR-SHIPO 汽/船 ; (5) SURD-MUT-ULO 聋/哑-者 ; (6) BLANK-HARA 白/发的 ; (7) NUD-PIEDA 光/脚的 ; (8) FISH-KAPTI 捕/鱼 6. 世界语句法分析(1): 虚词处理 虚词分析是世界语句法分析中最困难的部分。EChA的策略是分而治之, 各个击破。每一个虚词的分析规则自成一体, 互相独立, 这样在充实或改进某一具体虚词的规则时, 便不致于影响其他虚词的规则, 这也就是规则和规则分开吧。[9] 语言规则和算法程序应该分开, 大家已经说了许多, 而规则和规则分开, 似乎还没有引起足够的重视。(不是指所有规则都分开: 具有普遍意义的抽象语法规则集合, 作为系统对于该语言充分形式化的逻辑描述, 是自动分析的枢纽, 本身就是一个可以做的很美的统一整体, 谈不上分开。(参考EChA句法分析第二线, 见第7节.) 一个优良的系统应该既能分得开, 又能合得拢.) 我们认为, 规则和规则分开, 对于研制实用性机译系统具有决定性意义。没有什么系统从一开始研制就可以足够完善, 所以是否容易扩充和改进, 在很大程度上决定了一个系统的前途。规则和算法分开, 固然大大增强了系统的扩充能力, 并且便于语言工作者和软件工作者充分合作。但这还不够。如果能实现规则和规则分开, 不但有利于遵循具体问题具体分析原则, 去解决语言这种特别复杂的现象中的许多个性问题, 从而大大提高翻译质量, 而且也为语言工作者和语言工作者的协作, 创造了必要的条件----这种协作, 对于研制大型实用系统是必不可少的。 规则和规则分开的主要方式是: 1) 词典语法化: 以词为基本单位, 把关于该词的各种用法及其分析规则, 以数据的形式写入词典(它建在外存贮器上)。这样的机器词典, 形式上很类似于我们案头的词典工具书, 如牛津, 韦式, LONGMAN等, 而且也较容易借鉴已有的这些词典的研究成果。我们建议首先把虚词和动词的条目语法化。2) 语法词典化: 在编写句法分析或综合程序(它在内存贮器中)时, 把规则落实到具体词或小类上, 并使这些规则独立开来。这两种方法形式有别, 实质是一样的。我们在EChA中采用的是第二种方法。(参见EChA虚词分析部分和EChA综合部分的多义词区分规则.) 说到底, EChA分析第一线不过是一个带有分析规则的虚词大词典。 当然, 应该指出, 规则和规则分开, 必然使规则量成倍增长。然而, 由于边界分明, 这种增长并不影响系统结构上的逻辑清晰性, 这跟以前语言和算法, 规则和规则都没分开时的情形大不相同, 那时的规则无限膨胀, 只能致使系统最终报废。不过规则量的增长, 涉及到机器的存贮容量问题。但这实际上也不成问题, 因为现在的机器对于存贮节省的要求, 已经不是那么苛刻了。即便是微型机, 中高挡的内存容量就能达到, 或很容易扩充到四兆到八兆字节。值得强调的是, 规则量的增长, 一般并不影响系统的工作效率, 因为规则是附在具体的词或小类下, 只有所译文句出现了某词, 才会入该词一线。 在EChA虚词分析一线中, 我们把虚词的多义区分, 甚至有些涉及虚词特点的目标语修辞, 都一古脑纳入具体虚词的分析规则中。这样处理显然比较简便易行, 也大大减轻了综合的困难。但是, 正是在这儿, EChA违背了我们所极力赞同的分析和综合独立的原则。目前还想不出更好更合理的办法。不过, 我们主张独立分析的本意, 不外乎为了两点: 1) 为了使分析深入以便提高机译质量; 2) 让同一个独立分析结果, 能为多语综合所利用。考虑到虚词的分析和综合同步进行, 有助于提高译文崐质量, 而且由于虚词数量的有限及其分析规则的相互独立, 在增加新的目标语时充实这些规则不会有很大困难, 更不会影响整个系统的筋骨, 因而我们目前的做法是有理由的, 它并不违背我们的宗旨。 7. 世界语句法分析(2) 分析第(2)线与目标语综合充分独立, 逻辑性强, 是一个相当完整的语言分析模型。它由一个主程序和几个以动词分析算法为核心的环环相扣的子程序构成。主程序主要用来确定各语段的范围(前限后限)及其加工次序, 为它们进入动词子程序做好准备。它必须对各种类型的世界语文句作出正确, 合理的处理, 才能保证系统的充分概括性和适应性。从各类文句的试验结果看, EChA相当好地做到了这一点。 我们把世界语文句的类型归纳如下: 1.无谓句. 如: Kia belega pejzagho ! (041) / What beautiful scenery ! 多么绝美的景色! 2.谓语句: 1) 简单句: 全句只有一个谓语。如: Skribu klare ! (033) / Write clearly ! 写清楚! 2) 扩展的简单句: 全句至少有两个谓语, 但只有一个主句, 从句跟主句(以主轴心为代表)没有直接联系, 即从句处于2层以外 ( 其层号 >= 3 )。