阿依古麗·哈力克，艾山·吾買爾，吐爾根·伊布拉音，卡哈爾江·阿比的熱西提，買合木提·買買提

(1．新疆大學(xué) 信息科學(xué)與工程學(xué)院，新疆 烏魯木齊 830046；2．新疆多語種信息技術(shù)重點(diǎn)實(shí)驗(yàn)室，新疆 烏魯木齊 830046)

漢維時(shí)間數(shù)字和量詞的識(shí)別與翻譯研究

阿依古麗·哈力克1,2，艾山·吾買爾1,2，吐爾根·伊布拉音1,2，卡哈爾江·阿比的熱西提1,2，買合木提·買買提1,2

(1．新疆大學(xué) 信息科學(xué)與工程學(xué)院，新疆 烏魯木齊 830046；2．新疆多語種信息技術(shù)重點(diǎn)實(shí)驗(yàn)室，新疆 烏魯木齊 830046)

統(tǒng)計(jì)機(jī)器翻譯對(duì)時(shí)間、數(shù)字、量詞的泛化能力較弱，為了提高漢維機(jī)器翻譯系統(tǒng)對(duì)時(shí)間、數(shù)字和量詞短語的翻譯性能，該文利用雙語語料庫挖掘并提取漢語時(shí)間、數(shù)字、量詞表達(dá)與翻譯模式，實(shí)現(xiàn)了基于模板的時(shí)間、數(shù)字、無歧義量詞翻譯方法及基于上下文的有歧義量詞翻譯方法。時(shí)間、數(shù)字、無歧義量詞、有歧義量詞的翻譯F值達(dá)到了93.23%、90.15%、96.55%、87.58%，實(shí)驗(yàn)證明，該方法具有簡單高效的優(yōu)點(diǎn)。

時(shí)間數(shù)字；無歧義量詞；有歧義量詞；翻譯規(guī)則；翻譯模板

1 引言

命名實(shí)體識(shí)別與翻譯在機(jī)器翻譯、信息處理系統(tǒng)中具有重大意義。目前，對(duì)命名實(shí)體的識(shí)別與翻譯研究工作在國內(nèi)外已取得大量的研究成果[1]。Shruti Mathur[2]等用基于規(guī)則的方法對(duì)英語—印語命名實(shí)體內(nèi)的常見形式進(jìn)行了識(shí)別與翻譯。Deepti Bhalla[3]等使用基于統(tǒng)計(jì)的方法識(shí)別命名實(shí)體，通過平行語料庫實(shí)現(xiàn)了英語—印語命名實(shí)體的翻譯。Sameer R. Maskey[4]等通過規(guī)則，分析句法開發(fā)了英語—阿拉伯語命名實(shí)體的翻譯系統(tǒng)。Sebastian M P[5]等基于統(tǒng)計(jì)實(shí)現(xiàn)了英語—馬拉雅拉姆語的機(jī)器翻譯。Feng D[6]等研究了英漢命名實(shí)體對(duì)齊的新方法。Str?tgen J等基于規(guī)則的時(shí)間表達(dá)式識(shí)別與規(guī)范化實(shí)現(xiàn)了HeideTime系統(tǒng)[7]。尹存燕[8]等對(duì)中英命名實(shí)體識(shí)別及對(duì)齊研究提出了中文分詞優(yōu)化方法。鄭宏[9]、翟飛飛[10]等分別對(duì)時(shí)間、數(shù)字命名實(shí)體及數(shù)量詞的識(shí)別問題使用了基于CYK++算法和語料庫、基于規(guī)則的方法。李風(fēng)環(huán)[11]等基于面向主題事件構(gòu)建了時(shí)間識(shí)別模型。趙紫玉[12-13]分別利用基于短語的翻譯模型、規(guī)則與CRF統(tǒng)計(jì)相結(jié)合的方法研究日語時(shí)間表達(dá)式識(shí)別與日漢翻譯。王偉、李君嬋、鄔桐等[14-16]對(duì)中文時(shí)間表達(dá)式的識(shí)別與翻譯提出了基于有限狀態(tài)自動(dòng)機(jī)，規(guī)則庫、最大熵，正則文法的方法。楊萍[17]等對(duì)漢語-新蒙古文命名實(shí)體進(jìn)行翻譯，首先對(duì)漢語命名實(shí)體進(jìn)行標(biāo)注，然后獲取漢語HMM詞對(duì)齊結(jié)果，最后通過滑動(dòng)窗口方法選取置信度最高的命名實(shí)體翻譯。王斯日古楞等[18]對(duì)漢—蒙機(jī)器翻譯系統(tǒng)中的量詞短語進(jìn)行了研究。鄒樂琳等[19]基于統(tǒng)計(jì)的方法實(shí)現(xiàn)了維語時(shí)間表達(dá)式的識(shí)別。張磊等[20]對(duì)維語數(shù)詞類命名實(shí)體(時(shí)間、日期、百分比、貨幣)進(jìn)行了研究。目前，中國民族語文翻譯局在線翻譯系統(tǒng)(http://www.mzywfy.org.cn/)和新疆多語種信息技術(shù)重點(diǎn)實(shí)驗(yàn)室基于短語的Tilmach漢維—維漢統(tǒng)計(jì)機(jī)器翻譯系統(tǒng)(http://www.tilmach.cn/)對(duì)時(shí)間、數(shù)字、量詞的譯文質(zhì)量不理想?？梢?，對(duì)漢維時(shí)間數(shù)字和量詞的識(shí)別與翻譯研究工作較少，尤其是漢維方向翻譯工作沒有針對(duì)性的研究。

