19、统计机器翻译的多模型探索与优化

统计机器翻译的多模型探索与优化

在统计机器翻译（SMT）领域，为了不断提升翻译性能，研究者们探索了多种方法和模型。这些方法各有优劣，通过对不同模型的研究和改进，有望实现更准确、更自然的翻译效果。

1. 替代解码路径与回退模型

实验表明，使用替代解码路径能够提升翻译性能。这意味着可以通过表层翻译模型和形态模型来构建翻译选项。当将单词视为标记的基本模型在训练中频繁观察到这些标记时，其效果最佳。然而，对于罕见或未见过的单词，数据稀疏问题往往导致无法正确估计翻译规则，此时形态模型就能发挥作用。

基于此，我们定义了翻译的回退模型。就像语言模型从高阶 n - 元模型回退到低阶 n - 元模型一样，如果第一个翻译模型无法覆盖某些情况，我们可以回退到另一个模型。回退意味着存在一系列翻译模型，低优先级模型仅在高优先级模型不适用时使用。

语言模型的经验显示，插值回退具有优势。在翻译模型中，我们也可以采用类似的方法，不过插值计算应在训练阶段而非解码阶段进行。未来的研究将报告回退模型的实验结果。

2. 因子化翻译模型

因子化翻译模型是一种在单词级别使用额外注释来改进统计机器翻译模型的框架。它主要通过两种方式实现改进：
- 允许基于更丰富统计信息估计更通用的模型，如词元翻译模型、词性或形态序列模型。
- 引入额外的语言知识，例如在重新排序时加以利用。

该框架通过丰富输入、丰富输出、更复杂的重新排序模型以及基于形态分析的翻译模型，实现了翻译性能的提升。未来，我们计划将因子化翻译模型的思想应用于基于树的方法，创建一种可描述为概率同步统一语法的形式体系。

3. 分层统计机器翻译的软语法特