这类从句往往是定语从句或同位语从句。如: La homon , pri kiu vi parolas , mi neniam vidis . (131) The man(宾), about whom you speak , I never saw . 我从未见过你提到的人。 3) 主从句: 全句至少有两个谓语, 但只有一个主句, 从句跟主句发生直接联系。如: Se mi partoprenus en via amuza aktivado , mi estus tre ghoja . (050) If I should take part in your recreational activity , I would be very glad . 如果我参加你们的文娱活动, 我会是很高兴的。 4) 并列句: 全句至少有两个谓语, 同时也至少有两个有并列关系的分句, 并且其中一个是主轴心。如: Mi miras , timas , tremas . (074) / I wonder, fear, tremble. 我惊奇, 害怕, 颤抖。 5) 交错句: 以上四类句子交错组合而成的复杂句。如本文第3节举的例句(004)就是。 EChA在对付这些不同类型的句子时, 能够把复杂的句子分解成简单的句子处理。分析程序首先查找从句。如果查到, 先入并列从句子程序分解(若是光杆从句就放过, 返主), 然后确定每一个从句的前后限, 入动词子程序加工。加工完毕, 做绝对放过标志。所有从句处理完毕, 再行主句加工。这时候, 句子呈或者简单句, 或者并列句的形式。 世界语中表示关系的从句, 如有相应的 T 类相关词与之呼应, 就是同位语从句。而当主句中 T 类相关词省略时, 便与表示疑问的名词性从句同形, 从而增加了识辨难度。对此本系统暂时不予考虑。这种省略虽然显得较干练 (成语警句中常用), 崐但不宜提倡, 因为甚至人(尤其是非印欧语系的人)理解起来, 也常常感到困难。 [例] Bone ridas , KIU laste ridas . / Well smiles, WHO smiles at last. 谁笑得最后, 笑得最好。 KIO pasis , ne revenos . / WHAT passed, will not return. 时不再来。（一去不复返。) CF: Nur TIU ne eraras, KIU neniam ion faras.(151) / Only THAT PERSON is not wrong, WHO never dose something. 仅仅从不做某事的那个人不犯错误。 第二线的关键是动词子程序的建立。(这儿所谓动词包括谓语动词, 形动词, 副动词和不定式, 但不包括-ADO词, 因为世界语的-ADO词已经完全名词化了, 不再具有动词的特性.) 如果说先从句后主句的加工过程, 实际上是自下而上的方法, 那么动词算法的路径正好反过来, 是自上而下。动词子程序首先设三个开关。一是检验是否可以构成动词短语 VP。若不能, 如独词句及光杆的形动词, 副动词或不定式, 则给该词节点信息 J (终结节点), 该词加工完毕, 退出。二是检验该词是否系词, 若是, 转系词子程序作适当处理, 再回动词子程序递归加工。这是因为系动词有其特殊性, 比如一般动词谓语简单句, 只可能有一个前面没有介词的普通格名词(它当然是主语), 而系词谓语句却可以有两个(一主一表), 因而不能直接入动词子程序。最后一个开关检验该动词短语是否扩展的 VP, 若不是, 即行分析。扩展的 VP 定义为该动词的间接成分层中(所谓间接成分层是指其层号 >= 动词轴心的层号 + 2 的层次), 至少又包含一个 VP。对于扩展的动词短语, 运用栈技术作递归加工。这样动词子程序真正的加工单位便是不扩展的各类 VP (简单句, 形动词短语, 副动词短语, 不定式短语)。动词子程序在工作期间, 常常需要调用其他子程序。各子程序间的逻辑关系是十分清楚的。 名词子程序也要设开关。扩展的 NP 定义为带有至少一个 VP 的 NP, 它必须回动词子程序递归加工。 对于不扩展的动词短语, 一般来说加工次序如下: _________ ____________ ___________ ____________ 丨动词子程序丨--------丨 名词子程序 丨------丨形容词子程序丨----丨 副词子程序 丨 这形象地体现了 "自顶而下" 的分析思想。 试验表明, EChA的两线分析程序, 一具体一抽象, 一个对付个性一个对付共性, 一个面向虚词一个面向实词, 一个尽量使句法分析词典化, 一个则努力使分析过程逻辑化, 二者相互配合, 很有效地实现了各类世界语文句的自动分析。EChA输出的中间结果158条CDC链中只发现一处分析错误。