10万记忆库如何发挥出百万作用？.docVIP

10万的记忆库如何发挥出百万的作用？ EBMT技术的应用，充分发挥记忆库的作用。 　　目前的CAT软件主要采用的是TM技术，即翻译记忆（Translation Memory, TM），TM技术要求两句的相似度要非常高；对两句间不同的部分，一般只能自动替换其中的非译元素，如数字等。所以，记忆翻译质量的如何，很大程度上取决记忆库的规模，记忆库越大、覆盖面越广，翻译的质量自然越高。但是，记忆库不是无中生有的，而是靠译员苦心积累下来的；如何提高记忆库的利用率，让10万的记忆库发挥出百万的作用？这对我们译员来说相当有价值！ 　　而EBMT(Example-Based Machine Translation基于实例的机器翻译)技术可以比较好的解决这一问题，例如：首先告诉计算机：“Herry is a student, he was born in 2000. 亨利是一个学生，他出生于2000年。”这一句的翻译。接下来的这一句“Anna is a teacher, she was born in 1976.”计算机能通过对上一句的类比和学习，自动替换翻译出“安娜是一个教师，她出生于1976年。”此外，对两句看起来相差较多的句子，也可通过对其中一句学习，自动替换翻译出另外一句，如对“America is a scientic country. ”和“He is a student.”这两句，表面看起来相似度不高，但雪人同样可以通过对：“America is a scientic country. 美国是一个科学技术发达的国家。”这一句的学习，准确翻译出“He is a student. 他是一个学生。”这些在一般的CAT软件中由于匹配度不高，会认为是两句完全不同的句子，那么记忆库中的那句就不会对当前句有贡献。下面我们来看看记忆库是如何充分发挥作用的？ (1). 一般的替换翻译： 　　当我们翻译了第一句：“Herry is a student, he was born in 2000. 亨利是一个学生，他出生于2000年。”后，接着翻译第二句：“Anna is a teacher, she was born in 1976.”这时在屏幕下方的“句子比较”窗口中，已经根据对第一句学习给出了“安娜是一个教师，她出生于1976年。”的正确译文，点击旁边的 “引用译文”按钮，即可将译文引用到上面。上方显示的是当前句，下方显示的是记忆库的参考例句，并以不同字体颜色、底色、下划线等区分当前句子与记忆库的匹配句子的不同之处和两句之间的对应关系，以便译员查找两句中各词的对应关系。对于这两句，一般的CAT软件只能替换翻译数字，即将2000替换成 1976，不能将Herry替换Anna、student 替换teacher、he替换she。 (2). 增词替换翻译： 　　当翻译第三句：“Davis is a part-time teacher, he was born in 1982.”这一句与刚才的那两句相比，结构仍旧相似，但增加了一个词“part-time”，软件在合适的位置插入了“兼职的”这几个字，如下图：“戴维斯是一个兼职的教师，他出生于1982年。”而且对增词部分“part-time、兼职的”以绿色字体显示，以提醒译员注意该部分是否翻译正确。 (3). 减词替换翻译： 　　当翻译“We were watching a movie.”这一句时，软件自动从记忆库中搜索出相似度只有0.57的“They were watching a beautiful sunset. 他们在观看美丽的日落。”这一句，并以它做模板正确将“We were watching a movie.”翻译为“我们在观看电影。”而且对减词部分“beautiful 美丽的 ”以绿色字体显示，以提醒译员注意该部分是否翻译正确，如下图。这两句看似并不怎么相似，但一样可以很好地利用记忆库的“They were watching a beautiful sunset.”来为当前句服务，这在一般的CAT软件中是做不到的。 (4). 方便的短语提取 　　当我们翻译“Havent you heard that Ill married soon?”这一句时，从记忆库中找到了相似度0.79的“Havent you heard that hell get a promotion soon? 你难道没听说他不久就要晋升了吗?”这一句做参考，但软件并没有将“晋升”自动替换为“结婚”二字，刚才那些相似度只有0.57的都可以正确替换，为什么这个相似度更高的却不能正确替换呢？如下图“句子对比”窗口下方的从记忆库搜索出的那句，其原文、译文都加了红色的下滑线，这是因为在我们的词典中找不到 “Havent 难道没”、“ get