下载文档原格式
机器翻译技术的现状与未来发展近年来，随着人工智能技术的不断发展，机器翻译技术也在不断突破与完善。
而在如今的全球化时代，翻译成为了人们日常生活和商业活动中不可或缺的一部分。
因此，机器翻译技术的发展也备受关注。
一、机器翻译技术的现状机器翻译技术的出现可以追溯到上个世纪50年代，当时的机器翻译技术主要采用的是基于规则的方法，即将待翻译的文本通过转化为计算机可处理的形式，再根据语法规则转化为目标语言。
但这种方法存在着多种限制，比如只适用于某些特定语种、在处理长句子或复杂结构时效果较差等。
随着人工智能技术的日益成熟，神经网络机器翻译技术逐渐成为了主流。
神经网络机器翻译技术是通过构建一个多层神经网络模型，将待翻译的文本和目标语言互相转换，同时通过反向传播算法优化模型，从而达到最佳翻译效果。
目前，机器翻译技术在翻译新闻报道、商业文档、电子邮件等特定场景下已经取得了较好的应用效果。
同时，一些在线翻译工具如百度翻译、谷歌翻译等也在不断完善和升级，提供更精准、自然的翻译服务。
二、面对的挑战虽然机器翻译技术已经取得了较大的进步，但仍然面临种种挑战。
首先，机器翻译技术在处理特定领域的文本时效果较好，但在处理文学作品、难以理解的长句等情况下依然存在着较大的翻译误差。
其次，机器翻译技术仍存在着语言特征差异等问题。
比如在翻译中文的时候，某些不同的汉字可能有多种不同的意思，甚至同一个汉字在不同的语境下也可以有不同的意义。
这些特征差异可能导致翻译误差。
另外，机器翻译技术的泛化能力仍然很有限。
即使是同样语种的不同地域的文化差异也会影响翻译的准确度。
三、发展趋势与未来展望随着翻译需求的不断增加，机器翻译技术在未来必然会得到更多的投入和研究。
未来的发展趋势之一是机器翻译技术的深度学习。
在神经网络模型的基础上，通过不断训练和优化模型，使得机器翻译技术可以更加准确、自然地翻译。
同时，相信未来机器翻译技术发展的重要方向之一是多语种翻译技术。
机器翻译技术的未来展望和研究方向随着全球化和跨境交流的不断加强，机器翻译技术作为一种重要的语言通信工具正逐渐崭露头角。
未来，机器翻译技术还有很大的发展空间，在提高准确度、语言多样性、功能性等方面面临着诸多挑战和发展机遇。
一、提高准确度目前，机器翻译技术的准确度还远远不能与人类翻译相媲美，存在一些语义理解的问题。
未来，机器翻译技术需要在语义方面得到进一步提高，实现更加准确、自然的翻译。
1.智能算法目前，机器翻译主要是基于传统机器学习算法的模式，这种算法实现的翻译还有很大的提升空间。
目前，人工智能和自然语言处理技术正在突飞猛进的发展，未来的机器翻译技术很有可能采用更加智能的算法，实现更加准确的翻译。
2.多语言的支持目前，机器翻译技术主要支持几种主流语言的翻译，比如英语、中文、法语等。
未来的机器翻译技术需支持更多的语言翻译，满足不同语种之间的交流和沟通需求。
二、语言多样性1.语言的表达习惯不同的语言有着不同的表达习惯和翻译模式，机器翻译技术需要根据不同语言的表达习惯，进行相应的调整和优化，使翻译更加准确、自然、易懂。
2.口语化和文化特点口语化和文化特点是语言的两个重要方面，机器翻译技术需要在这两个方面得到进一步的深度解析和优化。
比如，有些语言具有很强的象形性，需要机器翻译技术能够识别并准确翻译其含义。
三、功能性机器翻译技术的未来发展还需充分考虑用户的需求。