它出现在第一首诗歌 "LA ESPERO" 的第三句: Ne al glavo sangonsoifanta , ghi LA HOMAN tiras FAMILION . (102) Not to sword bloodthirsty , it THE MAN'S (目的格) pulls FAMILY (目的格). 为了节奏和韵律的关系, 作者把形容词修饰语与其轴心词分开了(当然仍同格同数), 中间插进一个动词谓语。于是系统误把二者都看作是动词谓语的宾语, 因为 "冠词+形容词" (后不跟名词) 结构一般总是代替 NP 的, 所以EChA也就这样分析了。幸运的是, 这一分析错误没有导致译文错误, 因为中英文综合都把前置宾语移至动词轴心之后, 客观上恢复了修饰语与其中心词的正常词序, 当然这只是巧合。 8. 英语形态生成 加尾算法跟削尾算法正好是逆过程。建立一个完全的, 符合实用系统要求的英语加尾算法并不困难, 因为英语的形态比较简单。EChA把汉语形态修辞与英语形态生成放在一处进行。 原语和译语的对比差异是建立语言转换规则的依据。这种对比差异可以归纳为下面五种情况: 1) 一一对应; 2) 此一彼多; 3) 此多彼一; 4) 此有彼无; 5) 此无彼有。我们以世界语到英语的形态转换分别举例如下: 1) 一一对应 世界语派生副词(由逻辑类为形容词的词干加 "-E" 尾构成) --------->英语相应形容词加 "-LY" 尾。 例: diligent-E ----> diligent-LY ; serioz-E ----> serious-LY ; sincer-E ----> sincere-LY. (063) 例外: bon-E ----> well (045) ( 不是 good-LY, 这种情况在词典一线入词类词义区分表处理。) 显然, 一一对应的情形最好办。 2) 此一彼多 世界语不定式 --------> 英语动词原形 或 TO + 动词原形 世界语条件句(谓语动词以 "-US" 收尾) --------> 英语三种形式（过去、现在、将来)。 例: 1. Se mi sci-US hierau, mi certe ven-US. ----> If I HAD KNOWN yesterday, I certainly SHOULD HAVE COME. (与过去事实相反的假设) 2. Se vi est-US mi, kion vi far-US? ----> If you WERE me, what WOULD you do? (与现在事实相反) 3. Se vi ven-US morgau, vi shin vid-US. ----> If you SHOULD come tomorrow, you WOULD see her. (与将来事实相反) 这种情况最麻烦。机器翻译中的多义现象盖源于此。如果上例没有明确的时间状语, 那只能靠跨句上下文去 推测, 这对机器实在太难了。EChA遇到这种情况, 就干脆一律用 "WOULD" 代替 "-US" (050), 这虽然不大符合 英语语语法规范, 暂时也只能这样了。好在这样转换并不造成误解。 此一彼多另一个常见的例子是, 世界语现在时简单式(-AS尾)对应于英语一般现在时和现在进行时两种。虽 然世界语复合时态有与英语现在进行时对应的形式( ESTAS x-ANTA ), 但是世界语的节约原则要求人们尽可能少 用复杂形式。我们一时还找不出足够可靠的形式规则, 来决定 "-AS" 究竟何时译作一般时态, 何时译作进行时 态。EChA目前一律以一般现在时译之, 这使得部分译文不是很确切, 但并不造成误解或费解。如: Kien vi ir-RA? (158) ----> To where DO you go? ( CF: Where ARE you GOING? ) Chu kredas, ke mia koro flam-AS? (110) ----> Do believe, that my heart burn-S? ( CF: Do you believe that my heart IS BURNING? ) 3) 此多彼一 世界语形动词或副动词的各种形式 --------> 英语分词的相应形式。 -ANTA 和 -ANTE ----> -ING ; -INTA 和 -INTE ----> HAVING+过去分词 ; -OTA 和 -OTE ----> TO BE+过去分词; 等等。 [例] KURANTE sur la strato, li falis. (091) ----> RUNNING on the street, he fell. Laboristoj estas KONSTRUANTAJ fabrikon. (015) ----> Workers are BUILDING factory. 