涂兆鵬，劉 群，林守勛

(中國(guó)科學(xué)院 計(jì)算技術(shù)研究所 智能信息處理重點(diǎn)實(shí)驗(yàn)室，北京 100190)

1 前言

過(guò)去十年，我們見證了機(jī)器翻譯領(lǐng)域的快速發(fā)展。短語(yǔ)模型[1-2]通過(guò)使用短語(yǔ)翻譯替代字翻譯來(lái)提高翻譯質(zhì)量，句法模型[3-5]通過(guò)加入句法信息進(jìn)一步提高翻譯質(zhì)量。兩類模型各有優(yōu)缺點(diǎn)，具體如表1所示。

層次短語(yǔ)模型[6]使用上下文無(wú)關(guān)語(yǔ)法規(guī)則來(lái)綜合基于短語(yǔ)模型和基于句法模型的優(yōu)勢(shì)，能夠很好地刻畫短語(yǔ)內(nèi)部和短語(yǔ)間的調(diào)序，并且不依賴于句法分析。Chiang表明使用層次短語(yǔ)模型可以比當(dāng)前最好的短語(yǔ)模型高出1到3個(gè)BLEU點(diǎn)[6]。

表1 短語(yǔ)模型和句法模型的優(yōu)勢(shì)和不足

層次短語(yǔ)模型通過(guò)層次規(guī)則來(lái)表示短語(yǔ)間的調(diào)序。由于層次規(guī)則是從初始規(guī)則中泛化而來(lái)的，如果要抽取隱含長(zhǎng)距離調(diào)序信息的規(guī)則，則必須先抽取長(zhǎng)跨度的初始短語(yǔ)。這將會(huì)生成巨大的規(guī)則表，從而導(dǎo)致極大的解碼系統(tǒng)內(nèi)存和時(shí)間消耗。為了避免這個(gè)問(wèn)題，Chiang限制了初始短語(yǔ)的最大跨度的閾值[6]。但是，這樣會(huì)削弱模型的長(zhǎng)距離調(diào)序能力，因?yàn)橐?guī)則無(wú)法表示跨度大于閾值的短語(yǔ)間的長(zhǎng)距離調(diào)序。

依存樹能在一定程序上反映調(diào)序信息。Quirk et al.在源端使用依存樹以訓(xùn)練一個(gè)調(diào)序模型[7]；Shen et al.通過(guò)引入依存語(yǔ)言模型來(lái)刻畫目標(biāo)端依存結(jié)構(gòu)中的長(zhǎng)距離詞之間的關(guān)系[8]；Ding and Palmer使用依存樹上定義的概率同步依存插入語(yǔ)法[9]。

受上述工作的啟發(fā)，我們提出了一個(gè)基本但有效的方法以在層次短語(yǔ)模型上抽取長(zhǎng)距離調(diào)序規(guī)則。首先，我們對(duì)訓(xùn)練語(yǔ)料的源端進(jìn)行依存分析。然后，我們抽取源端為一棵完整依存子樹或幾棵完整依存子樹集合的長(zhǎng)距離調(diào)序規(guī)則。實(shí)驗(yàn)表明，我們的方法可以得到0.74個(gè)BLEU點(diǎn)的提高，并且規(guī)則表數(shù)量增加不大。

剩余的章節(jié)安排如下：第2節(jié)，先簡(jiǎn)單介紹短語(yǔ)的調(diào)序及分析為什么短語(yǔ)模型在短語(yǔ)的調(diào)序方面表現(xiàn)較差；第3節(jié)，介紹層次短語(yǔ)模型，并分析它的優(yōu)勢(shì)和存在的問(wèn)題；第4節(jié)，描述如何利用依存限制抽取長(zhǎng)距離調(diào)序規(guī)則，以解決層次短語(yǔ)存在的問(wèn)題。為了解決由此帶來(lái)的解碼速度過(guò)慢的問(wèn)題，提出了利用前綴樹快速匹配規(guī)則的方法；第5節(jié)，展示實(shí)驗(yàn)結(jié)果及分析；最后一節(jié)，給出總結(jié)和展望。