未来，机器翻译技术需要在以下方面得到更多的优化和完善：1.语音翻译语音识别技术越来越成熟，未来的机器翻译技术需要支持语音输入和翻译，实现更加便捷的交流方式。
2.翻译质量的可控性目前，机器翻译技术的翻译质量还不尽如人意，用户需要一种可控的翻译质量，而非单一的机器翻译结果。
3.领域的专业化不同领域的翻译需要掌握相应的词汇和语言模式，机器翻译技术需要实现多领域的翻译，更好地满足用户的需求。
总之，机器翻译技术的未来发展趋势是不容忽视的，作为一种重要的语言工具，其在促进跨境交流、推动科学技术、促进全球化发展等方面发挥着越来越重要的作用。
机器翻译技术的现状与未来趋势随着全球化的加速和日益频繁的文化交流，机器翻译技术扮演了越来越重要的角色。
但是，机器翻译技术的发展仍面临着许多挑战。
本文将介绍机器翻译技术的现状、趋势以及未来可能的发展方向。
一、机器翻译技术的现状机器翻译技术的发展可以追溯到上世纪50年代末。
那时，机器翻译技术还处于其起步阶段，无法提供高质量的翻译结果。
然而，随着计算机和人工智能技术的迅猛发展，机器翻译技术也得到了极大的改进。
现如今，机器翻译技术已成为广泛运用的工具之一。
虽然机器翻译技术已经实现了一定程度的自动化，但翻译的难度还是非常大的。
主要原因在于语言的形态，用法以及语言之间的差异。
自然语言处理机器翻译的目标是尽可能地将一种语言中的信息转移到另一种语言中，并且保持语法和语义上的准确性。
因此，机器翻译要求高效、准确、流畅，而这些也正是机器翻译技术当前所需要改进的方向。
二、机器翻译技术的趋势虽然机器翻译技术已经取得了显著的进展，但是对于一些复杂的语言和一些特殊的语言任务，这些方法仍然无法得到有效的应用。
因此，改进机器翻译技术是一项重要任务。
1. 后编辑后编辑是指对机器翻译后的文本进行修订，以提高语法和语义上的准确性。
后编辑可以通过人工或自动方法进行。
这种方式可以提高机器翻译的输出质量，由于既避免了全新人工翻译的成本，在短时间内得到了可以接受的翻译效果。
2. 深度神经网络由于深度学习在计算机领域中的高度发展，深度学习在机器翻译模型中的应用也取得了重大进展。
比如，在词嵌入等方面的研究中，利用反向传播算法将神经网络训练的逐渐逼近最终结果，从而实现了自适应学习。
通过增加网络的层数和节点数，神经网络模型的性能得到了大幅提高。
3. 重点翻译针对机器翻译无法很好解决，或难以处理的特殊语言任务，重点翻译技术应运而生。
重点翻译通过人工干预的方式，使得机器翻译技术能够在更高精度的情况下完成较为专业的任务，比如医学和法律领域等。
三、机器翻译技术未来的发展方向1.基于情感的翻译未来的机器翻译技术不仅应该理解句子的字面意义，而且还应该考虑到文本背后的情感和目的。
机器翻译技术的现状和未来发展趋势随着全球化进程的加速，人类的交流需求越来越高，而语言壁垒却给交流带来了无法逾越的障碍。
机器翻译技术的出现解决了这一难题，让人类交流变得更加无缝便利。
本文将探讨机器翻译技术的现状和未来发展趋势。
一、机器翻译技术的现状机器翻译技术是一种将一种语言的文本转换成另一种语言的过程。
不同于人工翻译，机器翻译由计算机系统完成。
机器翻译技术的优点在于，它可以快速高效地翻译大量的文本，而且可以根据需要进行实时翻译，具有很高的灵活性。
然而，机器翻译技术的发展历程也充满了曲折与挫折。
早期的机器翻译技术受限于计算机处理能力和语言处理技术的不足，翻译效果很差。
但随着计算机技术和人工智能技术的发展，机器翻译技术变得越来越成熟和优秀。
