海量数据机器单词中关键语义筛选方法探究.docVIP

海量数据机器单词中关键语义筛选方法探究 　　摘 要： 为了提高机器单词翻译的准确性，需要进行关键语义筛选和特征提取，故提出一种基于主题词表自然语义信息抽取的海量数据机器单词中关键语义筛选方法。首先构建海量数据机器单词的文本语义主题词概念决策树模型，采用语义信息转换方式计算机器单词中关键语义的利用规则、聚类中心等信息参量；然后采用主题词表自然语义信息抽取方法进行语义评估和翻译可靠性测试，实现关键语义自动筛选控制；最后进行仿真测试。结果表明，采用该方法进行机器单词中关键语义筛选， 提高了文本机器翻译的自适应配准能力，翻译的准确性得到有效提高 关键词： 海量数据； 机器翻译； 单词； 语义筛选 中图分类号： TN911?34； TP391.1 文献标识码： A 文章编号： 1004?373X（2017）06?0018?03 Abstract： In order to improve the accuracy of machine translation of words， the key semantic screening and feature extraction are needed. Because of this， a method of the key semantic screening of the massive data machine words based on thesaurus natural semantic information extraction is proposed. The thesaurus concept semantic decision tree model of the massive data machine words is build. The semantic information conversion mode is used to calculated the key semantic utilization rules of machine words and the information parameters of clustering center. The thesaurus natural semantic information extraction method is adopted to conduct semantic translation evaluation and reliability testing for realization of the automatic control of key semantic selection. The simulation test results show that the method has improved the adaptive ability of the text machine translation， and the accuracy of the translation effectively. Keywords： massive data； machine translation； word； semantic screening 0 引 言 在大?稻菪畔⑹贝?，需要采用机器翻译处理大量的文字数据信息，为了提高对海量文本数据的机器翻译的准确性，需要对机器单词的关键语义进行准确的特征筛选，把握机器单词的关键信息，提高对机器翻译的面向对象性和人机交互能力。机器翻译模型分为三个层次，分别为局部语义聚类[1?2]、语义情感分析[3]和表现模型。其中数据模型提供机器单词翻译的数据来源，作为原始语言的文本输入，通过与翻译对象的某个领域相关的数据集合分类，进行程序控制，实现领域本体模型构建；基于语义度量的RDF图近似查询[4]，在语义模型中形成机器翻译的概念汇聚点，根据语义集合概念之间的上下层关系，进行语义转换和信息抽取实现语义筛选后的机器翻译输出。本文针对当前的关键语义筛选方法的控制性不好和准确性不好的问题，提出基于主题词表自然语义信息抽取的海量数据机器单词中关键语义筛选方法 1 海量数据机器单词的文本语义主题词表模型 1.1 文本语义主题词的决策树 为了实现对海量数据机器单词中关键语义筛选，首先构建海量数据机器单词的文本语义主题词表模型，构建文本语义主题词概念语义度量决策树[4]，根据L. Breiman，J. Friedman等人提出分类和回归树的思想[5?6]，引入二叉分类回归决策树，构建机器翻译的语言评价集，对海量数据机器单词进行主分量特征优化处理。假设语言评价集β[∈][0，T]为抽取类型性特征向量集S的主特征量。其中T为