2 短語(yǔ)的調(diào)序

圖1中給出了一個(gè)中文句子，它對(duì)應(yīng)的英文翻譯和句對(duì)間的對(duì)齊。我們可以從中抽取如下短語(yǔ)：

這兩個(gè)短語(yǔ)間的調(diào)序關(guān)系，便是短語(yǔ)的調(diào)序。

圖1 一個(gè)中文句子，它的英文翻譯和它們之間的對(duì)齊

短語(yǔ)模型可以很好地刻畫短語(yǔ)內(nèi)部的調(diào)序信息，但是對(duì)于短語(yǔ)間的長(zhǎng)距離調(diào)序，短語(yǔ)模型表現(xiàn)較差。比如為了表示短語(yǔ)(1)和(2)的調(diào)序，短語(yǔ)模型可以抽取短語(yǔ)(3)，通過(guò)短語(yǔ)內(nèi)部的調(diào)序，來(lái)刻畫短語(yǔ)(1)和(2)間的長(zhǎng)距離調(diào)序。

打擊 走私 的 成果→results of the crackdown on smuggling

(3)

但是Koehn et al.發(fā)現(xiàn)當(dāng)短語(yǔ)長(zhǎng)度超過(guò)3的時(shí)候，對(duì)于系統(tǒng)的性能提高便有限，表明訓(xùn)練語(yǔ)料可能由于數(shù)據(jù)稀疏問(wèn)題所以無(wú)法學(xué)到更長(zhǎng)的規(guī)則[1]。比如解碼時(shí)如果遇到下面這個(gè)詞組，由于訓(xùn)練語(yǔ)料中沒有出現(xiàn)過(guò)該詞組，我們便無(wú)法找到相應(yīng)的短語(yǔ)，這便是數(shù)據(jù)稀疏問(wèn)題。對(duì)于這個(gè)詞組，短語(yǔ)模型只能分別翻譯里面的各個(gè)短語(yǔ)“打擊”，“犯罪”和“的 成果”，

打擊 犯罪 的 成果

(4)

犯罪→crime

(5)

調(diào)用短語(yǔ)(1),(2)和(5)，再將之順序拼接起來(lái)，得到翻譯“the crackdown on crime results of”而無(wú)法利用訓(xùn)練語(yǔ)料中短語(yǔ)(1)和(2)的調(diào)序信息。所以，短語(yǔ)模型對(duì)短語(yǔ)間的長(zhǎng)距離調(diào)序能力表現(xiàn)較差。

為了解決這一問(wèn)題，Chiang使用包含變量的層次短語(yǔ)規(guī)則來(lái)刻畫短語(yǔ)間的調(diào)序[6]。

3 層次短語(yǔ)模型

3.1 介紹

層次短語(yǔ)模型是基于上下文無(wú)關(guān)語(yǔ)法的[6]。正式地，層次短語(yǔ)模型的規(guī)則可以定義如下：

X→〈γ,α,～〉

其中，X是非終結(jié)符，γ和α是源端和目標(biāo)端的字符串 (由終結(jié)符和非終結(jié)符組成)，～表示γ和α之間非終結(jié)符間的對(duì)齊。

層次短語(yǔ)模型的規(guī)則抽取可以分為兩步。首先，抽取滿足對(duì)齊一致性[2]的初始短語(yǔ)；然后，將初始短語(yǔ)中的子短語(yǔ)替換為非終結(jié)符得到層次短語(yǔ)。比如對(duì)于圖1中所示的對(duì)齊句對(duì)，我們可以首先抽取一個(gè)滿足對(duì)齊一致性的初始短語(yǔ)：

打擊 走私 的 成果→results of the crackdown on smuggling

然后我們可以通過(guò)將子初始短語(yǔ)

走私→smuggling

替換為非終結(jié)符得到一條包含一個(gè)非終結(jié)符的規(guī)則：

打擊X1的 成果→results of the crackdown onX1

(6)

這里X表示非終結(jié)符，下標(biāo)表示源端和目標(biāo)端中非終結(jié)符的聯(lián)系。

這樣，層次短語(yǔ)便可以很好地表示短語(yǔ)(1)和(2)間的調(diào)序。當(dāng)遇到詞組(3)時(shí)，我們可以通過(guò)短語(yǔ)(5)和層次短語(yǔ)(6)來(lái)翻譯，具體過(guò)程如下：

打擊X1的 成果→ results of the crackdown onX1

打擊 犯罪 的 成果→results of the crackdown on crime

另外，層次短語(yǔ)包含了兩條黏合規(guī)則：

S→〈S1X2,S1X2〉

S→〈X1,X1〉

(7)