本文對(duì)漢語時(shí)間、數(shù)字、量詞分類及維吾爾文翻譯進(jìn)行詳細(xì)分析，并構(gòu)建了相應(yīng)的時(shí)間日期識(shí)別與翻譯模板、數(shù)字識(shí)別與翻譯模板、無歧義量詞詞典、基于上下文的有歧義量詞翻譯規(guī)則庫，實(shí)現(xiàn)了漢維方向的時(shí)間、數(shù)字、量詞識(shí)別與翻譯算法。

2 漢語時(shí)間、數(shù)字與量詞維吾爾語翻譯

漢語是典型的孤立語，屬于漢藏語系漢語語族；而維吾爾語是黏著語，屬于阿爾泰語系突厥語族，在中國境內(nèi)使用的維吾爾語是以阿拉伯字母為基礎(chǔ)的老維文。漢語維吾爾語語法信息、翻譯規(guī)律不同，因此對(duì)時(shí)間數(shù)字和量詞分別進(jìn)行討論。本文研究的老維文在word里顯示時(shí)存在因未安裝維吾爾語輸入法而導(dǎo)致排版格式混亂的情況，因此維語例子使用拉丁文表示。

2.1 漢維時(shí)間日期的分析

由于漢語維吾爾語在各個(gè)方面的不同，在漢語-維吾爾語機(jī)器翻譯系統(tǒng)中，時(shí)間表達(dá)式的翻譯準(zhǔn)確率比較低，幾乎沒有對(duì)應(yīng)的翻譯結(jié)果。對(duì)一些時(shí)間表達(dá)式的翻譯情況對(duì)比如表1所示。

表1 機(jī)器翻譯系統(tǒng)的時(shí)間日期翻譯對(duì)比表

可見，翻譯結(jié)果出現(xiàn)數(shù)字次序混亂、標(biāo)點(diǎn)符號(hào)、詞尾丟失或多加等錯(cuò)誤情況。原因是時(shí)間觸發(fā)詞(年、月、日)在不同的維語時(shí)間表達(dá)式中譯文不同，比如： 漢語中“月”對(duì)應(yīng)維語的“Ay”在不同的時(shí)間表達(dá)式中翻譯結(jié)果如表2所示。

表2 時(shí)間觸發(fā)詞的歧義情況表

本文為解決此問題將時(shí)間日期分五類研究，如表3所示。

表3 漢語-維吾爾語時(shí)間日期示例表

續(xù)表

時(shí)間日期分類漢語維吾爾語重大紀(jì)念日,節(jié)日“古爾邦節(jié)”,“肉孜節(jié)”,“五·一”國際勞動(dòng)節(jié)Qurbanh?yitRozah?yit5-ayning1-küniEmgekchilerBayrim

可見，“明天早上九點(diǎn)半”雖然由“明天”-“Ete”，“早上”-“Etigen”，“九點(diǎn)半”-“Toqquz y?rim”等三個(gè)時(shí)間基本單元組成，但在翻譯時(shí)不能利用時(shí)間基本單元組合的方法，應(yīng)考慮整個(gè)模塊，在后面加“da”詞尾?！敖刂?月7日到9日”同樣不能利用基本單元組合的方法翻譯，也是應(yīng)考慮整個(gè)模塊,翻譯結(jié)果為： “5-ayning7-künidin9-künigiche”,因?yàn)椤敖刂埂?，?月7日”，“到”，“9日”分別對(duì)應(yīng)為“giche”和“5-ayning 7-küni”和“Din”和“9-küni”，利用基本單元組合的方法翻譯會(huì)出現(xiàn)位置不穩(wěn)定，導(dǎo)致語法錯(cuò)誤。

2.2 漢語數(shù)字維吾爾語翻譯

本文把漢維數(shù)字的對(duì)比關(guān)系分為三種： 1)漢語中數(shù)字可分為基數(shù)詞和序數(shù)詞[21]。維吾爾語中數(shù)字分為約數(shù)詞、集合數(shù)詞、分?jǐn)?shù)詞、序數(shù)詞、基數(shù)詞。2)漢語的數(shù)字寫法有多種形式，例如，對(duì)于阿拉伯?dāng)?shù)字“4”漢語中有“四”、“肆”等寫法。維吾爾語有“T?t”一種寫法。3)漢語中十位數(shù)字的表示形式是“一到九之間的任何一個(gè)數(shù)”字后面加上“十”而形成的，比如： “二十、三十、四十…”。維吾爾語中這些數(shù)字都有專稱，例如，“Yigirme、ottuz、qiriq、ellik、atmish、yetmish、seksen、toqsan”。

數(shù)字根據(jù)翻譯結(jié)果的不同，總結(jié)如表4所示。

表4 漢維數(shù)字翻譯示例表

可見，漢語的序數(shù)詞根據(jù)意義和計(jì)算方法在維吾爾語里分為約數(shù)詞、集合數(shù)詞、分?jǐn)?shù)詞、序數(shù)詞，基數(shù)詞在兩個(gè)語言中一一對(duì)應(yīng)。根據(jù)分類構(gòu)建規(guī)則，對(duì)不同搭配格式利用平行語料和翻譯模板的方法實(shí)現(xiàn)翻譯。