这种情况好办。世界语形态比较丰富, 而现代英语形态不发达, 所以世英形态转换中最经常出现的, 就是此多彼 一或此有彼无的情形, 这对建立比较完全的EChA英语形态生成(加尾)算法是很有利的条件。 4) 此有彼无 世界语将来将来时 ( ESTOS x-ONTA(J) ) --------> 英语 ? [例] Mi ESTOS LEGONTA la libron kiam shi venos. (023) ----> I WILL ( 或: WILL BE GOING TO ) read the book when she comes. 这种情况看上去似乎很不利, 实际上并不难处理。因为现今存在的各种语言, 作为人们千百年来交流思想的 工具, 一般都能够表达各种细微的语义差别。虽然乙语言也许缺乏甲语言的某个特定的表达手段, 但如果必要, 它总可以找到代替的表达方式。如上例 ESTOS LEGONTA 通常译作 WILL READ 已经足够, 如果一定要强调将来的 将来, 也不妨译作 WILL BE GOING TO READ 这样繁冗的形式。再如汉语缺乏形态, 但如果需要, 总可以用适当 的助词或副词等来代替, 这就是所谓的形态修辞。 5) 此无彼有 世界语 ? --------> 英语完成进行时 [例] Mi atend-AS vin chi tie du horojn. ----> I HAVE BEEN WAITING here for you for two hours. CF: I WAIT here for you for two hours. I AM WAITING here for you for two hours. 此所无彼所有的, 如果在彼也是可有可无的, 或并不太影响语义, 那还好办, 如上例。再如, 英语的不定冠词, 世界语就没有, EChA对此干脆不管, 也没造成严重的后果, 只是译文显得有些不顺: Is your friend (*) doctor? (039) This is (*) green star, and that is (*) red star. (152) ( * 处本应有不定冠词 A ) 最头痛的是此所 无彼必有。从完全没有冠词的语言(如汉语和俄语)译入有冠词的语言在很多情况下就是这样。 上述归纳在机器翻译的转换生成中具有普遍意义。最困难的是此一彼多和此所无彼必有两种情况, 一般要通过精密的句法和语义的对比和分析来解决。比如通过分析不定式所直接联系的英语轴心词的句型特征, 就可以决定该不定式采用带 TO 还是不带 TO 的形式。实在不得已, 只好把几种可能的选择同时打印出来, 由用户自己决定----这当然是权宜之计, 但常常比编制一套不可靠的区分规则, 客观上更有利一些。机器模拟人的智能, 在一定的阶段总还有某些局限。上面的做法, 实际上就是把机器暂时还不具有的智能, 交还给人发挥, 特别是那些很难形式化, 但人凭经验和直感却很容易判断的部分。然而, 人工智能的使命决定了, 人们应该尽最大努力提高机器智能化程度。条件允许却不去努力是设计者的懒惰和失职。 在EChA形态生成一线, 还有词典化了的多义区分程序段(它在形态生成前执行), 用BASIC写起来很容易。现举例介绍如下: 1) LUDI 玩 / 打(各类球) / 拉(提琴, 胡琴) / 弹(钢琴) / 吹(口琴) 2120 IF VT$(GC)<>"1" THEN 2160 ( 若该词不及物则保留词典基本义项 "玩", 该词多义区分毕, 转2160. ) 2130 IF HY$(ZC)="胡琴" OR RIGHT$(HY$(ZC),4)="提琴" THEN HY$(GC)="拉": GOTO 2160 ( 若找到词为 "胡琴", 或找到词的后两字为 "提琴" (包括大提琴,小提琴,中音提琴等), 则该词取汉义 "拉", 该词毕, 转2160. ) 2140 IF HY$(ZC)="钢琴" THEN HY$(GC)="弹": GOTO 2160 2145 IF HY$(ZC)="口琴" THEN HY$(GC)="吹": GOTO 2160 2150 IF RIGHT$(HY$(ZC),2)="球" THEN HY$(GC)="打" 2160 GC=GC+1: GOTO 1830 ( 放过该词, 取后一词, 转1830. ) 2) BATI 打 / (心)跳动 1990 IF VT$(GC)="1" AND (RIGHT$(HY$(ZC),2)=心" OR HY$(ZC)="心脏") THEN HY$(GC)="跳动" 2000 GOTO 2160 3) OKAZI 进行 / 发生 / 召开 2450 IF RIGHT$(HY$(ZC),2)="事" THEN HY$(GC)="发生":GOTO 2160 