基于藏语语义分析的机器翻译技术研究

计算机工程与应用 ›› 2015, Vol. 51 ›› Issue (15): 134-137.

• 数据库、数据挖掘、机器学习 • 上一篇下一篇

基于藏语语义分析的机器翻译技术研究

何向真1，万福成1，于洪志1，吴玺宏2

1.西北民族大学甘肃省民族语言智能信息处理重点实验室，兰州 730030
2.北京大学机器感知与智能重点实验室言语听觉研究中心，北京 100871

出版日期:2015-08-01 发布日期:2015-08-14

Machine translation technology based on Tibetan semantic parsing

HE Xiangzhen1, WAN Fucheng1, YU Hongzhi1, WU Xihong2

1.Key Laboratory of National Language Intelligent Processing, Gansu Province, Northwest University for Nationalities, Lanzhou 730030, China
2.Speech and Hearing Research Center, Key Laboratory of Machine Perception and Intelligence, Peking University, Beijing 100871, China

Online:2015-08-01 Published:2015-08-14

摘要/Abstract

摘要： 藏汉机器翻译技术跟汉英机器翻译技术有所不同，其中，很重要的一个方面，藏语更依赖于格助词等虚词在句子中的作用，格助词种类繁多，用法差异很大。针对藏语格助词进行分析，在藏语短语句法树库的基础上，加入了藏语本体特征的语义信息，形成融合藏语语义信息的藏汉机器翻译方法。通过对比基于短语和句法的实验分析，该方法可以很好地应用于藏汉机器翻译系统。

关键词: 语义分析, 藏语句法, 藏汉机器翻译

Abstract: Tibetan-Chinese machine translation is different from Chinese-English machine translation. One important reason, Tibetan is more dependent on the role of function word like the case-auxiliary word in the sentences. Classes of case-auxiliary words are various and the use of them is extremely different. This paper is to analyze the Tibetan case-auxiliary words, integrate the semantic cues on the basis of Tibetan syntax tree, form the method of Tibetan-Chinese machine translation which is based on semantic cues. Through the experiment between the model of phrase and semantic, this method can be useful for Tibetan-Chinese machine translation.

Key words: semantic parsing, Tibetan syntax, Tibetan-Chinese machine translation

何向真1，万福成1，于洪志1，吴玺宏2. 基于藏语语义分析的机器翻译技术研究[J]. 计算机工程与应用, 2015, 51(15): 134-137.

HE Xiangzhen1, WAN Fucheng1, YU Hongzhi1, WU Xihong2. Machine translation technology based on Tibetan semantic parsing[J]. Computer Engineering and Applications, 2015, 51(15): 134-137.

[1]	肖宝1，李璞2，3，蒋运承2. 混合词汇特征和LDA的语义相关度计算方法[J]. 计算机工程与应用, 2017, 53(12): 152-157.
[2]	张会兵1，何彩梅1，胡晓丽1，裴东良2. 融合行为和语义的节点影响力分析[J]. 计算机工程与应用, 2017, 53(11): 151-154.
[3]	肖和，付丽娜，姬东鸿. 神经网络与组合语义在文本相似度中的应用[J]. 计算机工程与应用, 2016, 52(7): 139-142.
[4]	孙曰昕，马慧芳，姚伟，张志昌. 结合互信息和主题模型的微博话题发现方法[J]. 计算机工程与应用, 2016, 52(6): 61-66.
[5]	万福成1，于洪志1，吴玺宏2，何向真1. 面向机器翻译的藏语短语句法研究[J]. 计算机工程与应用, 2015, 51(13): 211-215.
[6]	徐晨凯，高茂庭. 使用LSA降维的改进ART2神经网络文本聚类[J]. 计算机工程与应用, 2014, 50(24): 133-138.
[7]	马雯雯1，魏文晗1，邓一贵1，2. 基于隐含语义分析的微博话题发现方法[J]. 计算机工程与应用, 2014, 50(1): 96-100.
[8]	李颖1，池毓焕2. 基于HNC语义分析模型的文图转换研究[J]. 计算机工程与应用, 2013, 49(11): 135-139.
[9]	晋耀红1，2. 一种混合策略的专利机器翻译系统研究[J]. 计算机工程与应用, 2012, 48(4): 29-32.
[10]	钟将，刘荣辉. 一种改进的KNN文本分类[J]. 计算机工程与应用, 2012, 48(2): 142-144.
[11]	张玉芳，张洪，熊忠阳，李文田. 结合概率潜在语义分析的文本谱聚类方法研究[J]. 计算机工程与应用, 2011, 47(36): 134-136.
[12]	张巍^1，2，陈俊杰¹. 浅层语义分析及SPARQL在问答系统中的应用[J]. 计算机工程与应用, 2011, 47(2): 118-120.
[13]	李银花1，王素格2. 文本褒贬倾向判别研究[J]. 计算机工程与应用, 2011, 47(18): 160-162.
[14]	汪红林^1，2，王红玲^1，2，周国栋^1，2. 语义分析中谓词标识的特征工程[J]. 计算机工程与应用, 2010, 46(9): 134-137.
[15]	陈登科，孔繁胜. 基于高斯pLSA模型与项目的协同过滤混合推荐[J]. 计算机工程与应用, 2010, 46(23): 209-211.

基于藏语语义分析的机器翻译技术研究

Machine translation technology based on Tibetan semantic parsing

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics