基于中间转换格式多语口语翻译系统中的目标语言生成.doc

基于中间转换格式的中英文语言生成方法研究 曹文洁 宗成庆 徐波中国科学院自动化所模式识别国家重点实验室，北京 100080，中国{caowj, cqzong, xubo}@ 2003年12月5日收稿 2004年5月10日修改并录用 _____________________________________________________________ 摘要 基于中间语言的翻译方法是实现多语言口语翻译的重要途径，而自然语言生成技术则是基于中间语言的机器翻译系统中的重要组成部分。本文介绍我们基于中间语言的中英文语言生成方面的研究工作。我们采用的是基于特征的深层生成技术与模板生成技术相结合的生成方法。其中，深层生成技术主要是为了保证口语翻译系统具有更好的灵活性与领域可移植性，而模板生成技术则是为了使口语翻译系统具有更高的效率。在深层生成中，我们采用微观规划和表层生成相结合的结构，使用系统功能语法为生成语法。实验表明该混合生成策略可以较好地满足基于中间转换格式的口语翻译系统的基本要求。 关键词 自然语言生成，微观规划，词汇化，表层生成_____________________________________________________________ 1．引言 自然语言生成技术研究的是如何利用计算机把非自然语言表示的语义形式转换成某种自然语言的表示形式，从而产生人们可理解的，表达确切、自然流畅的自然语言语句。自然语言生成技术的目的实际上就是让人们能够用自己感到最为舒适方便的自然语言方式去表达各种语义信息。随着自然语言处理相关技术的快速发展，自然语言生成技术被广泛地应用于许多方面，机器翻译中的目标语言生成是其中最典型的应用之一。 本文介绍的工作是基于国际语音翻译先进研究联盟（C-STAR: Consortium for Speech Translation Advanced Research） 框架下多语言口语翻译系统中的中英文生成问题，所采用的中间语言称为中间转换格式（IF: Interchange Format）。关于背景的详细介绍，请参见/)，本文不再赘述。 基于中间转换格式的C-STAR口语翻译系统框图如下所示： 图1. 基于中间转换格式的语音翻译系统 与其它基于中间语言的机器翻译系统相同，基于IF的口语翻译系统对目标语言生成器有着同样的要求：即要求具有灵活、高效、便于领域移植、以及较好的容错性等特点。除此之外，IF也给我们的目标语言生成研究带来新的问题（详见第二小节）。 自然语言生成从上个世纪六十年代开始发展至今，经历了从简单到复杂的过程。句法实现系统主要有四种类型John A. Bateman 1996)。首先是固定文本生成系统(canned-text system)，这种方法主要应用于大多数的软件的提示信息生成系统。然后是模板生成系统(template system)，如Kukich在1983年提出的ANA系统，这种方法效率高，而且在特定领域的应用效果比较好，但是领域可移植性差。再之后是基于短语的生成系统(phrase-based system)，如McDonald等1980年建立的MUMBLE系统，Moore于1989年建立的EES文本规划器等。此方法主要用于单句生成，其优点是鲁棒性强，但是容易造成不恰当的短语扩展。后来又出现了基于特征的生成系统(feature-based system)，如Matthiessen于1983年建立的PENMAN系统，及其衍生出的KPML系统（Bateman，Maier et. al. 1991）等等。这种方法的优点在于简化了概念任何语言上的差异作为特征加入到系统中。 本文中我们采用的是基于模板和基于特征的深层生成相结合的混合生成方法。之所以采用这样的混合方法，主要基于以下几点考虑：首先，特定领域的口语对话常常有一些固定的表达模式。根据我们初步统计，发现口语中含有“请”字的祈使句约占17％左右；用“有…吗”、“有没有”、“能不能/可以不可以”等表示的疑问句约占44%左右；含有时间或数字的语句约占22％左右。 其中，很多固定简短的表达非常适合使用模板的方法进行翻译（对两种语言直接互译的翻译系统而言）或目标语言的生成（对基于中间语言的翻译系统而言）以简化翻译模块。此外，模板的引入有助于提高系统的运行效率。其次，由于口语的表达形式灵活多样，对于非固定的表达方式，采用基于特征的深层生成方法无疑更能满足系统对灵活性的要求(Ehud Reiter 1995)。再次，我们的生成器是中英文的双语生成，较其它方法而言，基于特征的方法可以把不同语言的差异作为特征加入系统中，使其更易于用统一的程序框架对不同语言进行处理。 本文第二部分介绍中间转换格式IF的定义及其特点，第三部分具体