2460 IF RIGHT$(HY$(ZC),2)="会" THEN HY$(GC)="召开":YY$(GC)="BE HELD": YTZ$(GC)="8": XX$(GC)="1" 2470 GOTO 2160 3) RIGARDI: LOOK AT / LOOK / WATCH (TV) / SEE (FILM) 2830 IF VT$(GC)<>"1" THEN YY$(GC)="LOOK": GOTO 2160 2840 IF YY$(ZC)="TELEVISION" OR YY$(ZC)="TV" THEN YY$(GC)="WATCH": GOTO 2160 2850 IF YY$(ZC)="FILM" THEN YY$(GC)="SEE": YTZ$(GC)="1" 2860 GOTO 2160 4) NENIAM 从不 / 从未 3070 IF ST$(ZC)="2" THEN HY$(GC)="从未": HY$(ZC)=HY$(ZC)+"过": JG$(ZC)="9" 3080 GOTO 2160 9. 目标语调序 在前面的虚词一线和形态生成一线, 已经做了一些局部调序并给了同号。如: CHIO (一切) CHI (这) ----> 这一切 (012); DOKTORO (博士) ZAMENHOF (柴门霍夫) ----> 柴门霍夫博士 (134) 英语疑问句和否定句所需要的调序, 就放在形态生成的同时进行。如: NE (NOT) ESTIS (WERE) ----> WERE NOT (008) CHU VIA (YOUR) AMIKO (FRIEND) ESTAS (IS) KURACISTO (DOCTOR) ? ----> IS YOUR FRIEND DOCTOR ? (039) 从综合第二线开始, 系统从句子整体着眼, 自底而上分别做各目标语的归约调序。有了CDC和调序子程序, 建立目标语的归约生成算法就很简单了。其基本思路是: (1) 由句首至句末依次取词, 放过已加工和非终结节点。 (2) 若该词层号为一, 右链为零, 说明已经归约到顶层主轴心, 该句加工完毕。 (3) 若该词需要调序, 入调序子程序。 (4) 该词做已加工特征, 并视情况决定是否给该词以轴心词同号。 (5) 入子程序检查该词的姐妹词是否也都已加工。 (6) 若是, 则该词及其所有姐妹词给以轴心词同号, 轴心词做终结节点特征。 (7) 返回第(1)步。 对于英语, 问题特别简单, 只有一种情况需要调序, 即及物谓语所带的前置宾语和后置主语。（不及物谓语句中的后置主语无需调序。）汉语的问题就复杂得多, 主要规则有: (1) 存在 "有" (ESTI) 的主语应后置。除此以外, 后置主语(包括多数主语从句)一律前移。 (2) 要求带 "把", "使" 等的汉语及物动词做谓语的句子, 其宾语在加上 "把", "使"等以后, 应置于谓语前。除此以外, 前置宾语一律后移。 (3) 后置定语从句在两种情况下不需前移: 1. ESTAS + X, KIU 型强调句式; 2. 长15词以上的定语从句。其余的所有后置定语一律前移。各姐妹定语的相对位置主要由它们的语义特征决定, 具体是通过调序时给或不给同号来实现。 (4) 状语从句一般原位不动（但后置时间状语从句最好前移）。其余后置状语一律前移。各姐妹状语相对位置的处理原则同上。 10. EChA试验结果分析 总的来说, 这次试验结果相当令人满意。译文不但可读, 多数都很通顺。由于比较重视修辞, 机器味儿也不浓。当然, 这毕竟是小范围的实验, 虽然我们尽量照顾到各种可能出现的语言现象, 但也难说在今后的扩大试验中会出现什么问题, 好在该系统比较容易维护和改进。 第二首诗中有两处(110)(111)把疑问句错译成英语强调句: CHU kredas la vorton pure karan: vin mi amas! (111) DO BELIEVE the word purely dear: I love you! Cf: 相信纯粹地亲爱的词吗:我爱你! 这是因为原诗句为了节奏的需要, 承前省略了主语 VI (YOU)。有意思的是, 译成强调句于诗意没有什么损害。 在EChA上机伊始, 我们由于专心于检验方案主体的可行性和合理性, 而忽略了修辞。初期译文(1985.12)显得较粗糙, 比较后期结果(1986.2), 译文的改进是明显的。例如: 1. 形式主语IT的增加 (007)(012)(077)(122)(125)(133): Sed chio chi ankorau okazis sub homa gvidado kaj PLEJ GRAVE ESTIS, KE chio chi bazighis sur la homa scio. (012) 1) But all this still happened under man's guiding and MOST IMPORTANT WAS, THAT all this was based on the man's knowledge. 