8、文学翻译中源语言痕迹的追寻

文学翻译中源语言痕迹的追寻

1. 数据准备

从每部小说中随机提取 200kB 的文本，并将其分成 10kB 的片段，每种源语言得到 120 个文本块。由于所选语言的翻译文本有限，以及对小说大小的限制和避免与先前实验重叠，无法构建更大的数据集。

2. 特征集

• 文档级特征 ：考虑与前人研究相同的文档级特征，具体如下表所示：
  | 编号 | 特征 | 描述 |
  | — | — | — |
  | 1 | Avgsent | 平均句子长度 |
  | 2 | Avgwordlength | 平均单词长度 |
  | 3 | ARI | 可读性指标 |
  | 4 | CLI | 可读性指标 |
  | 5 | Typetoken | 词型：总词数 |
  | 6 | Numratio | 数字：总词数 |
  | 7 | Fverbratio | 限定动词：总词数 |
  | 8 | Prepratio | 介词：总词数 |
  | 9 | Conjratio | 连词：总词数 |
  | 10 | Infoload | 开放类词：总词数 |
  | 11 | Dmarkratio | 话语标记：总词数 |
  | 12 | Nounratio | 名词：总词数 |
  | 13 | Grammlex | 开放类词：封闭类词 |
  | 14 | Simplecomplex | 简单句：复合句 |
  | 15 | Pnounratio | 代词：总词数 |
  | 16 | Lexrichness | 词元：总