刘宇鹏，马春光，朱晓宁，乔秀明

(1.哈尔滨理工大学 软件学院，黑龙江 哈尔滨 150001； 2.哈尔滨工程大学 计算机科学与技术学院，黑龙江 哈尔滨 150001； 3.哈尔滨工业大学 计算机学院，黑龙江 哈尔滨 150001)

多领域机器翻译中的非参贝叶斯短语归纳

刘宇鹏1,2，马春光2，朱晓宁3，乔秀明3

(1.哈尔滨理工大学 软件学院，黑龙江 哈尔滨 150001； 2.哈尔滨工程大学 计算机科学与技术学院，黑龙江 哈尔滨 150001； 3.哈尔滨工业大学 计算机学院，黑龙江 哈尔滨 150001)

多领域机器翻译一直以来都是机器翻译领域研究的重点，而短语归纳是重中之重。传统加权的方法并没有考虑到整个归约过程，本文提出了一种使用层次化的Pitman Yor过程进行短语归约，同时把多通道引入到模型中，使得在短语归约的过程中平衡各领域的影响；从模型角度，本文的方法为生成式模型，模型更有表现力，且把对齐和短语抽取一起建模，克服了错误对齐对原有短语抽取性能的影响。从复杂度上来说，该模型独立于解码，更易于训练；从多领域融合来说，对短语归约过程中进行融合，更好地考虑到整个归约过程。在两种不同类型的语料上验证了机器翻译的性能，相对于传统的单领域启发式短语抽取和多领域加权，BLEU分数有所提高。

多领域机器翻译； 非参贝叶斯； 短语归纳； Pitman Yor过程； 生成式模型； 块采样； 中餐馆过程； BLEU分数

随着互联网技术的快速发展，信息增长的速度越来越快，更加凸显出了自然语言处理和机器翻译任务的重要性。领域自适应作为机器翻译任务的一个重要应用，一直吸引着很多研究者投入其中，关于这个方面的研讨会也是数不胜数。……