孫霞++沈韓

摘 要： 為了提高機器英語翻譯的準確性和合理性，提出一種基于模糊語義最優(yōu)解選取的機器英語翻譯方法。構(gòu)建機器英語翻譯的信息抽取模型，建立機器英語翻譯的模糊語義主題詞屬性表，采用灰色關(guān)聯(lián)特征匹配方法計算英語翻譯的語義相似度，實現(xiàn)英語翻譯中前后文的語義模糊映射。建立語義映射關(guān)系，計算得到模糊語義最優(yōu)解。實驗測試結(jié)果表明，采用該方法進行機器英語翻譯，語義信息的召回性能較好，主題詞的特征匹配度較高。

關(guān)鍵詞： 機器英語翻譯； 語義選??； 語義模糊映射； 信息抽取

中圖分類號： TN911?34； TP391 文獻標識碼： A 文章編號： 1004?373X（2017）12?0031?03

Abstract： In order to improve the accuracy and rationality of English machine translation， a machine translation method based on semantic fuzzy optimal solution selection is proposed. An information extraction model and an attribute table of fuzzy semantic subject words are made for English machine translation. The semantic similarity of English translation is calculated with the grey correlation feature matching method to realize the semantic fuzzy mapping of semantic context in English translation. The semantic mapping relation is established. The fuzzy semantic optimal solution is obtained by means of calculation. The experimental results show that the proposed method has better recall performance of semantic information for the English machine translation， and high feature matching rate of subject words.

Keywords： English machine translation； semantic selection； semantic fuzzy mapping； information extraction

隨著智能翻譯技術(shù)的發(fā)展，采用機器翻譯進行英語翻譯，逐漸取代人工翻譯，且翻譯的準確度不斷提高和改進[1]。在采用機器軟件進行英語翻譯中，需要進行語義識別和特征分析，采用機器智能識別方法進行英語上下文和前后文的語義信息抽取，構(gòu)建英語的英語信息模型，結(jié)合模糊語義識別技術(shù)提高英語翻譯的智能化水平[2?3]。采用模糊語義最優(yōu)解計算方法從語義上對英語翻譯的內(nèi)容進行合理性組織和內(nèi)容創(chuàng)作，從主題內(nèi)容上體現(xiàn)了原文創(chuàng)作者的主觀性，提高英語翻譯的智能化和自動化水平。為了提高機器英語翻譯的智能化水平，本文提出一種基于模糊語義最優(yōu)解選取的機器英語翻譯方法，構(gòu)建機器英語翻譯的信息抽取模型，進行模糊語義最優(yōu)解選取，得出有效性結(jié)論。

1 機器英語翻譯的語義模型

1.1 機器英語翻譯的自然語言處理

在構(gòu)建機器英語翻譯的語義模型[4]之前，首先考慮圖1所示的兩組英語翻譯實例集合的本體片段。

以圖1為例，進行機器英語翻譯的自然語言處理，英語單詞“image”可以表示一張圖片，同義詞“image”和“picture”具有模糊映射關(guān)系[5]，英語翻譯中同義詞與語義信息相關(guān)的可能的語義映射關(guān)系描述為：

結(jié)合圖1（a）機器英語翻譯的自然語言處理中左側(cè)的“Mountain”節(jié)點的兩個標簽，使用概念之間的泛化關(guān)系（Is?less_than）對自然語言的上下文進行處理和分析，改善機器語言翻譯中的智能化水平。

1.2 機器英語翻譯的語義本體映射模型建立分析

在上述進行了機器英語翻譯的自然語言處理的基礎(chǔ)上，針對不同本體的概念之間的目標（或?qū)ο?、準則）進行模糊評價，分析領(lǐng)域知識中的最大語義相關(guān)度值符號集合，由二元組（sk，ak）來表示任意詞匯Wi和Wj之間機器英語翻譯的置信度。

定義2 設是一個語義修飾目標的二元特征組合，其中為集合S中第k個元素，，則在簡單語義單元中存在英語翻譯的定語修飾函數(shù)為：

假設和為兩個二元語義，在進行機器英語翻譯中，將定語從句劃入到主句，在從句范圍選擇時得到一個關(guān)于二元語義的語法本體映射模型描述為：

（1） 在語義分析時，若，那么；

（2） 若，那么有：，則； ，則；，則。

2 模糊語義最優(yōu)解選取實現(xiàn)

2.1 英語翻譯的語義相似度計算

在上述構(gòu)建了機器英語翻譯的語義模型和進行自然語言信息抽取處理的基礎(chǔ)上，進行模糊語義最優(yōu)解選取方法改進設計，提高機器英語翻譯的智能化水平，建立機器英語翻譯的模糊語義主題詞屬性表如圖2所示。

圖2 模糊語義主題詞屬性表

在圖2建立機器英語翻譯的模糊語義主題詞屬性表中，采用灰色關(guān)聯(lián)特征匹配方法計算英語翻譯的語義相似度，設整個主題詞表中的語義二元組和為任意直接上位詞的英語翻譯信息，對各分向量的歐氏距離為：

