判断意译与直译

| 分类 技术随笔  | 标签 CAT  NLP 

最近计算机辅助翻译技术的课程项目是给一个TAB分割的口语英汉语料,让我们判断它是不是采用了意译的方法。

直译一般保持原有句子中词语的意思,比如hot line翻译成热线。意译很多时候用来处理俗语,比如A piece of cake翻译为小菜一碟。

我们想出来的办法用英汉词典把实词(名词、形容词、代词)转中文。再用中文同义词词典,看看这个意思的词在中文翻译中存不存在。

具体的步骤如下:

  1. 文本预处理,去除原来语料中不需要的内容。(给的语料中有多余的人名和空格)
  2. 将mdx格式的朗道英汉汉英词典转为TAB分割的txt。
  3. 将哈工大同义词林转为TAB分割的txt。
  4. 用NLTK对英文进行分词、词性标注和命名实体识别。
  5. 结合词性信息,用nltk的wordnet进行词性还原,在英汉词典中找到中文释义,看看在翻译中存不存在。如果不存在再看该释义的同义词在不在翻译中。还没有就再看下一条释义,如果都没有就说明这个意思没有被翻译出来,是意译。

我们可以通过计算精确率、召回率和准确率来了解结果。我人工判断了30个句子是否为意译,结果意译8句,直译22句。而输出的结果是意译17句,其中8句意译都判断出来,但是有9句判断错的。

准确率:(8+13)/30=70%
精确率: 8/(8+9)=47%
召回率: 8/8=100%

通过以上数据,我们可以知道,是意译的句子基本都能提出来,下一步要减少误判断。

一些问题:

  1. 没有处理短语。比如“All right”被译为好的,只考虑了“right”的意思,结果被判断为意译。不过这种口语中的固定表达我也不清楚算不算意译。
  2. 词典不全。“sorry”居然没有抱歉的释义,人工给补上。
  3. 形容词在词典中一般都解释为“什么什么的”,但是原文中可能不会出现“的”。所以我处理形容词时会把“的”去掉。不过遇到灵活翻译的情况还是会有问题。比如“the latter half of the 19th Century”译为“19世纪后半期”,“latter”在词典中没有单独的“后”这一个字的释义。
  4. 人名被当作普通词语。遇到一个人名叫“Lane”,译为“莱恩”。但是处理时把它当作街道意思的“lane”处理。所以我默认不检测命名实体。
  5. 中文的同义表达太多。就比如“What are you doing?”可以被翻译为“你在干啥”,“你在干嘛”,“你在干什么”等等。“this place”可以被翻译为“这地方”或者“这里”。但是“place”译为中文的“地方”时,同义词典里没有“里”这个同义词。
  6. 原文的翻译错误。很多翻过来的词和原来的词还是有语义的差异的,比如“interrupt”,词典里是“打断”,而译文中是“打扰”。
  7. 一些实词,比如do、make、get和have,翻译过来的方法很多,会影响结果,因此又见了一个过滤词表,默认不检测这些词。

上一篇     下一篇