2.3 漢語-維吾爾語量詞對(duì)應(yīng)關(guān)系的分析

量詞是表示事物和動(dòng)作計(jì)算單位的詞匯。在文獻(xiàn)[21]中漢語量詞的特點(diǎn)可歸納為如下幾種： 1)在漢語中根據(jù)物體形狀的不同，使用的量詞也有所不同，因此漢語中的量詞較多，大概有507個(gè)量詞。2)在結(jié)構(gòu)上，漢語的量詞位于數(shù)字和名詞之間，數(shù)字需要結(jié)合量詞才能修飾名詞。3)根據(jù)表示對(duì)象的不同，漢語量詞分為名量詞、動(dòng)量詞、復(fù)合量詞等三大類。句子中的名量詞和動(dòng)量詞不能省略，否則會(huì)出現(xiàn)語法錯(cuò)誤。句子中復(fù)合量詞(名量詞+動(dòng)量詞)中動(dòng)量詞省略掉后不會(huì)出現(xiàn)語法錯(cuò)誤，但兩個(gè)句子的意思完全不同。

漢維量詞異同點(diǎn)： 1)維吾爾語量詞沒有漢語量詞數(shù)量多，常用的有“Tal、dane”。2)維吾爾語中量詞不能單獨(dú)做句子的重要成分，它只位于名詞或動(dòng)詞的前面，直接修飾名詞或動(dòng)詞。3)漢語中有些量詞在維吾爾語中沒有對(duì)應(yīng)的翻譯，即丟失。

在Tilmach和中國民族語文翻譯局在線翻譯系統(tǒng)出現(xiàn)錯(cuò)誤情況。例如，量詞短語“一線希望”、“一份情”的正確翻譯結(jié)果應(yīng)為： “ümid(希望)”、“muhebbet(情)”，即數(shù)字和量詞均丟失，但在Tilmach中翻譯結(jié)果是“Azraq ümid”、“Bir parche muhebbet baghlash”，在中國民族語文翻譯局中翻譯結(jié)果是“Azraq ümid”、“Bir ülüsh mihir”。有些事物或行為就必須使用“數(shù)字+量詞+名詞”來表示，量詞決不能省略，例如，“十斤面”要翻譯為“On(十)jing(斤)un(面)”,不能省略“jing”。漢語根據(jù)量詞的搭配格式可分為四種，具體如表5所示。

表5 漢維量詞示例表

續(xù)表

量詞短語格式漢語量詞短語維吾爾語譯文數(shù)字+名詞兩兄弟Aka-iniikkeylen量詞+名詞雙人車Qoshkishlikmashina數(shù)字+名詞+名詞一車瓷磚Birmashinasapalxish

可見，量詞短語“一群人”、“一所學(xué)?！狈g結(jié)果都不同，“一群人”的數(shù)字、量詞、名詞全部翻譯；“一所學(xué)校”翻譯數(shù)字和名詞，量詞丟失?！耙环羼橊劇?、“一枚戒指”…中“峰，枚…”等量詞對(duì)應(yīng)的維吾爾語翻譯結(jié)果為只有一種“Tal”?！耙卉嚧纱u”中“車”是名詞，但在量詞短語中看成量詞。所以，漢語中量詞根據(jù)翻譯需求的不同分為有歧義量詞和無歧義量詞兩大類，有歧義量詞指數(shù)字一一對(duì)應(yīng)、但量詞是一個(gè)對(duì)應(yīng)多個(gè)(其中包含量詞丟失的情況)；無歧義量詞指數(shù)字一一對(duì)應(yīng)、量詞也一一對(duì)應(yīng)，數(shù)詞一一對(duì)應(yīng)、但量詞丟失，數(shù)字一一對(duì)應(yīng)、但量詞多個(gè)對(duì)應(yīng)一個(gè)，數(shù)字、量詞均丟失四種情況。維吾爾語里面有歧義量詞根據(jù)句子上下文的不同翻譯結(jié)果也不同，一個(gè)量詞有多種翻譯結(jié)果，如表6所示。

表6 漢維量詞特殊情況示例表

可見，漢語中量詞根據(jù)后面的不同名詞有不同的翻譯結(jié)果?！耙活^牛”、“一頭獅子”、“一頭大蒜”的“一頭”翻譯為“Bir tuyaq”、“Bir”、“Bir bash”三種不同結(jié)果。同樣，“一盤菜”、“一盤錄音帶”、“一盤電線”的“一盤”翻譯為“Bir texse”、“Bir dane”、“Bir y?gime”三種不同結(jié)果。因此在量詞識(shí)別與翻譯過程中，詳細(xì)分類會(huì)提高機(jī)器翻譯的準(zhǔn)確率。

2.4 度量單位

漢維度量單位由數(shù)字和量詞組成，不需要名詞。翻譯示例如表7所示。

可見，度量單位的翻譯為固定譯文。

表7 漢維度量單位示例表

3 漢維時(shí)間數(shù)字和量詞的識(shí)別與翻譯方法

根據(jù)上述漢維翻譯規(guī)律和語法特點(diǎn)，利用雙語語料庫挖掘包含時(shí)間數(shù)字和量詞的句子，對(duì)每一類分別構(gòu)建人工編制規(guī)則庫用于提取漢語時(shí)間數(shù)字和量詞短語，翻譯時(shí)分別提出了翻譯模板、對(duì)無歧義量詞平行語料庫、基于上下文的有歧義量詞翻譯規(guī)則和規(guī)則與統(tǒng)計(jì)相結(jié)合的方式，本方法提高了翻譯準(zhǔn)確率和召回率。