2) But all this still happened under man's guiding and IT WAS MOST IMPORTANT, THAT all this was based on the man's knowledge. 2. 不定式带TO跟不带TO的区分 (004)(019)(072)(078)(083)(084)(088)(089)(092)(095)(132)(142)(146): LABORI estas necese.(072) 1) (TO) WORK is necessary. 2) TO WORK is necessary. 工作是必要的. 3. 双宾语 (128)(143)(144): Donu AL mi iom da kafo! (128) 1) Give TO me a little coffee! 2) Give me a little coffee! 给我一点咖啡! 表示存在的 ESTI 译 "有" 和 THERE TO BE (049)(157): En unu jaro ESTAS kvar sezonoj: printempo, somero, autuno kaj vintro. (049) 1) In one year ARE four seasons: spring, summer, autumn and winter. 在一年里面 "是" 四季节:春季,夏季,秋季和冬季。 2) In one year THERE ARE four seasons: spring, summer, autumn and winter. 在一年里面 "有" 四季节:春季,夏季,秋季和冬季.。 5. 目标语词义的选择 (059)(067)(081)(046)(098)(013)(014)(027)(118)(130): ELMETU viajn opiniojn pri nia laboro! (059) 1) "输出" 你们的关于我们的工作的意见! 2) "提出" 你们的关于我们的工作的意见! OUTPUT your opinions about our work! Chu mi FARIS multajn erarojn en mia hejmtasko? (081) 1) Did I DO a lot of mistakes in my homework? 我在我的家庭作业里面 "做" 了许多错误吗? 2) Did I MAKE a lot of mistakes in my homework? 我在我的家庭作业里面 "犯" 了许多错误吗? La partio TRE zorgas la vivon de la popolamaso. (046) 1) The party VERY cares for the life of the masses. 2) The party VERY MUCH cares for the life of the masses. 党很关心人民群众的生活。 La suno levighas CHE oriento. (013) 1) The sun rises AT east. 2) The sun rises IN THE east. 太阳在东方升起。 POST unu monato komencighos la someraj ferioj. (014) 1) AFTER one month will begin the summer's holidays. 2) IN one month will begin the summer's holidays. 暑假在一月以后将开始。 La eksperimento pri mashina tradukado ANKORAU NE estas finita. (027) 1) The experiment about machine's translating STILL has been NOT finished. 关于机器的翻译的试验 "仍然没有" 被完成。 2) The experiment about machine's translating has been NOT finshed YET. 关于机器的翻译的试验 "还没有" 被完成。 Ni esperas, ke li GAJNU championecon en la konkurso. (118) 1) We hope, that he WIN championship in the competition. 