- 1、本文档共10页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
URL模式与HTML结构相结合的平行网页获取方法AParallelPages.PDF
URL 模式与HTML 结构相结合的平行网页获取方法
刘奇,刘洋,孙茂松
(清华大学计算机科学与技术系 智能技术与系统国家重点实验室,北京 100084)
摘要: 平行语料库是对机器翻译、跨语言信息检索等应用技术具有重要支撑作用的基础数据资源。虽然互
联网上的平行网页数量巨大且持续增长,但由于平行网站的异构性和复杂性,如何快速自动获取高质量的
平行网页进而构造平行语料库仍然是巨大的挑战。本文提出了一种URL 模式与HTML 结构相结合的平行网页
获取方法,首先利用HTML 结构实现平行网页的递归访问,其次使用URL 模式优化遍历平行网站的拓扑顺序,
1
从而实现高效准确的平行网页获取。在联合国与香港政府两个平行网站上的实验表明,我们的方法相对传
统获取方法在获取时间上减少50%以上,准确率提高 15%,并显著提高了机器翻译的质量(BLEU 值分别提
高1.6 和0.7 个百分点)。
关键词:平行网页获取;平行语料库;URL 模式;HTML 结构
A Parallel Pages Mining Approach : Combining URL Patterns and HTML
Structures
Qi Liu, Yang Liu and Maosong Sun
(Department of Computer Science and Technology, State Key Lab on Intelligent Technology and
Systems, Tsinghua University, Beijing 100084, China)
Abstract: Parallel corpus are important supporting basic resource for statistical machine
translation, cross-lingual information retrieval and others information processing technologies.
Although the amount of parallel data on the web is continually increasing, the heterogeneity and
complexity of parallel website make it still a large challenge to build parallel corpus by
automatically extracting parallel text. This paper presents a new parallel web pages mining
approach, which combines URL patterns and HTML structure together. First, we use HTML structure
to recursively visit parallel pages. Then, URL patterns are used to optimize the traverse sequence
of parallel web site topology. Thus we realized a both efficient and accurate parallel pages mining
system. Compared with traditional approach, experiments on two parallel web sites(
1
and .hk ) show that this approach reduces more than 50% processing time,improves 15%
accuracy and significantly improves the translation quality of MT System(BLEU score achieved 1.6
and 0.7 percent point increase,respectively).
Key words
您可能关注的文档
- PDFANMotionSPM系列用户指南飞兆半导体.PDF
- PDF纠错码原理及实现吉林大学学报.PDF
- PICCTCPP性能测试与建模需求调研表.doc
- PMI虽总体平稳但是内部结构在变差.PDF
- Pointoperation像素值变换.ppt
- PPP法律热点问题君合律师事务所.PDF
- RD项目组合选择研究综述与分析.PDF
- REFERRALPROGRAM推荐朋友计划Rakuten.PDF
- RNASeq简单分析流程及网络资源介绍abc.PDF
- SBT酒类产品流通术语中华食品信息网.PDF
- 2025届衡阳市第八中学高三一诊考试物理试卷含解析.doc
- 2025届湖南省娄底市双峰一中等五校重点中学高三第二次诊断性检测物理试卷含解析.doc
- 天水市第一中学2025届高三第二次联考物理试卷含解析.doc
- 2025届金华市重点中学高三考前热身物理试卷含解析.doc
- 2025届北京市石景山区第九中学高三第四次模拟考试物理试卷含解析.doc
- 江苏扬州市2025届高三第一次模拟考试物理试卷含解析.doc
- 2025届江苏省南通市高级中学高考物理五模试卷含解析.doc
- 广东省清远市华侨中学2025届高三第一次调研测试物理试卷含解析.doc
- 辽宁省凤城市2025届高三第五次模拟考试物理试卷含解析.doc
- 内蒙古巴彦淖尔市重点中学2025届高考仿真卷物理试卷含解析.doc
文档评论(0)