粘合規(guī)則是用來(lái)將一系列部分翻譯順序拼接起來(lái)。

3.2 存在的問(wèn)題

層次短語(yǔ)是通過(guò)將初始短語(yǔ)中的子短語(yǔ)替換成非終結(jié)符而得到的，這會(huì)產(chǎn)生極大的規(guī)則表。為了避免規(guī)則表規(guī)模過(guò)大，Chiang 限制初始短語(yǔ)的長(zhǎng)度最多不能超過(guò)L個(gè)詞[6]。但這樣，對(duì)于長(zhǎng)度超過(guò)L的初始短語(yǔ)，我們無(wú)法從中生成層次短語(yǔ)。那么層次短語(yǔ)模型就無(wú)法表示長(zhǎng)度超過(guò)L的初始短語(yǔ)中的調(diào)序信息。

層次短語(yǔ)模型無(wú)法刻畫長(zhǎng)度超過(guò)L的兩個(gè)短語(yǔ)間的調(diào)序，也就是長(zhǎng)距離調(diào)序能力。下面我們將會(huì)給出長(zhǎng)距離調(diào)序的定義，并提出一個(gè)解決方案。

4 長(zhǎng)距離調(diào)序

長(zhǎng)距離調(diào)序是指距離較長(zhǎng)的兩個(gè)短語(yǔ)間的調(diào)序，在本文中特指距離超過(guò)Chiang規(guī)定的最大長(zhǎng)度L[6]的兩個(gè)短語(yǔ)間的調(diào)序。

4.1 利用依存限制抽取長(zhǎng)距離調(diào)序規(guī)則

使用傳統(tǒng)的規(guī)則抽取方法抽取長(zhǎng)距離調(diào)序規(guī)則將會(huì)生成極大的規(guī)則表，從而影響翻譯速度及所占內(nèi)存。我們認(rèn)為一個(gè)可能的原因是對(duì)齊一致性的約束較弱。對(duì)于長(zhǎng)度超過(guò)L的初始短語(yǔ)，里面會(huì)包含很多滿足對(duì)齊一致性的子短語(yǔ)，從而生成指數(shù)級(jí)的長(zhǎng)距離調(diào)序規(guī)則。

一個(gè)解決方法是在抽取長(zhǎng)距離調(diào)序規(guī)則時(shí)，對(duì)于子短語(yǔ)加入更強(qiáng)的限制，以減少滿足條件的子短語(yǔ)，從而減少抽取的長(zhǎng)距離調(diào)序規(guī)則。為了解決這一問(wèn)題，我們?cè)诔槿￠L(zhǎng)距離調(diào)序規(guī)則時(shí)加入依存限制，以抽取數(shù)量可以接受的高質(zhì)量長(zhǎng)距離調(diào)序規(guī)則。

圖2顯示了一個(gè)中文句子 “中國(guó) 今天 公布 了 去年 打擊 走私 的 成果” 的依存樹。箭頭由子節(jié)點(diǎn)指向它的父節(jié)點(diǎn)，或稱為頭節(jié)點(diǎn)。比如在圖2中，“公布”是“中國(guó)”的父節(jié)點(diǎn)或頭節(jié)點(diǎn)。依存樹可以反映詞語(yǔ)間，尤其是較長(zhǎng)距離的詞語(yǔ)間的關(guān)系[7-9]。比如圖2中，“成果”直接依存于“公布”。此外，我們觀察到同時(shí)滿足對(duì)齊一致性和依存結(jié)構(gòu)完整性的初始短語(yǔ)是一個(gè)非常好的整體。比如從圖2抽取的初始短語(yǔ) (去年 打擊 走私 的 成果，last year’s of the crackdown on smuggling)。

為此，我們限定長(zhǎng)距離調(diào)序規(guī)則的源端必須是完整的依存結(jié)構(gòu)。完整的依存結(jié)構(gòu)是指一棵或多棵完整依存子樹的集合。參考Shen et al.中對(duì)依存結(jié)構(gòu)的定義[8]，我們對(duì)其嚴(yán)格定義如下：