式中：。根據(jù)語義相似度計算結(jié)果，實現(xiàn)英語翻譯中前后文的語義模糊映射，建立語義映射關(guān)系。

2.2 模糊語義最優(yōu)解選取計算

在計算了語義相似度的基礎(chǔ)上，根據(jù)前述建立的機器英語翻譯的模糊語義主題詞屬性表，進行英語翻譯過程中的主題詞語義最佳匹配搜索，采用循環(huán)堆?？刂扑阉鞣椒ㄟM行模糊語義匹配控制，英語翻譯的語義配準搜索的示意圖如圖3所示。

結(jié)合圖3給出的英語機器翻譯的語義搜索過程，對文檔di進行英語翻譯的綜合權(quán)重的相似度計算，設是一組二元語義信息，設X，Y是兩個待比較的詞語，計算出詞Y的語義抽取向量為， ，則二元語義加權(quán)算術(shù)平均算子φ2定義為：

式中：。

在英語翻譯中，將一些常用的短語被劃分為幾個詞語，根據(jù)詞語在文本中的位置，計算出詞Y在文本中的語義中心向量C（Y），則X，Y在英語翻譯過程中的相似度為：

通過機器語言識別方法對英語翻譯的用詞進行特征過濾和位置標注，對各分向量進行標準化，得到機器英語翻譯的前后文的語義模糊概念集R（X）的中心向量C（X），兩個詞語的可靠性翻譯的聯(lián)合特征概率密度為：

機器英語翻譯中模糊語義最優(yōu)解選擇的實現(xiàn)偽代碼算法描述為：

BEGIN

Word Formal t = NEW emantic fuzzy； //初始化短文檔集合

grey correlation = NEW semantic topic；

//初始化向量空間及主題詞（敘詞）款目

Word = English translation （WordList）； //語義信息抽取

WHILE（semantic context IS NOT NULL）{

IF（Word emantic fuzzy optimal）{

Word = feature matching （semantic information）；

}

//若不在主題詞表中，調(diào)整系數(shù)進行翻譯的整體性搜索

ELSE{

Node = semantic information （reasonable）；

//翻譯合理性分析

Sim = matching calculation （Word， Node）；

//語義相似度度量

Sim_List.put（lauygdbgfOf（Sfgr））；

sefrhtje = lagthte（selhtjhtdNgthde）；

//選擇文本內(nèi)容最大相似度值的翻譯語義映射

}

Word.rfregvface（lf（Simregrfist）.Nbtjuke）； // 統(tǒng)計分詞

Word = Nfrgvrrd（Wdefggfgrthgbtt）；

}

END

3 實驗測試分析

最后在Matlab仿真環(huán)境中進行實驗分析，分析通過模糊語義最優(yōu)解選取機器英語翻譯的準確性和合理性建模的性能。實驗中，采用標準度量指標：語義信息的召回率、主題詞的特征匹配度為測量值，通過綜合決策，采用10個本體實例進行英語機器翻譯，得到不同閾值下的機器英語翻譯的特征匹配度如圖4所示，為了對比性能，采用不同方法得到機器英語翻譯的信息召回率對比結(jié)果如圖5所示。

分析上述仿真結(jié)果得知，本文方法進行機器英語翻譯的語義特征匹配性能較好，調(diào)整閾值系數(shù)進行翻譯的整體性和合理性修正，提高了英語翻譯的準確度；本文方法進行機器英語翻譯的召回率較高，說明英語翻譯的上下文映射能力較強、翻譯的整體質(zhì)量較高。

4 結(jié) 語

針對傳統(tǒng)的選取方法存在選取精度低的問題，提出基于模糊語義最優(yōu)解選取的機器英語翻譯方法，并進行了實驗分析，結(jié)果表明，采用該方法進行機器英語翻譯，語義信息的召回性能較好，主題詞的特征匹配度較高，說明翻譯的合理性和準確性較好。

參考文獻

[1] 辛宇，楊靜，湯楚蘅，等.基于局部語義聚類的語義重疊社區(qū)發(fā)現(xiàn)算法[J].計算機研究與發(fā)展，2015，52（7）：1510?1521.

[2] 匡桂娟，曾國蓀，熊煥亮.關(guān)注用戶服務評價反饋的云資源再分配方法[J].計算機應用，2015，35（7）：1837?1842.

[3] LI Chenliang， SUN Aixin， ANWITAMAN D. TSDW： two?stage WSD using Wikipedia [J]. Journal of the American Society for Information Science and Technology， 2013， 64（6）： 1203?1223.

[4] 吳江，唐常杰，李太勇，等.基于語義規(guī)則的Web金融文本情感分析[J].計算機應用，2014，34（2）：481?485.

[5] 鄒亮，徐德智，郭維.基于參考點的大規(guī)模本體擴散映射算法[J].小型微型計算機系統(tǒng)，2013，34（7）：1507?1513.

[6] 黃果，周竹榮.基于領(lǐng)域本體的概念語義相似度計算研究[J].計算機工程與設計，2007，28（10）：2460?2463.

[7] 石倩，陳榮，魯明羽.基于規(guī)則歸納的信息抽取系統(tǒng)實現(xiàn)[J].計算機工程與應用，2008，44（21）：166?170.

[8] 粟千.弱化語法規(guī)則下英文機器翻譯的優(yōu)化仿真[J].計算機仿真，2016，33（11）：414?417.