皮謹(jǐn)煜

摘 要： 為了提高英語機(jī)器翻譯的準(zhǔn)確性和自適應(yīng)跟隨性，需要進(jìn)行模糊語義選取。提出基于概念集上下文匹配的英文語義機(jī)器翻譯中的模糊語義選取技術(shù)，采用模糊語義本體映射方法進(jìn)行英文機(jī)器翻譯的語義特征篩選，得到本體內(nèi)部所有英語文本上下文的語義信息參量，對參量進(jìn)行自適應(yīng)伴隨跟蹤，計算概念語義相似度，設(shè)計翻譯語義偏離反饋系數(shù)進(jìn)行誤差修正，實現(xiàn)模糊語義選取。試驗測試結(jié)果表明，采用該方法進(jìn)行模糊語義選取，對英語語義機(jī)器翻譯的查準(zhǔn)率較高，翻譯準(zhǔn)確性得到提高。

關(guān)鍵詞： 機(jī)器翻譯； 模糊語義選取； 本體映射； 自適應(yīng)跟隨性

中圖分類號： TN911?34； TP391 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2017）22?0042?03

Abstract： As fuzzy semantic selection needs to be performed to improve the accuracy and adaptive following performance of English machine translation， a fuzzy semantic selection technology based on the context match of concept sets is proposed for English semantic machine translation. The fuzzy semantic ontology mapping method is adopted to select semantic features in English machine translation so that all the contextual semantic information parameters in English text inside the ontology are obtained. To realize fuzzy semantic selection， the adaptive tracking are performed for the parameters， the concept semantic similarity is computed， and the semantic deviation feedback coefficient is designed for error correction. The test results show that the method for fuzzy semantic selection in English semantic machine translation has high precision ratio and the translation accuracy can be improved.

Keywords： machine translation； fuzzy semantic selection； ontology mapping； adaptive following performance

0 引 言

隨著信息處理技術(shù)的發(fā)展，大量的智能翻譯軟件不斷出現(xiàn)，機(jī)器翻譯逐漸取代人工翻譯，而成為未來英語翻譯的一個重要角色，機(jī)器翻譯的準(zhǔn)確性和自適應(yīng)性成為未來翻譯軟件研究的重要課題。對機(jī)器翻譯的優(yōu)化問題是建立在語義選擇和特征提取基礎(chǔ)上，通過提取英語上下文的文本語義信息特征，結(jié)合智能分析和語義信息檢索技術(shù)，實現(xiàn)語義信息的本體映射和自適應(yīng)伴隨跟蹤，結(jié)合模式識別方法實現(xiàn)英語智能翻譯，研究英文語義機(jī)器翻譯中的模糊語義選取技術(shù)，在優(yōu)化機(jī)器翻譯軟件設(shè)計，提高翻譯準(zhǔn)確性和人工智能性方面具有重要意義。傳統(tǒng)方法主要有主題樹特征匹配方法[1]、支持向量機(jī)算法、粒子群進(jìn)化方法等[2]，對英文翻譯語義特征進(jìn)行語言評價集模型構(gòu)建和特征組合匹配，提高翻譯的準(zhǔn)確性，取得了一定的研究成果，但是傳統(tǒng)方法存在上下文干擾抑制能力不強(qiáng)，容易出現(xiàn)耦合干擾等問題。對此，提出基于概念集上下文匹配的英文語義機(jī)器翻譯中的模糊語義選取技術(shù)，實現(xiàn)模糊語義選取，通過仿真試驗進(jìn)行了性能測試，展示了本文方法在提高英文機(jī)器翻譯的查準(zhǔn)率方面的優(yōu)越性能。

1 英文機(jī)器翻譯的語義特征篩選

1.1 模糊語義本體映射

為了實現(xiàn)英文語義機(jī)器翻譯中的模糊語義選取和翻譯自適應(yīng)跟隨優(yōu)化，首先構(gòu)建模糊語義本體映射模型。采用模糊語義本體映射方法進(jìn)行英文機(jī)器翻譯的語義特征篩選，進(jìn)行機(jī)器英語翻譯的語義分析和模塊提取，設(shè)定語義映射關(guān)系結(jié)構(gòu)，在語義映射模塊中進(jìn)行二元語義判斷和英文翻譯的語法分析和糾正[3]，得到英文機(jī)器翻譯模糊語義本體映射過程。