2) We hope, that he WILL WIN championship in the competition. 我们希望,让他在比赛里面赢得冠军。 Prenu la lingvon neutralan KIEL la bazon. (130) 1) Take the language neutral AS the base. 2) Take the language neutral FOR the base. 拿中立的语言作为基础。 通过EChA试验, 我们深深体会到, 同一语系中的语言转换较之不同语系容易许多。亲属关系越近, 机器翻译对自动分析的精度要求也就越低, 因而越容易推向实用。英语和汉语都是分析型语言, 有很多类似的语言特点, 即便如此, 世英转换比世汉还是简单得多。只要建立一部世英自动词典, 再加上一套形态转换算法, 甚至无需进行层次和句法的分析, 就可以实现词对词世英机器翻译。这样的译文尽管粗糙, 但在相当程度上是可用的。我们对ECHA综合第一线(形态转换)输出的未经调序* 的中间译文作了统计, 以不引起误解为标准, 英语正确率为 95% (150/158) 左右, 费解的有八句 (003)(010)(075)(095)(102)(108)(111)(141), 汉语正确率为 72% (113/158) 左右。排除形态转换中利用了句法分析结果的部分, (但不排除第一线的虚词分析和转换), 英语正确率也在80%以上。如果在输出译文时, 对前置宾格名词加上标识符, 则可懂度还可提高。当然, 我们试验的这158句总有一定的局限, 所以上述统计也只具有相对意义。中国的机器翻译, 从一开始研究的就是印欧和汉臧这两个没有亲属关系的语系间语言的自动转换, 难度很大。这恐怕是我们的实用系统迟迟不能问世的重要原因之一。所以, 崐中国机器翻译工作者肩上的担子更重, 任务更艰巨, 更需要独创和献身精神。这种不利的条件也有它的另一面: 机器翻译与汉语结合带来的许多特别的问题, 客观上使我们的研究比较深入。我国的机译研究就没有象欧美那样经历词对词翻译的第一代, 而是直接从第二代句对句翻译开始, 起点较高, 并且在很短时间内(60年代初期)就赶上了当时的世界先进水平。这显然与我们所研究的特定对象(俄-汉, 英-汉等)的要求有关。[10] 现在谈谈另一个问题: 文学作品可不可以由机器翻译? 我们说完全可以, 不过很困难。要把人在翻译文学作品时所遵循的规则(其中很多是下意识的)形式化算法化, 显然不容易。即便做到了, 经济上也不上算。所以, 在相当长的时间内, 除特别的实验需要外, 人们一般不去花这个力气。EChA选译了两首诗歌, 在这个方面做了粗浅的尝试, 证明机器也可译诗。从译文看, 英语比汉语美, 保留了更多的节奏和韵律的特点, 更象一首诗。汉语译文除了几句译得较好( 如: "向永远战争着的世界, / 它允诺神圣的和谐" ), 总体上看, 更象一篇散文。这也难怪, 因为EChA本来就不是专门为翻译诗歌而设计的。诗歌形式上的两个最大特点是节奏和尾韵。可以设想, 诗歌机译系统的词典跟一般机器词典应有所不同: 各词条的每一义项下集中了一批同义的目标语等价词。这些词长短不一, 韵尾各异, 供机器在诗歌综合时选用, 正象人在写诗或译诗时常需要翻韵书一样。 一提机器翻译, 人们总爱问: 机器能够翻译文学作品吗? 为什么不能? 离散是对连续的逼近, 机器智能是对人的智能的模拟, 二者之间并没有一道不可逾越的鸿沟。从功能上看, 机器和人没有什么不同。机器不过是无机体的人罢了。只要人会的事情, 机器迟早也能会。机器的不会并不是它不能, 而是人没有使它会, 这正如文盲不会写字是因为没人教他一样。不过, 机器胃口很刁, 不懂 "意会", 只有 "言传"(通过计算机语言)才能教会它。可惜, 对很多事, 人至今还是知其然, 并不知其所以然, 无法传授。可见, 机器的无能全由于人的无能。可人今天不知其所以然的, 并不说明将来总也不知, 所以从发展的观点看, 机器和人一样是无所不能的。事实上, 机器目前已能代替医生, 译员和作曲家做部分工作, 而且比技术较差的人做得还象样些, 因为它 "取法乎上"。即便人, 也只有很少一部分专家能够从事这些工作。机器已经闯进了万物之灵的神圣禁地。 最后, 一般地谈谈修辞问题。由于机器翻译至今多局限在实验室里, 所以未予修辞而产生的阅读障碍(包括心理障碍)还不突出。但随着机器翻译的逐步实用化, 修辞的必要性将越来越明显。前面所举的后期译文对初期译文的改进的实例, 主要涉及的就是修辞。 本文来自CSDN博客，转载请标明出处：http://blog.csdn.net/kevinsung/archive/2007/08/26/1759770.aspx |
|
|
|
4#
发布于：2010-04-02 12:34
1) 什么是机器翻译修辞?