例如谷歌翻译等机器翻译工具已经可以实现基本的翻译需求。
然而，机器翻译技术目前仍面临一些挑战。
一些语言之间的语言差异比较大，翻译起来较为困难。
一些语言中存在大量的歧义和多义词，这使得翻译词汇选择变得更加困难。
此外，许多语言中有大量的文化隐喻和表达方式，这也极大地增加了机器翻译的难度。
二、机器翻译技术的未来发展趋势机器翻译技术的发展趋势一直很明显：它将越来越接近人工翻译的效果。
在未来，机器翻译技术将面临着三个主要挑战。
1. 机器翻译技术需要表现得更加人性化机器翻译技术的翻译效果仍然比人工翻译差。
如果机器翻译技术想要在市场中取得更好的表现，它必须表现得更加人性化，这包括提高翻译质量和增加定制化服务。
机器翻译技术将提供更高质量的翻译，以及更多的翻译选择。
2. 语言差异问题依然存在虽然机器翻译技术在语言差异问题上得到了很大的改善，但这个问题还远远没有解决。
在未来，机器翻译技术需要更加深入地了解不同语言之间的差异，以便更准确地进行翻译。
3. 文化隐喻和表达方式的翻译问题仍然存在文化隐喻和表达方式是机器翻译技术面临的另一个难题。
这些隐喻和表达方式在语言中非常常见，但对于非本国人来说却很难理解。
机器翻译技术的现状与发展前景近年来，随着全球化的进程不断加速，翻译需求越来越大，因此机器翻译技术也得到了蓬勃发展。
随着人工智能技术的快速发展，机器翻译的技术也在不断地进化，同时也出现了新的问题。
本文旨在探讨机器翻译技术的现状与发展前景。
一、机器翻译技术现状机器翻译（Machine Translation, MT）是一种利用计算机和自然语言处理技术实现从一种自然语言翻译到另一种自然语言的自动化工具。
随着人工智能技术的不断发展，机器翻译技术也得到了飞速的发展。
当下，机器翻译技术主要有两种实现方式：1. 基于规则的机器翻译（Rule-Based Machine Translation，RBMT）：这种机器翻译技术是通过编写翻译规则和语法规则等来实现的，其核心是将一种语言的语法、词汇等细节转化为另一种语言的，对翻译文本进行全面细致的分析和解释，然后将其按照一定规则进行转化从而达到翻译的效果。
2. 基于统计的机器翻译（Statistical Machine Translation，SMT）：这种机器翻译技术是通过运用统计算法，运用大量的语料库来训练机器翻译模型，将概率模型引入从而增强了机器翻译的准确性和可靠性。
统计机器翻译模型经常采用贝叶斯方法来推断出翻译结果，因此，在自然语言处理、机器学习等一些理论的支撑下，统计机器翻译已经成为了机器翻译领域最重要的研究方向之一。
现在，越来越多的公司和机构利用机器翻译技术满足其跨文化的沟通需求。
例如，Google翻译、百度翻译、腾讯翻译等都是基于机器翻译技术而开发的在线翻译平台。
二、机器翻译技术面临的挑战尽管机器翻译技术已经有了巨大的发展，但是翻译效果却还不能完全替代人工翻译，该技术依然面临着以下几个方面的挑战：1. 翻译质量不可控：机器翻译技术的翻译质量主要取决于所使用的语料库的质量和数量，可靠的语料库并不一定能够满足所有的翻译需求，这导致机器翻译技术的翻译质量难以持续稳定。
机器翻译技术的现状与展望现代科技不断带来革新，机器翻译技术作为其中的重要组成部分，也正在不断的发展和优化之中。
机器翻译技术的出现，为许多人的交流造桥梁，也让翻译工作更加智能化和高效化。
今天，本文将介绍机器翻译技术的现状与展望，探讨它的优点和不足之处，并提出机器翻译的未来发展方向与建议。