3.1 漢維時(shí)間的識(shí)別與翻譯方法

根據(jù)實(shí)際需求對(duì)時(shí)間表達(dá)式?jīng)]有利用分詞系統(tǒng)，而是構(gòu)建人工編制規(guī)則庫。即對(duì)這些包含前后介詞的表達(dá)式翻譯為維語時(shí)，根據(jù)不同的時(shí)間表達(dá)式類型，分別建立了一一對(duì)應(yīng)的272個(gè)規(guī)則和翻譯模板。這個(gè)方法雖然繁瑣，但準(zhǔn)確率高，對(duì)新聞中時(shí)間表達(dá)式的覆蓋率為96%。對(duì)時(shí)間表達(dá)式構(gòu)造人工編制規(guī)則庫時(shí)，由于維吾爾語和漢語的書寫方向相反，為了避免語法錯(cuò)誤，把兩種語言的規(guī)則庫分開存儲(chǔ)在兩個(gè)文本文檔中。該方法使機(jī)器翻譯準(zhǔn)確率有明顯提高。規(guī)則和模板一一對(duì)應(yīng)的示例如表8、表9 所示。

表8 漢語時(shí)間表達(dá)式規(guī)則庫示例表

續(xù)表

漢語規(guī)則庫(d{1,4}年d{1,2}月d{1,2}日凌晨d{1,2}時(shí)d{1,2}分)

表9 維語時(shí)間表達(dá)式翻譯模板示例表

可見，漢語規(guī)則庫和維語模板一一對(duì)應(yīng)。根據(jù)上圖的人工編制規(guī)則識(shí)別時(shí)間表達(dá)式，利用翻譯模板抽取對(duì)應(yīng)的翻譯結(jié)果。過程如下：

輸入句子： 2013年12月至2014年6月期間，被告人韋海(廣西籍)與境外人員“阿樂”等共謀組織中國境內(nèi)人員偷渡至越南。

匹配規(guī)則后的識(shí)別結(jié)果： 2013年12月至2014年6月期間。

Tilmach的譯文： <2013年12月至2014年6月> mezgilide。中國民族語文翻譯局的翻譯結(jié)果為： <2013年12月至2014年6月> mezgilide。

本方法譯文用拉丁文表示： 2013-yil 12-aydin 2014-yil 6-ayghiche。與正確譯文相同。

對(duì)時(shí)間日期的識(shí)別與翻譯完全不依賴各種中文分詞系統(tǒng)、標(biāo)注和統(tǒng)計(jì)方法，而是利用人工編制規(guī)則庫和翻譯模板進(jìn)行識(shí)別與翻譯，使Tilmach的翻譯準(zhǔn)確率有明顯提高。時(shí)間日期的識(shí)別與翻譯處理算法如圖1所示。

圖1 時(shí)間日期識(shí)別與翻譯處理算法

3.2 漢維數(shù)字的識(shí)別與翻譯方法

Tilmach對(duì)基數(shù)詞已有了較好的翻譯準(zhǔn)確率，因此本文解決的是序數(shù)詞、約數(shù)詞、集合數(shù)詞、分?jǐn)?shù)詞、百分?jǐn)?shù)、倍數(shù)，并對(duì)每一類分別構(gòu)建人工編制規(guī)則庫，如表10所示。

表10 數(shù)字規(guī)則與模板

續(xù)表

數(shù)字類型例子漢語規(guī)則特點(diǎn)維維吾爾語模板分?jǐn)?shù)詞三分之二數(shù)字+分之+數(shù)字adinb百分?jǐn)?shù)百分之90百分之+數(shù)字apirsent倍數(shù)三倍數(shù)字+倍aHesse

可見，序數(shù)詞、約數(shù)詞、集合數(shù)詞、分?jǐn)?shù)詞等都是先用規(guī)則來識(shí)別數(shù)字，然后一一匹配對(duì)應(yīng)的模板庫。數(shù)字識(shí)別與翻譯處理算法如圖2所示。

3.3 漢維量詞的識(shí)別與翻譯

在量詞短語的機(jī)器翻譯中，對(duì)收集的語料進(jìn)行統(tǒng)計(jì)分析，根據(jù)維吾爾語的翻譯規(guī)律進(jìn)行分類，構(gòu)建量詞短語的平行語料庫并存儲(chǔ)在兩個(gè)文本文檔中。分詞對(duì)比如表11所示。

圖2 數(shù)字識(shí)別與翻譯處理算法

表11 識(shí)別方法對(duì)比表

為使?jié)h維量詞短語的識(shí)別與翻譯達(dá)到盡可能高的覆蓋率，本文對(duì)無歧義量詞識(shí)別時(shí)利用人工編制規(guī)則庫識(shí)別，對(duì)有歧義量詞使用哈工大分詞系統(tǒng)和人工編制規(guī)則相結(jié)合的方法，翻譯時(shí)單獨(dú)使用模板翻譯或統(tǒng)計(jì)的方法準(zhǔn)確率不高，利用翻譯模板和Tilmach相結(jié)合的方法有更高的準(zhǔn)確率。