机器翻译修辞是保证译文通顺的一个重要手段。它是机器语法之后译文综合的一部分, 是自动翻译过程的最后一个环节。广义的修辞包括贯穿翻译全过程的, 一切旨在促使译文通顺和美化的手段, 譬如成语手段(通过成语词典), 虚词分析(通过虚词模块), 结构手段(通过搭配关系)等等。有些所谓多义区分, 实际上也是一种修辞, 例如 LUDI (PLAY) 可分为 "玩", "打(球)", "演奏(乐器)"等义项, 但 "演奏" 义下具体选择 "拉(提琴, 胡琴)"(016), "弹(钢琴)"(038) 还是 "吹(口琴)" 就属于修辞了。EChA对于涉及多义的修辞, 即目标语合适对等词的选择, 就把它当作多义问题解决(见EChA虚词模块, 词类词义区分表和多义区分模块)。一般来说, 跟具体的词汇或语法现象联系很紧的修辞, 以及其他个性较强的特例修辞, 应该放在相应的词典或语法部分同时处理, 而可以归出类别的修辞, 则由最后独立的修辞模块统一解决。 机器翻译修辞具有某种超语言学的特征, 属于翻译学范畴。我们知道, 根据原语和译语的语言学角度的对比差异, 就可以对所译文句实现转换(主要是句型转换), 这是我们目前机器翻译的主体工作。但这样直接转换的句子不能保证其通顺, 甚至也不能保证其正确(即不被误解), 因为语言间(尤其是没有亲属关系的语言间)除了词汇语法等差异外, 还有超语言学(表达习惯, 思维方式等等)的差异存在, 即翻译学角度的对比差异。例如: nun DE LOKO flugu ghi AL LOKO (now FROM PLACE let it fly TO PLACE) (101) / 现在从 "一个" 地方让它飞到 "另一个" 地方吧("从地方到地方" 不符合汉语表达习惯)。修辞主要是为消除这种差异而设置的。因此, 只有翻译学角度的语言对比差异, 才是修辞的根本依据。 2) 修辞的分类 可分作两大类: 必要修辞和美修辞。必要修辞是保证译文正确可懂所必需的修辞, 它是修辞的初级阶段。美修辞则是保证译文通顺畅达, 甚至产生某种美感或帮助形成译文风格所要求的修辞, 它是修辞的高级阶段。机器翻译修辞首先是作为必要修辞提出来的。必要修辞是基础, 具有更大的迫切性, 是所有实用系统的必要组成部分, 如形态修辞。这部分修辞数量很有限, 一定量的研究就可以穷尽它。美修辞可以说是锦上添花。它是为机器译文不断提高质量, 使之朝成熟, 完美方向发展, 以期赶上人工翻译的手段。可见, 美修辞是无限发展的, 它本身具有许多层次和侧面。修修补补远不能满足美修辞发展的需要。它要求体系和方法上的不断革新。就机器翻译的前景来说, 美修辞的比重将逐渐变大。从严格的意义上讲, 只有美修辞才真正体现修辞本身的特点和规律, 因为必要修辞在一定的意义上不过是语法的推广, 即可以算作广义的语法。它的手段跟机器语法没有根本的不同。在现行的EChA系统中, 必要修辞就常常跟语法混在一起。 关于美修辞, EChA只是做了一点尝试。应该指出, 机器翻译的美有自己的侧重点, 它最推崇 "通顺流畅, 合乎习惯和简洁自然", 其次是译文风格的形成。我们认为, 机器译文的风格逐步形成, 是完全可能的。因为从形式上看, 风格的承担者主要是词汇, 尤其是小词(语气词, 结构词), 其次, 语法形式也有些不同。不同风格的形式特点, 是可以为机器识辨和接受的。具体做法可以吸收计算风格学(Computational stylistics)的研究成果, 去设计不同风格的译语修辞模型。风格可以有正规体, 典雅体和口语体等等。正规体格式规范, 清楚简单, 给人的印象是客观公正, 不假藻饰。典雅体的特点是虚词多用古字(如 "则", 即", "乃", "便", "故", "且", "其", "及" 等), 成语用的也较多, 显得简洁古雅。口语体则比较松散自由, 带有更多的语气词(如 "吗", "呢", "可不", "是吗", "啊" 等)。 本文来自CSDN博客，转载请标明出处：http://blog.csdn.net/kevinsung/archive/2007/08/26/1759770.aspx |
|
|