根據(jù)模糊語義本體映射模型，構(gòu)建英文機(jī)器翻譯的綜合評價決策函數(shù)為：

1.2 語義信息特征提取

采用模糊語義本體映射方法進(jìn)行英文機(jī)器翻譯的語義特征篩選，得到本體內(nèi)部所有英語文本上下文的語義信息參量集合為：

在圖1中的英語語義相似本體片段中，計算概念語義相似度。設(shè)[s1，a1，s2，a2，…，sn，an]是一組二元語義信息，在本體中，英語語義特征信息的知識存儲的基本單元的權(quán)重向量為[ω=ω1，ω2，…，ωnT]，[ωj∈0，1]，則語義映射的二元加權(quán)算術(shù)平均算子φ1定義為：

2 模糊語義選取技術(shù)改進(jìn)實現(xiàn)

在進(jìn)行英文機(jī)器翻譯的語義特征篩選和語義本體映射建?；A(chǔ)上，進(jìn)行模糊語義選取優(yōu)化設(shè)計，提高英文語義機(jī)器翻譯準(zhǔn)確性，提出基于概念集上下文匹配的模糊語義選取技術(shù)[5]，對本體內(nèi)部所有英語文本上下文語義信息參量進(jìn)行自適應(yīng)伴隨跟蹤，自適應(yīng)伴隨跟蹤目標(biāo)函數(shù)記為：

3 仿真試驗與結(jié)果分析

為了測試本文方法在實現(xiàn)英文語義機(jī)器翻譯中的模糊語義選取和英文機(jī)器翻譯的優(yōu)越性能，進(jìn)行仿真實驗分析。試驗采用Matlab 7 仿真設(shè)計，測試數(shù)據(jù)來自于Textile Science英文機(jī)器翻譯的文本庫，使用OAEI語義特征數(shù)據(jù)集作為英文機(jī)器翻譯的訓(xùn)練函數(shù)集，參考本體包含32個概念集，語義映射參考本體N=1 024，含有65個屬性集。根據(jù)仿真環(huán)境和參量設(shè)定，以英語機(jī)器翻譯的模糊語義選擇查全率、查準(zhǔn)率為測試指標(biāo)，得到不同方法進(jìn)行翻譯測試結(jié)果如圖2和圖3所示。

分析圖2和圖3結(jié)果得知，采用本文方法進(jìn)行英文語義機(jī)器翻譯中的模糊語義選取，提高了翻譯過程中的查全率和查準(zhǔn)率，從而提高了翻譯的準(zhǔn)確性。

4 結(jié) 語

本文進(jìn)行了英文機(jī)器翻譯的優(yōu)化語義選取設(shè)計，采用模糊語義本體映射方法進(jìn)行英文機(jī)器翻譯的語義特征篩選，得到本體內(nèi)部所有英語文本上下文的語義信息參量，對參量進(jìn)行自適應(yīng)伴隨跟蹤，設(shè)計翻譯語義偏離反饋系數(shù)進(jìn)行誤差修正，實現(xiàn)模糊語義選取。研究得知，采用該方法進(jìn)行模糊語義選取，提高了英語語義機(jī)器翻譯的查準(zhǔn)率和查全率，機(jī)器翻譯的準(zhǔn)確性得到改善。

參考文獻(xiàn)

[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(jī)研究與發(fā)展，2015，52（7）：1510?1521.

[2] 冶忠林，楊燕，賈真，等.基于語義擴(kuò)展的短問題分類[J].計算機(jī)應(yīng)用，2015，35（3）：792?796.

[3] 楊磊磊，陳松燦.最壞分離的聯(lián)合分辨率判別分析[J].軟件學(xué)報，2015，26（6）：1386?1394.

[4] 章登義，吳文李，歐陽黜霏.基于語義度量的RDF圖近似查詢[J].電子學(xué)報，2015，43（7）：1320?1328.

[5] 蔣本立，張小平.大數(shù)據(jù)網(wǎng)絡(luò)的均衡調(diào)度平臺設(shè)計與改進(jìn)[J].現(xiàn)代電子技術(shù)，2016，39（6）：62?65.

[6] BENGIO Y， COURVILLE A， VINCENT P. Representation learning： a review and new perspectives [J]. IEEE transactions on pattern analysis and machine intelligence， 2013， 35（8）： 1798?1828.endprint