定義1：對(duì)于一個(gè)句子S=w1w2…wn，d1d2…dn表示每個(gè)詞的頭節(jié)點(diǎn)(父節(jié)點(diǎn))，對(duì)于根節(jié)點(diǎn)wi，我們定義di=0。一個(gè)依存結(jié)構(gòu)di…dj是頭節(jié)點(diǎn)集合H的完整依存結(jié)構(gòu)，當(dāng)且僅當(dāng)

圖3給出了兩個(gè)完整依存結(jié)構(gòu)的例子，(a)和(b)的頭節(jié)點(diǎn)集合分別是 (中國(guó), 今天)和(成果)。我們可以發(fā)現(xiàn)(a)和(b)同樣滿足對(duì)齊一致性。

假設(shè)層次短語(yǔ)模型傳統(tǒng)算法中初始短語(yǔ)的最大跨度L為7(論文中為10，這里為敘述方便作此假設(shè))，則對(duì)于跨度為9的源端“中國(guó) 去年 公布 了 去年 打擊 走私 的 成果”，傳統(tǒng)抽取算法無(wú)法處理。而我們可以通過(guò)將同時(shí)滿足對(duì)齊一致性和完整依存結(jié)構(gòu)限制的圖3中(a)和(b)結(jié)構(gòu)泛化成非終結(jié)符得到長(zhǎng)距離調(diào)序規(guī)則 (X1公布 了X2,X1announcedX2)。

由于長(zhǎng)距離調(diào)序規(guī)則覆蓋的詞語(yǔ)較多，我們可以抽取包含多個(gè)終結(jié)符的規(guī)則。我們使用LDDR_n表示包含n個(gè)非終結(jié)符的長(zhǎng)距離調(diào)序規(guī)則。此外，為了將長(zhǎng)距離調(diào)序規(guī)則和普通規(guī)則區(qū)分開來(lái)，我們?cè)诮獯a時(shí)加入一個(gè)新的特征：長(zhǎng)距離規(guī)則計(jì)數(shù)，計(jì)算解碼時(shí)用到的長(zhǎng)距離調(diào)序規(guī)則的數(shù)量，與普通規(guī)則計(jì)數(shù)相對(duì)應(yīng)。

圖2 一個(gè)中文依存樹，它的英文翻譯和它們之間的對(duì)齊(為了更清楚地表示中英文之間的聯(lián)系，我們同樣給出了中文句子)

圖3 完整依存結(jié)構(gòu)的示例((a)和(b)的頭節(jié)點(diǎn)集合分別是 (中國(guó), 今天)和(成果))

4.2 規(guī)則快速匹配

層次短語(yǔ)模型使用自底向上的CKY算法來(lái)生成推導(dǎo)。對(duì)于一個(gè)長(zhǎng)度為l的跨度，傳統(tǒng)的規(guī)則匹配算法是枚舉出所有可能的候選規(guī)則，然后在規(guī)則表中查找。假設(shè)每條規(guī)則最多含有m個(gè)非終結(jié)符，則將會(huì)有O(l2m)個(gè)候選規(guī)則。對(duì)于l>10的跨度，枚舉所有候選規(guī)則是非常耗時(shí)的。

受Lopez工作的啟發(fā)[10]，我們使用前綴樹結(jié)構(gòu)存儲(chǔ)規(guī)則，并構(gòu)建詞圖表示候選規(guī)則。如圖4所示，對(duì)于輸入abcd,所有的候選規(guī)則只能以a或變量X起始。我們首先查找所有以a起始的候選規(guī)則，在規(guī)則表中我們找到了以a開始的規(guī)則；起始為a的候選規(guī)則后面只能接b或變量X，然后我們?cè)谝?guī)則表中發(fā)現(xiàn)以a起始的規(guī)則后面只有接b的規(guī)則，所以所有aX起始的候選規(guī)則均不存在于規(guī)則表中。

圖4 前綴樹規(guī)則表和詞組候選規(guī)則(每條曲線箭頭表示一個(gè)變量)

5 實(shí)驗(yàn)

5.1 數(shù)據(jù)準(zhǔn)備

我們使用FBIS語(yǔ)料 (約240K句對(duì))作為訓(xùn)練語(yǔ)料，并使用移進(jìn)—?dú)w約的依存分析器[11]對(duì)源端進(jìn)行依存分析。為了得到更好的依存分析結(jié)果，我們過(guò)濾源句子超過(guò)40的句對(duì)，則剩下的句對(duì)數(shù)為190K。我們?cè)谟?xùn)練數(shù)據(jù)上運(yùn)行GIZA++[12]以生成對(duì)齊句對(duì)。我們使用SRI工具[13]在新華語(yǔ)料的GIGAWORD部分訓(xùn)練一個(gè)四元的語(yǔ)言模型，訓(xùn)練中采用改進(jìn)的Kneser-Ney平滑方法[14]。

