（太原理工大学国际合作处，山西 太原 030024）

0 引言

在经济全球化的大背景下，大量的国际交流合作带来了机器翻译的极大需求，这对于机器翻译的质量也就有了更高的要求。显然，如何提升机器翻译的质量是一项重要的研究内容，这就需要对机器翻译质量进行客观合理的评价。而目前的机器翻译评价指标存在着对译文评分效果较差的情况，因此，有必要对机器翻译质量估计算法进一步研究，以进行优化改进。

1 机器翻译的基础算法与模型构建

1.1 基本模型简述

在以往的机器翻译质量估计的研究中，研究重点主要是对语法相关特征进行提取，以及对语义问题的研究，较为常用的方法是，忽略句子中单词的顺序，将句子转换为单词的集合，使用各个单词的向量平均值对该语句进行编码，再对编码后所得到的向量进行拼接，则得到输入特征。这种方法由于忽略了语句中的单词顺序，因此几乎无法提取到语句中深层次的含义[1]。由此，循环神经网络编码的方式应运而生，目前，较为常用的是GRU 编码器和解码器，以实现对语句序列的研究，同时，考虑到机器翻译领域往往需要较大的常见语言对数据集，因此，通常还需要引入神经网络机器翻译模型，来对数据集中的平行语料加以有效利用。整体来看，算法的基本模型分为神经网络机器翻译模型和译文质量估计模型，在输入特征向量的基础上，实现最终的质量输出。

1.2 语料库的构建和识别

构建语料库的作用是，识别两种语言下的短语词性，并为这些短语赋予基础功能，以提升自动识别的精确度和速度。在具体的语料库构建中，通常涵盖了30万个中文单词和28万个英文单词，这些单词能够构造出大量的语句和短语，基本涵盖了日常交际、商务、科研等各方面的正常沟通和翻译。

在语料库的识别方面，通过词性标记后，语句就会被划分为若干个单词，单词组成短语后，通过词性识别，就形成了句法树，短语中各单词之间的关系也就得到确定，以确保翻译的效率和质量得到提高。目前，GLR 算法是词性识别中较为常用的算法，其主要是根据动态识别表单和无条件转移语句，实现对短语上下文的似然性的分辨，在GLR 算法中，如发现语法歧义，则会通过句法的几何结构线性表进行解析，以进行符号识别。以往的GLR 算法在符号识别过程中精确度相对较低，为此，研究人员通过以短语中心点构造短语结构的方式，改进了GLR 算法，使得该算法的识别精度显著提高[2]。

1.3 自动识别算法的校正

在翻译自动识别算法中，由于汉语和外语之间存在较多的结构歧义，因此词性识别的校正是一个必要的步骤。通常，通过解析线性表的方式进行短语动作和句法功能的识别，对于句法功能的识别则相对较为完善，能够通过推进、归纳、接受、终止和出错等指针，对翻译错误进行识别，再利用语料库中的标记内容对错误进行更正[3]。具体来看，归纳和推进指针的作用相类似，都是对终止符位置的重新替换，但归纳指针能够重新制定句法功能识别。终止指针则会在可能产生结构歧义的节点产生，当终止指针出现后，算法会自动进行分析，确认中心点符号是否位于正确语句结构中，如发现异常则会直接调取出错指针进行校正。

2 融合翻译知识的机器翻译算法训练

2.1 所使用的模型

训练中所采用的模型由两部分组成，第一部分是两个翻译方向相反的神经网络机器翻译模型，第二部分则是QE 模型，其中，第一部分的主要作用是，实现源语言和目标语言之间的相互翻译，为两个结构完全相同的NMT 模型，两个模型之间的向量参数也基本相同。编码器则为GRU 编码器，初始状态为零向量，在计算过程中，先将单词映射为对应的向量，然后进行输入和计算，计算完成后输出结果，并使用解码器进行解码，解码器仍为GRU 解码器[4]。

2.2 训练过程

该算法的主要训练过程如下：

（1）对所使用的模型中的所有参数，包括词向量参数，全部随机初始化。

（2）对两个NMT 模型进行交替训练。具体的交替训练过程如下：首先，对第一个NMT 模型进行若干个迭代训练，并将batch 压入队列当中，当迭代的batch 达到一定数量后，对第二个NMT 模型进行训练，依次弹出第一个NMT 模型中所压入的batch，以用于第二个NMT 模型的迭代训练，输出的loss 则为两个NMT 模型的loss 值的平均数。除了交替训练的方式外，也可使用联合训练的方式，即采用同一个batch对两个NMT模型进行同时训练，相对而言，联合训练的方式在保证效果的前提下，训练方式更为简单快捷，因此应用也相对较多。

（3）NMT 模型训练完成后，在QE 训练集上训练，以得到最终模型。

3 译文质量的估计模型及评价

相关研究表明，要提升译文质量，其关键在于对其源语言和目标语言的语句，但受到QE 模型数据集规模的限制，无法直接通过QE 数据集进行源语言和目标语言之间的复杂对齐关系，因此，通常需要采用额外的数据包或工具加以进行。目前，较为常见的对齐方式是SMT 中的硬对齐方式，并采用特殊结构，对NMT 模型中的对齐模型进行改进。

该对齐模型主要分为用于最终预测的Word-level QE模型和提供对齐信息的NMT 模型，其中，预测模型主要用于输入源语句和对应的机器翻译译文信息等，所输入的目标语句向量则由目标端单词词向量、目标端单词左边和右边单词的词向量以及目标端三个单词所对应的POS 向量等。同时，该模型还存在着隐层，隐层又可分为若干个子层，分为以下几个结构：两个前向全连接层；双向的GRU；一个BiGRU。

在模型的输入阶段，需要目标端每个单词与源语言语句中的单词均对齐，因此，需要使用特殊的NMT 模型提供对齐信息，该NMT 模型的原理是，对目标端语句的单词提供所对应的注意力信息，来提高对齐的概率。在NMT 模型的编码器部分，主要采用双向循环神经网络提供目标端单词的上下文信息，解码器部分同样采用双向循环神经网络，以获得更为准确的对齐信息。

具体的测评工作主要针对算法的短语识别精度、识别速度和更新能力三个方面进行。测评工作小组则由机器翻译、翻译人员和打分人员组成，并使用封闭测评和开发测评两种工作方式。在评分过程中，识别速度和更新能力需要采用加权平均值法进行赋分。根据相关的测评结果，可以发现，不同算法模型的翻译质量取决于Word-level QE 模型的效果，由此可见，采用Word-level QE 模型进行机器翻译任务是行之有效的。与此同时，实验中也发现，Word-level QE 模型无论是否进行了改进，其效果都同以往的直接编码方式相比有了显著提升。

4 结束语

在机器翻译不断发展的情况下，研究人员对于机器翻译质量的估计算法也有了更为深入的研究，在以往的基础上，将评价指标侧重于句子级别的机器翻译，提高了估计算法的评测准确度。当然，在目前的研究和实验中，融合翻译知识的特征仍然存在着一定的局限性，因此，在今后的研究中，应当进一步结合其他的有效特征，以不断提高机器翻译质量估计的准确性。