机器英语翻译中的模糊语义最优解选取方法

曾妍

摘 要： 针对传统最优解选择过程中使用的多目标粒子群选择方法，具有极大的局限性，最优解选择贴合性较低问题，提出针对机器英语翻译中的模糊语义最优解选取方法。建立机器英语翻译的语义模型，对机器英语翻译自然语言实现连接处理，使用模型对连接处理后的语义本体进行映射分析，翻译选定过程使用英语翻译的语义相似度计算提升语义连贯性。实验结果表明，改进选取方法选定翻译英语词汇特征匹配度较高，并且贴合性强，更适用于机器英语翻译中最优解选择。

关键词： 机器英语翻译； 模糊语义； 语义模型； 语义相似度计算； 最优解选取

中图分类号： TN911?34； TP311 文献标识码： A 文章编号： 1004?373X（2018）02?0156?03

Abstract： As the method of multi?objective particle swarm selection is used in the process of the traditional optimal solution selection， which has great limitations and low fitness to the optimal solution， an optimal solution selection method for fuzzy semantic in English machine translation is puts forward. A semantic model of English machine translation is built. The connection processing for natural language in machine translation of English was achieved. The model is used for mapping analysis of the semantic ontology after the connection treatment. The semantic similarity computation is adopted for English translation in translation selection process to enhance semantic coherence. The experimental results show that the improved selection method has high feature matching rate for the translation of English words and high fitness， and is more suitable for the optimal solution selection in English machine translation.

Keywords： English machine translation； fuzzy semantics； semantic model； semantic similarity computation； optimal solution selection

伴随着识别技术的不断更新，使用机器代替人工进行英语翻译已经逐渐走进人们的视野当中，并且翻译的精准度不断的提高。使用机器进行英语翻译时，首先需要对单词语义进行翻译。使用机械智能识别对语义中的连贯用语以及关键性用语进行选定，通过构建一定的语言模型进行英语语境的构建以及语义连接，结合翻译的模糊语义通过甄别比对最终选定最优的翻译解[1?2]。传统对模糊语义最优解选择过程中使用的方法存在一定的局现性，最优解的选择没有通过语义建立，也没有通过关键词进行语境刻画，造成模糊语义在一定的影响下发生偏移，可能翻译出的语境缺少贴合性。

针对上述问题，本文提出在机器英语翻译中的模糊语义最优解选取方法。本文建立机器英语翻译的语义模型，为保证提出方法的有效性，模拟了应用环境进行对比实验，通过实验数据的分析验证了实验的有效性。

1 构建英语翻译的语义模型

1.1 英语翻译的自然语言处理设计

在构建英语翻译的语义模型之前，首先需要对英语翻译过程中的词性转換以及词语变形进行分析[3]。在机器英语翻译中的自然语言处理过程中，以英语单词“image”为例，单词的实际翻译可以表示一张图片，它的近义词还包括“print”以及"picture”，这样这三个词语具有一定的语义模糊性[4]，英语翻译过程中同义词与语义信息相关的可能的语义映射关系描述为：

式中：为英语单词近似语义；为英语单词对应语言映射；本文翻译语言为英语翻译，映射浮动范围在之内[5]。通过建立英语语义之间映射关系来解决模糊语义定向。

定义1 设双向语义为Mountain节点高阶替换表达限令值[6]为，S为机器进行英语翻译过程中的概念语义在通过概念进行匹配后实词解析集[7]。其中为语义信息的解析判断集合，通过上述定义本文英语语句解析知识点可以通过函数进行表示：

使用英语翻译的自然语言进行语义二次定义，公式表示为：

式中：为自然语言中的改换表达系数；为英语的识别改换信息码；round为翻译过程中的英语信息取整算子。

1.2 语义本体映射模型建立

假设和为两个多元英语语义，用机械进行语义翻译过程中，可在翻译过程中把翻译语句中定语翻译到主句中去[8]，在对英语从句进行翻译选择时，得一个关于多元英语语义语法本体映射模型，过程为：

1） 在英语语义翻译过程中，如果，那么≤；

2） 如果，那么就有=，则=；>，则<；<，则>。endprint

2 模糊语义最优解选取实现

本文设计的英语翻译相似度的比量判断过程通过一定的基础参数的比对进行选定，本文通过对语义、语境、语法三者进行关系搭配完成相似度的判断，（本文用符号“”表示逻辑上的非；符号“”表示逻辑上的与；符号“”表示逻辑上的等价[9]。在不发生矛盾的情况下，“”可以省略）如下：

式中：为翻译语义相似度较高的翻译；为翻译语境相似度较高的翻译；为翻译语法相同的翻译；为翻译语义的总集合；为隶属关系中最优选集[10]；为不同解的搭配集合。本文通过英语翻译的语义相似度计算对翻译过程中的非语境翻译进行剝离，提升翻译的质量，最优解的选定以此为根据，最后通过认定最终选择解。