所有的實(shí)驗(yàn)均是在漢-英測(cè)試集上執(zhí)行的。我們用最小錯(cuò)誤率訓(xùn)練[15]方法在NIST 2002數(shù)據(jù)集上調(diào)參，并在NIST 2005數(shù)據(jù)集上測(cè)試。使用大小寫不敏感的BLEU[16]測(cè)試翻譯質(zhì)量。

我們使用修改的層次短語(yǔ)模型來(lái)完成翻譯，在層次短語(yǔ)模型上加入了一個(gè)新的特征——長(zhǎng)距離調(diào)序規(guī)則計(jì)數(shù)，以將之和普通規(guī)則區(qū)分開。當(dāng)跨度小于10時(shí)，我們使用傳統(tǒng)抽取算法抽取規(guī)則；當(dāng)大于10時(shí)，我們使用3.1節(jié)所定義的方法抽取長(zhǎng)距離調(diào)序規(guī)則。

5.2 結(jié)果

表1列出了規(guī)則表大小和BLEU值。我們可以發(fā)現(xiàn)新增的長(zhǎng)距離調(diào)序規(guī)則的數(shù)量是可以接受的 (<10%)。當(dāng)長(zhǎng)距離調(diào)序規(guī)則所含的最大非終結(jié)符數(shù)目增加時(shí)，規(guī)則數(shù)量增加并不明顯。一個(gè)可能的原因是僅有較少的初始短語(yǔ)同時(shí)滿足對(duì)齊一致性和完整依存結(jié)構(gòu)兩個(gè)限制。我們發(fā)現(xiàn)使用長(zhǎng)距離調(diào)序規(guī)則可以得到0.74個(gè)BLEU點(diǎn)的提高。

表2 規(guī)則表大小和BLEU值。

表3 不同規(guī)則匹配方法的平均時(shí)間 (秒/句)。

NIST05測(cè)試集包含1 082個(gè)句子，平均長(zhǎng)度為28個(gè)單詞。規(guī)則表包含1.7M的普通規(guī)則和190K的長(zhǎng)距離調(diào)序規(guī)則。表3顯示了不同規(guī)則匹配方法消耗的時(shí)間。我們發(fā)現(xiàn)傳統(tǒng)規(guī)則匹配方法的大部分時(shí)間花在枚舉規(guī)則上。由于使用了長(zhǎng)距離調(diào)序規(guī)則，傳統(tǒng)方法需要枚舉整個(gè)句子所有的候選規(guī)則，所以候選規(guī)則數(shù)量極其多。這也導(dǎo)致規(guī)則匹配所需時(shí)間稍長(zhǎng)。而當(dāng)我們使用快速匹配方法時(shí)，基本上不用花費(fèi)時(shí)間構(gòu)造詞圖，而規(guī)則匹配的時(shí)間也僅需要0.15秒/句，較之傳統(tǒng)方法極大的減少了時(shí)間。這是由于我們?cè)诳焖倨ヅ鋾r(shí)采用動(dòng)態(tài)規(guī)則的方法，匹配過(guò)程舍棄了大部分不可能存在于規(guī)則表的候選規(guī)則。

6 總結(jié)與展望

本文提出了一個(gè)基本但有效的方法抽取長(zhǎng)距離調(diào)序規(guī)則，利用依存限制減少子短語(yǔ)的數(shù)量，以抽取數(shù)量可以接受的長(zhǎng)距離調(diào)序規(guī)則。相應(yīng)地，我們?cè)O(shè)計(jì)了新的規(guī)則匹配算法以快速匹配長(zhǎng)距離調(diào)序規(guī)則。實(shí)驗(yàn)表明使用我們的方法可以在生成較少數(shù)量長(zhǎng)距離調(diào)序規(guī)則的情況下，得到0.74個(gè)BLEU點(diǎn)的提高。

盡管如此，我們的方法仍然依賴于詞語(yǔ)對(duì)齊和依存分析。將來(lái)我們會(huì)設(shè)計(jì)新的算法以減輕對(duì)詞語(yǔ)對(duì)齊和依存分析的依賴，比如，使用對(duì)齊矩陣[17]和依存森林[18]。

[1] Philipp Koehn, Franz Joseph Och, and Daniel Marcu. Statistical phrase-based translation [C]//Proceedings of the 2003 Conference of the North American Chapter of the Association for Computational Linguistics on Human Language Technology, 2003：48-54.