一、机器翻译技术的现状机器翻译技术，早在1950年就开始引入计算机科学领域，此后一直在经历着不断地改进和发展。
目前，全世界大多数的国际组织、公司或者政府都在使用机器翻译技术来解决翻译问题。
随着人工智能的技术发展，机器翻译技术也逐渐呈现出了以下的特点：1、语言难度越来越复杂机器翻译技术在语言难度上有所提高，它可以更好地处理较为复杂的语言文本，如专业领域、较为正式的语体和口语化的语言表达等。
2、实现语言逆向处理机器翻译技术在逆向处理方面也有所提高，现在的机器翻译技术已经具备了非常优秀的自动识别源语言和目标语言的能力。
无论是英文、法文、俄文或者中文等各种语言，机器翻译技术都可以很好地实现语言逆向翻译处理。
3、新技术改善翻译体验新技术的引入也让机器翻译技术的翻译方式更加智能和直观。
例如，语音输入和语音翻译技术的出现，使得用户可以轻松地进行口语翻译。
机器翻译技术的逐步成熟，为人们的生活、工作等场景提供了更为便捷、高效、准确的翻译服务。
二、机器翻译技术的展望随着物联网、大数据等技术的普及和进步，机器翻译技术将会更为全面地普及和使用。
未来机器翻译技术的发展趋势将会呈现以下几个方向：1、语言自然度的提高机器翻译技术的语言自然度将会随着技术的发展逐渐提高，它将会更好地模仿人类翻译的方式，逐渐成为一种更为逼真和流畅的语言表达方式。
2、根据用户需求实现个性化翻译社交媒体等互联网平台中，人们的语言表达方式各异，个性化的不同需求也形成了不同的语境和习惯。
未来的机器翻译技术可以根据用户的个性化需求，进行自动化翻译，实现更加智能化的翻译效果。
3、与其他技术的融合未来的机器翻译技术将会与其他技术融合，如人工智能、大数据等技术，逐渐实现各种复杂场景下的语言表达和翻译。
机器翻译技术的现状与趋势现代科学技术的发展有很多的亮点和看点，其中机器翻译技术就是其中的一大看点。
这种技术的出现，不仅可以方便翻译工作者的工作，还可以让人类在语言交流方面的障碍变得更加低。
今天，我们就来谈一谈这种技术的现状及其未来的发展趋势。
一、机器翻译技术现状机器翻译技术是指将一种语言的文字、语音或者表情转换成另外一种语言的文字、语音或者表情的一种技术。
目前，机器翻译技术已经进展较快，不仅可以帮助用户快速的翻译一篇文章，还可以将大量的语言进行截断、分析、翻译等等，让翻译工作变得更加快捷和准确。
机器翻译的原理主要是通过识别和提取语料库中的单词和语言模板，根据当前翻译所用的语言建立语料库，然后将其转化为目标语言。
随着计算机技术的进步，机器翻译技术可以应用在很多不同领域上，例如教育、商业、娱乐等等。
目前，机器翻译技术已经被广泛应用到了商业、科技、外交等领域中，并且得到了不同程度的应用和认可。
例如，谷歌、百度等技术巨头都已经推出了自己的机器翻译工具，在应用中也取得了不俗的成绩。
二、机器翻译技术的发展趋势虽然机器翻译技术发展迅猛，但它还有一些缺陷。
例如，在翻译中会出现语言不新颖的问题，这会导致翻译的效果不尽如人意。
此外，虽然机器翻译技术能够完成翻译工作，但它却无法像人类一样感知背景，也无法理解上下文，因此它在语义理解、自然语言处理等方面还有很大的发展空间。
未来，机器翻译的发展趋势主要表现在以下几个方面：1.加入人工智能技术机器翻译需要更广泛、更准确的语境，这就需要更精细、更强大的人工智能技术。
未来，随着人工智能技术的不断发展，机器翻译技术也将更加完善和高效。