3.3.1 有歧義量詞的識(shí)別與翻譯

有歧義量詞(數(shù)字一一對(duì)應(yīng),但量詞一個(gè)對(duì)應(yīng)多個(gè))具體的識(shí)別與翻譯過程如下： 利用人工編制規(guī)則和哈工大分詞系統(tǒng)識(shí)別量詞短語。翻譯時(shí)根據(jù)哈工大的詞性標(biāo)注結(jié)果定位句子里面的名詞“/n”來決定這個(gè)量詞的翻譯結(jié)果，我們利用這個(gè)特點(diǎn)，構(gòu)建(Special quantifier)平行語料庫，從平行語料庫中抽取對(duì)應(yīng)的翻譯結(jié)果，然后結(jié)合Tilmach實(shí)現(xiàn)漢維量詞短語翻譯。漢語中45個(gè)有歧義量詞，量詞“把”翻譯結(jié)果如表12所示。

可見，利用本方法對(duì)“一把米、一把花兒”翻譯時(shí)“數(shù)字、量詞、名詞”均翻譯出來，翻譯結(jié)果為“Bir(一)siqim(把)gürüch(米)”、“Bir(一)deste(把)gül(花兒)”，與正確譯文相同。但在Tilmach中“一把米”翻譯結(jié)果“Bir baghlam m?tir”是錯(cuò)誤的。對(duì)“一把年齡”，這種“數(shù)字+量詞+名詞”格式的量詞短語，翻譯結(jié)果僅?！懊~”，“數(shù)字、量詞”都丟失，翻譯結(jié)果應(yīng)為“Yash”。

表12 有歧義量詞翻譯示例表

3.3.2 無歧義量詞的識(shí)別與翻譯

無歧義量詞具體的識(shí)別與翻譯過程如下： 首先分為四大類(1.數(shù)字一一對(duì)應(yīng)，但量詞是多個(gè)對(duì)應(yīng)一個(gè)；2.數(shù)字和量詞都丟失；3.數(shù)字一一對(duì)應(yīng)，但量詞丟失；4.數(shù)字一一對(duì)應(yīng)，量詞也一一對(duì)應(yīng))，然后利用人工編制規(guī)則識(shí)別量詞短語。

本文分析漢語和維吾爾語的異同點(diǎn)，將量詞短語分為下述五種情況。量詞識(shí)別與翻譯處理算法如圖3所示。

分類一 漢語中的“峰、枚、顆、粒、方、管、則、發(fā)、盞、床、炷、柄、梃、梭”等14個(gè)量詞在維吾爾語中的翻譯結(jié)果都是“Tal、dane(兩字意思相同僅寫法不同)”。對(duì)這種情況解決的方法相對(duì)簡單，從Many To One平行語料庫中找出它對(duì)應(yīng)的翻譯結(jié)果即可。

分類二 漢語中包含“輪、手、樁、宗、陣、記、攤、汪、鴻、團(tuán)、脬”等11個(gè)量詞的漢語短語翻譯為維吾爾語時(shí)，短語格式“數(shù)字+量詞+名詞”對(duì)應(yīng)到維吾爾語時(shí)僅剩下“名詞”格式，即漢語數(shù)字和量詞都對(duì)應(yīng)為空串。例如，“一輪圓月”、“一手好字”中翻譯結(jié)果為“Tulun(圓)Ay(月)”、“Yaxshi(好)s?z(字)”，“一輪圓月”的“一、輪”、“一手好字”的“一、手”都要翻譯為空。

圖3 量詞識(shí)別與翻譯處理算法

分類三 漢語中“幢、座、扇、堵、所、架、艘、本、家、口、孔、尊、爿、樁、宗、件、羅、首、匝、客、挺、垛、孔、桿、眼”等25個(gè)漢語量詞翻譯為維語時(shí)沒有對(duì)應(yīng)的翻譯結(jié)果，對(duì)這種情況的量詞翻譯結(jié)果使用(Many To Null)平行語料庫僅輸出數(shù)字的翻譯結(jié)果。例如： 在Tilmach中“一眼井”結(jié)果為“Bir k?z quduq”，但正確的結(jié)果應(yīng)為“Bir(一)quduq(井)”，“眼”丟失。

分類四 漢語中260個(gè)量詞翻譯為維吾爾語時(shí)有對(duì)應(yīng)的翻譯結(jié)果。例如，“一群人、一出戲、一帖藥、一劑藥、八味藥”中的量詞翻譯結(jié)果分別為“top、meydan、chaplaq、quta、xil”。對(duì)這種情況從(One To One)平行語料庫中抽取對(duì)應(yīng)的數(shù)字、量詞翻譯結(jié)果，然后兩個(gè)翻譯結(jié)果合并即可。度量單位(長度、面積、體重、重量、貨幣)也屬于無歧義量詞，在格式“數(shù)字+單位”后面加或不加名詞不會(huì)影響翻譯結(jié)果。

4 實(shí)驗(yàn)及結(jié)果分析

本文實(shí)驗(yàn)的時(shí)間數(shù)字語料來自《新疆人民日?qǐng)?bào)》、“天山網(wǎng)”的最新新聞，從中自動(dòng)收集23 447句包含時(shí)間數(shù)字的句子,隨機(jī)抽取包含9 769個(gè)時(shí)間數(shù)字的5 048句；量詞語料來自“北京大學(xué)語料庫”，從中收集39 000句包含量詞的句子，隨機(jī)抽取包含6 723個(gè)量詞的4 190句，收集1 540句包含度量單位(長度、面積、體積、體重及貨幣等105個(gè))的句子，隨機(jī)抽取598句分別做實(shí)驗(yàn)。