3 仿真实验分析

3.1 参数设定

为了保证本文设计模糊语义最优解选取方法的有效性，对参数进行设定，本文设定实验研究对象分别是不同长度不同语境的短文，使用本文设计的模糊语义最优解选取方法与传统模糊语义最优解选取方法进行比较。首先介绍了实验翻译过程的基本参数，如表1所示。

3.2 翻译基本代码调节

为了保证本文设计的模糊语义最优解选取方法的有效性，需要对实验翻译过程进行一定的代码调节，代码替换调节过程如表2所示。

3.3 结果对比分析

传统的模糊语义最优解选取方法在翻译过程容易造成词语翻译贴合性较差，分别测试两种方法对短句翻译过后的Competeness参数，实验数据如表3所示。

从表3中的数据分析能够看出，本文设计的模糊语义最优解选取方法比传统模糊语义最优解选取方法Competeness参数要高出1倍以上（Competeness参数即翻译完备性，完备性是衡量翻译结果准确度及语义表达程度参数）。将翻译过后的语义与本文使用人工翻译过后的语义进行对比，并使用For duplicates查重软件进行重复率查询，图1为使用查重软件结果。

从图1的对比曲线可以看出，本文糊语义最优解选取方法与人工翻译结果更加贴合，传统方法在翻译结果上重复率较低且幅度较大。

衡量糊语义最优解选取方法最好的标准是对短文的翻译结果，短文在翻译过程中需要与语义、语境进行结合，翻译过程中同样使用了人工翻译作为标准样本。针对两种方法翻译效果，本文方法中使用的语义本体模型能够对语境进行识别概括，传统方法中无使用相关语境映射模型。对短语进行翻译过程结果如图2所示。

从图2能够分析出，本文设计的模糊语义最优解选取方法在贴合度所占比例上比传统模糊语义最优解选取方法要高出将近1倍。

通过与标准语境进行对比发现，本文设计模糊语义最优解选取方法在语境的刻画程度上明显要好于传统模糊语义最优解选取方法。

4 结 语

本文针对机器英语翻译中的模糊语义最优解选取方法，建立机器英语翻译的语义模型，能够对机器英语翻译的自然语言实现连接处理，使用模型对连接处理后的语义本体进行映射分析，翻译选定过程使用英语翻译的语义相似度计算提升语义连贯性，通过模糊语义最优解选取计算完成英语语义翻译。

参考文献

[1] 吴良刚，文丽.基于二维二元语义和模糊AHP?TODIM的低碳供应商选择方法[J].运筹与管理，2017，26（3）：7?16.

WU Lianggang， WEN Li. Low carbon supplier selection method based on 2?dimension 2?tuple linguistic information and fuzzy AHP?TODIM [J]. Operations research and management science， 2017， 26（3）： 7?16.

[2] 姜芳，李国和，岳翔.基于语义的文档关键词提取方法[J].计算机应用研究，2015，32（1）：142?145.

JIANG Fang， LI Guohe， YUE Xiang. Semantic?based keyword extraction method for document [J]. Application research of computers， 2015， 32（1）： 142?145.

[3] YANG Wanchun， ZHANG Chenxi， MU Bin. Optimal QoS?aware service selection approach considering semantics and transactional properties [J]. Journal of computer applications， 2016， 36（8）： 2207?2212.

[4] 孙霞，沈韩.机器英语翻译中的模糊语义最优解选取方法[J].现代电子技术，2017，40（12）：31?33.

SUN Xia， SHEN Han. Method of selecting optimal solution of fuzzy semantics in English machine translation [J]. Modern electronics technique， 2017， 40（12）： 31?33.

[5] WU Qun， WU Peng， ZHOU Ligang. Interval 2?tuple linguistic fuzzy multiple attributes group decision?making based on connection variables [J]. Journal of Chongqing technology and business （Natural sciences edition）， 2016， 33（1）： 1?8.endprint

[6] 粟千.弱化语法规则下英文机器翻译的优化仿真[J].计算机仿真，2016，33（11）：414?417.

SU Qian. Weakening grammar rules under the improvement and optimization of simulation of machine translation in English [J]. Computer simulation， 2016， 33（11）： 414?417.

[7] SONG Rou， GE Shili. English?Chinese translation unit and translation model for discourse?based machine translation [J]. Journal of Chinese information processing， 2015， 29（5）： 125?135.

[8] ZHU Yun， JIN Yaohong. On morphological transformations of complex predicates in Chinese?English patent machine translation [J]. Applied Linguistics， 2015（1）： 127?135.

[9] ZHANG Zhenzhong， SUN Le， HAN Xianpei. A translation model based method for query session detection [J]. Journal of Chinese information processing， 2015， 29（4）： 95?102.

[10] WANG Shaoshuang. Research on translators′ information literacy in the era of professionalism： demand analysis， conceptual interpretation and model construction [J]. Foreign media， 2017（1）： 55?63.endprint