[2] Franz Joseph Och and Hermann Ney. The alignment template approach to statistical machine translation [J]. Computational Linguistics, 2004, MIT Press, Volume 30: 417-449.

[3] Yang Liu, Qun Liu, and Shouxun Lin. Tree-to-string alignment template for statistical machine translation [C]//Proceedings of the 44th Annual Meeting of the Association for Computational Linguistics, 2006：609-616.

[4] Liang Huang, Kevin Knight, and Aravind Joshi. Statistical syntax-directed translation with extended domain of locality [C]//Proceedings of the Workshop on Computationally Hard Problems and Joint Inference in Speech and Language Processing, 2006： 66-73.

[5] Michel Galley, Jonathan Graehl, Kevin Knight, Daniel Marcu, Steve DeNeefe, Wei Wang, and Ignacio Thayer. Scalable inference and training of context-rich syntactic translation models [C]//Proceedings of the 44th Annual Meeting of the Association for Computational Linguistics, 2006：961-968.

[6] David Chiang. Hierarchical phrase-based translation [J]. Computational Linguistics, 2007, MIT Press, Volume 33: 201-228.

[7] Chris Quirk, Arul Menezes, and Colin Cherry. Dependency treelet translation: syntactically informed phrasal SMT [C]//Proceedings of the 43rd Annual Meeting on Association for Computational Linguistics, 2005：271-279.

[8] Libin Shen, Jinxi Xuand, and Ralph Weischedel. A new string-to-dependency machine translation algorithm with a target dependency language model [C]//46th Annual Meeting of the Association for Computational Linguistics,2008: 577-585.

[9] Yuan Ding and Martha Palmer. Machine translation using probabilistic synchronous dependency insertion grammars [C]//Proceedings of the 43rd Annual Meeting on Association for Computational Linguistics, 2005: 541-548.

[10] Adam Lopez. Hierarchical phrase-based translation with suffix arrays [C]//Proceedings of the 2007 Conference on Empirical Methods in Natural Language Processing , 2007: 976-985.

[11] Liang Huang, Wenbin Jiang, and Qun Liu. Bilingually-constrained (monolingual) shift-reduce parsing [C]//Proceedings of the 2009 Conference on Empirical Methods in Natural Language Processing, 2009:1222-1231.

[12] Franz Joseph Och and Hermann Ney. Improved statistical alignment models [C]//Proceedings of the 38th Annual Meeting on Association for Computational Linguistics, 2000: 440-447.

[13] Andreas Stolcke. Srilm - an extensible language modeling toolkit [C]//Proceedings of Seventh International Conference on Spoken Language Processing, 2002: 901-904.

[14] Reinhard Kneser and Hermann Ney. Improved backing-off for m-gram language modeling [C]//Proceedings of Acoustics, Speech, and Signal, 1995: 181-184.

[15] Franz Joseph Och and Hermann Ney. Discriminative training and maximum entropy models for statistical machine translation [C]//Proceedings of 40th Annual Meeting of the Association for Computational Linguistics, 2002: 295-302.

[16] Kishore Papineni, Salim Roukos, Todd Ward, and WeiJing Zhu. Bleu: a method for automatic evaluation of machine translation [C]//Proceedings of 40th Annual Meeting of the Association for Computational Linguistics, 2002: 311-318.

[17] Yang Liu, Tian Xia, Xinyan Xiao, and Qun Liu. Weighted alignment matrices for statistical machine translation [C]//Proceedings of the 2009 Conference on Empirical Methods in Natural Language Processing, 2009: 1017-1026.

[18] Zhaopeng Tu, Yang Liu, Young-Sook Hwang, Liu, Qun Liu and Shouxun Lin. Dependency Forest for Statistical Machine Translation [C]//Proceedings of the 23rd International Conference on Computational Linguistics, 2010: 1092-1100.