在測試語料中，對(duì)所有句子進(jìn)行人工標(biāo)注、分類、使用平行語料庫和翻譯模板進(jìn)行翻譯。最后與Tilmach進(jìn)行對(duì)比實(shí)驗(yàn)，證明了本工作的必要性。

4.1 時(shí)間數(shù)字與量詞實(shí)驗(yàn)語料及分析

時(shí)間數(shù)字、量詞、質(zhì)量單位的語料信息如表13—表17所示。

表13 含時(shí)間數(shù)字的漢語語料庫表

表14 含時(shí)間數(shù)字語料信息表

表15 含量詞的漢語語料庫表

表16 含量詞語料信息表

續(xù)表

量詞分類維語數(shù)字翻譯結(jié)果關(guān)系維語量詞翻譯結(jié)果關(guān)系提取語料句數(shù)測試語料句數(shù)(含翻譯)測試語料量詞個(gè)數(shù)無歧義一一對(duì)應(yīng)多對(duì)一 86008601362丟失 丟失 5520552986一一對(duì)應(yīng)丟失 84408441423一一對(duì)應(yīng)一一對(duì)應(yīng)69208821056共3900041906723

表17 含度量單位語料信息表

4.2 評(píng)測方法

本文評(píng)測指標(biāo)采用三個(gè)值： 準(zhǔn)確率(P)、召回率(R)、F-Score，計(jì)算公式如下：

(1)

(2)

(3)

4.3 實(shí)驗(yàn)及結(jié)果分析

本文對(duì)時(shí)間數(shù)字和量詞采用不同的方法進(jìn)行測試，然后與Tilmach的翻譯結(jié)果進(jìn)行對(duì)比試驗(yàn)。時(shí)間表達(dá)式的識(shí)別與翻譯過程如下：

輸入兩條句子：

1． 截至2014年6月25日申請(qǐng)2.3萬余人,同比增長了5倍多。

2． 全疆8月份開始依法全面實(shí)施統(tǒng)一的普通護(hù)照簽發(fā)管理政策。

翻譯結(jié)果用拉丁文表示為：

1． 2009- <2014年6月25日> 23 ming adem iltimas,bulturqi shu mezgildikidin besh hessidin artuq k?peydi.

2． 8-ayda Shinjang boyiche bashlap adettiki omumyüzlük qanun boyiche yolgha qoyup,bir tutash bashqurush siyasitini pasport bergüchi.

可見，在句1中，時(shí)間表達(dá)式“截至2014年6月25日”沒能翻譯，并多加了數(shù)字“2009-”和“23”；在句2中，“8月份開始”翻譯結(jié)果添加了詞尾“da”，但應(yīng)該要添加“din baxlap”。使用人工編制規(guī)則庫識(shí)別時(shí)間表達(dá)式：“截至2014年6月25日”、“8月份開始”，匹配翻譯模板輸出翻譯結(jié)果為： “2014-yili 6-ayning 25-künigiche”、“5 Hesse”、“8-aydin bashlap”，與正確的翻譯結(jié)果相同。

漢維量詞短語的識(shí)別與翻譯過程如下：

輸入句子： 夕陽的余暉透過霞云，灑在江心，形成一線閃爍的金斑。

識(shí)別： 在哈工大的分詞系統(tǒng)詞性標(biāo)注結(jié)果: 夕陽/n 的/u 余暉/n 透過/v 霞云/n ，/wp 灑/v 在/p 江心/n ，/wp 形成/v 一線/n 閃爍/v 的/u 金斑/n 。/wp。其中“一線”是名詞，但漢語翻譯為維吾爾語時(shí)該句中的“線”應(yīng)是量詞。

翻譯結(jié)果用拉丁文表示為： Kechki shepeq bek güzel bolidu diki qalduq nur bulut reng shepeq tumanning singip ?tüsh meyxana,sinxana, y?qinlashmay 1- s?pide shekillendürüsh bilen chaqnisa ala altun

可見，在Tilmach中量詞短語“一線”的翻譯結(jié)果是錯(cuò)誤的“1-s?pide”，正確結(jié)果“一線”應(yīng)丟失；匹配平行語料時(shí)應(yīng)按照分類方法中數(shù)字一一對(duì)應(yīng)、但量詞一對(duì)多的情況根據(jù)后面的名詞來翻譯量詞短語，即“一線”根據(jù)后面的名詞“金斑”，翻譯結(jié)果應(yīng)為“ ”空串。

4.3.1 識(shí)別實(shí)驗(yàn)及結(jié)果分析

對(duì)時(shí)間數(shù)字和量詞考慮句子的上下文信息，建立規(guī)則庫和模板庫，對(duì)量詞詳細(xì)分類分別建立平行語料庫實(shí)現(xiàn)翻譯，可以達(dá)到比較高的翻譯準(zhǔn)確率。時(shí)間數(shù)字、量詞、度量單位識(shí)別實(shí)驗(yàn)結(jié)果如表18—表20所示。

表18 時(shí)間數(shù)字識(shí)別實(shí)驗(yàn)結(jié)果表

續(xù)表

時(shí)間數(shù)字本方法P/%R/%F/%集合數(shù)詞85.6583.3484.47倍數(shù)96.5094.6795.58

表19 量詞識(shí)別實(shí)驗(yàn)結(jié)果表

表20 度量單位識(shí)別實(shí)驗(yàn)結(jié)果表

4.3.2 翻譯實(shí)驗(yàn)及結(jié)果分析

根據(jù)時(shí)間數(shù)字和量詞的解決方法不同，分別做對(duì)比實(shí)驗(yàn)，如表21—表24所示。

表21 時(shí)間數(shù)字翻譯實(shí)驗(yàn)結(jié)果表

可見，對(duì)Tilmach不能識(shí)別與翻譯的部分有歧義量詞和無歧義量詞應(yīng)使用人工編制規(guī)則、對(duì)有歧義量詞利用規(guī)則與統(tǒng)計(jì)相結(jié)合的方法使譯文質(zhì)量有明顯提高。

表22 量詞翻譯實(shí)驗(yàn)結(jié)果表

表23 基于規(guī)則與統(tǒng)計(jì)相結(jié)合的實(shí)驗(yàn)結(jié)果表

表24 單位翻譯實(shí)驗(yàn)結(jié)果表

表25 基線系統(tǒng)翻譯結(jié)果對(duì)比表

表25給出了本方法與Tilmach、中國民族語文翻譯局在線翻譯系統(tǒng)的性能進(jìn)行比較。本方法詳細(xì)分析漢維機(jī)器翻譯中時(shí)間、數(shù)字、量詞的歧義性、差異性和實(shí)際需求情況，對(duì)每一部分都分別采用不同的方法： 對(duì)時(shí)間、數(shù)字要考慮上下文介詞并采用不同的翻譯模板，對(duì)量詞最關(guān)鍵是分類并采用不同的識(shí)別與翻譯處理算法。所以本文最關(guān)鍵的工作是為提高漢-維機(jī)器翻譯系統(tǒng)中的翻譯準(zhǔn)確率對(duì)時(shí)間數(shù)字和量詞的分類采取不同的算法進(jìn)行研究。

5 結(jié)語

本文分析漢—維時(shí)間數(shù)字和量詞的差異性，時(shí)間表達(dá)式中觸發(fā)詞(年、月、日)、數(shù)字、量詞在不同的維語時(shí)間數(shù)字、量詞短語譯文也有所不同、利用統(tǒng)計(jì)的方法出現(xiàn)數(shù)字次序亂、標(biāo)點(diǎn)符號(hào)、詞尾丟失或多加等錯(cuò)誤情況。該方法根據(jù)它們的特點(diǎn)構(gòu)建人工編制規(guī)則庫、漢維翻譯模板，對(duì)這些包含前后介詞的時(shí)間數(shù)字翻譯為維吾爾語時(shí)，根據(jù)不同的時(shí)間表達(dá)式類型構(gòu)建對(duì)應(yīng)的規(guī)則庫和翻譯模板；對(duì)有歧義量詞和四種無歧義量詞構(gòu)建五種平行語料庫并輸出翻譯結(jié)果，對(duì)第一種有歧義量詞短語利用規(guī)則和統(tǒng)計(jì)相結(jié)合的方法、后四種無歧義量詞利用人工編制規(guī)則的方法使翻譯準(zhǔn)確率有明顯提高。該方法與Tilmach、中國民族語文翻譯局在線翻譯系統(tǒng)相比，在翻譯準(zhǔn)確率上有巨大的提高。本方法簡單，效率高，目標(biāo)明確。

未來相關(guān)的工作可以在其他少數(shù)民族語言中時(shí)間、數(shù)字和量詞方面共享，可以幫助提高整體領(lǐng)域的發(fā)展。

[1] 趙軍．命名實(shí)體識(shí)別、排歧和跨語言關(guān)聯(lián)[J]．中文信息學(xué)報(bào)，2009，23(2)： 3-17．

[2] Mathur S, Saxena V P．Hybrid Approach to English-Hindi Name Entity Transliteration[J]．Eprint Arxiv，2014．

[3] Deepti Bhalla，Nisheeth Joshi，Iti Mathur，et al.Improving the Quality of MT Output using Novel Name Entity Translation Scheme[C]//Proceedings of the 2013 International Conference on Advances in Computing，Communications and Informatics(ICACCI)．India，2013: 1548-1553．

[4] Maskey S R，Cmejrek M，Zhou B，et al．Class-based named entity translation in a speech to speech translation system[C]//Proceedings of the Spoken Language Technology Workshop，2008．Sl．2009： 253-256．

[5] Sebastian M P, Sheena KK, Kumar G S. Extension Schemes for the Alignment Model of English-Malayalam Statistical Machine Translator[C]//Proceedings of the 2012 International Conference on Advances in Computing and Communications. IEEE Computer Society, 2012： 86-89.

[6] Feng D，Lü Y，Zhou M．A new approach for English-Chinese named entity alignment[C]//Proceedings of the Conference on Empirical Methods in Natural Language Processing(EMNLP)．Stroudsburg，PA，2004： 372-379．

[7] Str?tgen J，Gertz M．HeidelTime： High quality rule-based extraction and normalization of temporal expressions[C]//Proceedings of the 5th International Workshop on Semantic Evalution．USA PA，Stroudsbury： Association for Computational Linguistics，2010： 321-324．

[8] 尹存燕，黃書劍，戴新宇，等．中英命名實(shí)體識(shí)別及對(duì)齊中的中文分詞優(yōu)化[J]．電子學(xué)報(bào)，2015，43(8)： 1481-1487．

[9] 鄭宏．漢英雙向時(shí)間數(shù)字和數(shù)量詞的識(shí)別與翻譯技術(shù)[D]．哈爾濱工業(yè)大學(xué)碩士學(xué)位論文，2011，6．

[10] 翟飛飛，夏睿，周玉，等．漢英雙向時(shí)間和數(shù)字命名實(shí)體的識(shí)別與翻譯系統(tǒng)[C].第五屆全國機(jī)器翻譯研討會(huì)論文集．2009： 172-179．

[11] 李風(fēng)環(huán)，鄭德權(quán)，趙鐵軍．基于淺層語義分析的主題事件的時(shí)間識(shí)別[J]．山東大學(xué)學(xué)報(bào)，2015，50(11)： 74-80．

[12] 趙紫玉，徐金安，張玉潔，等.規(guī)則與統(tǒng)計(jì)相結(jié)合的日語時(shí)間表達(dá)式識(shí)別[J]．中文信息學(xué)報(bào)，2013，27(6)： 192-200．

[13] 趙紫玉，徐金安，張玉潔，等．日語時(shí)間表達(dá)式識(shí)別與日漢翻譯研究[J].北京大學(xué)學(xué)報(bào)(自然科學(xué)版)，2014，50(1)： 180-186．

[14] 王偉，趙東巖，蘇婷婷．C-TERN： 一種基于CFSA的軍事新聞文本時(shí)間信息處理算法[J]．北京大學(xué)學(xué)報(bào)(自然科學(xué)版)，2014，50(1)： 9-16．

[15] 李君嬋，譚紅葉，王風(fēng)娥．中文時(shí)間表達(dá)式及類型識(shí)別[J]，計(jì)算機(jī)科學(xué)，2012，39(11A)： 191-194,211．

[16] 鄔桐，周雅倩，黃萱菁，等．自動(dòng)構(gòu)建時(shí)間基元規(guī)則庫的中文時(shí)間表達(dá)式識(shí)別.中文信息學(xué)報(bào)[J]，2010，24(4)： 3-10．

[17] 楊萍，侯宏旭，蔣玉鵬，等．基于雙語對(duì)齊的漢語-新蒙古文命名實(shí)體翻譯[J]．北京大學(xué)學(xué)報(bào)(自然科學(xué)學(xué)報(bào))，2016，52(1)： 148-154.

[18] 王斯日古楞，斯琴圖，那順烏日?qǐng)D，等．漢蒙機(jī)器翻譯系統(tǒng)中量詞翻譯[J]．中文信息學(xué)報(bào)，2010，24(5)： 92-95．

[19] 鄒樂琳，吐爾根·依布拉音，麥熱哈巴·艾力，等.基于詞干提取的維吾爾語事件類時(shí)間短語識(shí)別[J]．計(jì)算機(jī)工程與設(shè)計(jì)，2014，35(2)： 625-630．

[20] 張磊，楊雅婷，米成剛，等．維吾爾語數(shù)詞類命名實(shí)體的識(shí)別與翻譯[J]．計(jì)算機(jī)應(yīng)用與軟件，2015，32(8)： 64-67．

[21] 孫德金．漢語語法教程[M]．民族版．北京語言大學(xué)出版社．2012．

Research on Recognition and Translation of Chinese -Uyghur Time and Numeral and Quantifier

Ayiguli Halike1,2，Hasan Wumaier1,2，Tuergen Yibulayin1,2，Kahaerjiang Abiderexiti1,2，Maihemuti Maimaiti1,2

(1．School of Information Science and Engineering，Xinjiang University，Urumqi，Xinjiang 830046，China；2．Xinjiang Laboratory of Multi-Language Information Technology，Urumqi，Xinjiang 830046，China)

The Chinese-Uyghur statistical machine translation system for times, numerals and quantifiers generalization ability are relatively weak. This paper uses a corpus approach to mine and extract the Chinese times, numerals and quantifier, realizing context based ambiguous quantifier translation. Experimental results show that the proposed method achieves 93.23%, 90.15%, 96.55%, and 87.58% in F-measure for the translation of times, numerals, unambiguous quantifiers and ambiguous quantifiers.

times and numerals; unambiguous quantifiers; ambiguous quantifiers; translation rules;translation template

阿依古麗?哈力克(1991—),碩士,主要研究領(lǐng)域?yàn)樽匀徽Z言處理與機(jī)器翻譯。E-mail:1506867752@qq.com艾山?吾買爾(1981—),通信作者,副教授,主要研究領(lǐng)域?yàn)樽匀徽Z言處理與機(jī)器翻譯。E-mail:hasan1479@xju.edu.cn吐爾根?伊布拉音(1958—),教授,主要研究領(lǐng)域?yàn)樽匀徽Z言處理、機(jī)器翻譯、軟件工程。E-mail:turgun@xju.edu.cn

1003-0077(2016)06-0190-11

2016-05-31 定稿日期： 2016-07-20

新疆多語種信息技術(shù)實(shí)驗(yàn)室開放課題(2016D03023);國家重點(diǎn)基礎(chǔ)研究發(fā)展(973)計(jì)劃(2014CB340506);國家自然科學(xué)基金(61331011，61262060，61262061，61063026，61462083)

TP391

A