2.加强中文机器翻译技术的研究中文与西方语言的形式、语境、表达方式存在着诸多差异，对机器翻译技术的要求也不一样。
特别是在中文文化和语言上，机器翻译要面临更大的挑战。
因此，未来需要加强对中文机器翻译技术的研究。
3.加强大数据的应用提高机器翻译技术的质量，需要一个完整、规范、多样化的语料库。
机器翻译技术的现状及未来展望从20世纪50年代开始，机器翻译技术就开始被人们广泛研究和应用。
随着计算机技术和人工智能领域的突破，机器翻译技术也得到了极大的发展，如今已成为翻译领域的一个重要方向。
本文将就机器翻译技术的现状以及未来展望进行探讨。
一、机器翻译技术的现状1.现有机器翻译技术目前，市场上有很多自然语言处理（NLP）平台和机器翻译引擎供人们使用。
Google翻译、百度翻译等在线翻译平台提供免费的机器翻译服务，它们使用的是基于最新机器学习模型的深度神经网络技术。
此外，还有一些专业的翻译软件如SDL Trados、MemoQ等，也应用了机器翻译技术。
这些软件的翻译质量比起免费的在线平台会更高，但也需要付费使用。
2. 机器翻译的优缺点机器翻译技术优点明显，它可以进行大规模的翻译，可以在较短时间内对大量文本进行翻译，提高翻译效率。
与人工翻译相比，机器翻译可以达到更高的准确率且没有个人情感等误差。
使用机器翻译也可以为企业节省人力物力，并且能够快速覆盖世界各地的客户。
机器翻译技术目前的主要缺点是不够准确和自然，难以做到类似于人类翻译的真正语义理解和表达。
尽管机器翻译已经相较于几年前的表现有了长足的进步，翻译结果依然存在语言、文化、历史等问题，特别是在翻译一些固有文化和口语表达方面，效果不佳。
而且，机器翻译的质量取决于语言的复杂程度和语言对之间的联系。
二、机器翻译技术的未来展望1.在语料库和模型训练方面增加投入要使机器翻译技术更加准确和自然，就需要增加对语料库和模型训练的投入，构建面向多领域和多语言的大规模语料库，制定更合理的模型和算法。
这样能够使机器翻译更加贴近用户的实际需求。
2.量子计算机的发展未来的量子计算机将具有更快速的计算能力和更高的运算精度，这将为机器翻译技术的发展提供很大的帮助。
量子计算机可以快速进行非常大规模的计算，这对机器翻译技术的优化和改进非常关键。
未来，量子计算机或许可以说是机器翻译技术的革命性进展。
机器翻译技术的现状及未来发展趋势机器翻译技术作为一种人工智能技术，在近年来得到了越来越广泛的应用。
它通过利用大数据和深度学习等技术，将一种语言的文本自动翻译为另一种语言，为人们的日常交流和商业活动带来了极大的便利。
然而，机器翻译技术仍然存在一些问题和挑战。
本文将从现状和未来发展趋势两个方面来探讨机器翻译技术。
一、现状目前，机器翻译技术在商业应用上已经有了广泛的应用。
例如，谷歌翻译、百度翻译等在线翻译工具，已经可以为人们提供不错的翻译体验。
这些翻译工具的翻译质量仍然存在一定的问题，但在日常交流和一些简单的商业交易中已经得到了广泛的应用。
此外，机器翻译技术也在一些特殊领域得到了广泛应用。
例如，在国际会议中，机器翻译可以为与会人员提供及时的翻译服务。
在一些大型跨国公司中，机器翻译也被广泛应用于商业合同的翻译和调整。
二、未来发展趋势虽然机器翻译技术已经在商业应用中取得了很大的进展，但在未来，机器翻译技术仍然存在着一些挑战和问题。
下面，本文将从技术研究和应用发展两个方面来探讨机器翻译技术未来的发展趋势。
1. 技术研究（1）神经网络技术的发展——目前，机器翻译技术主要采用统计机器翻译技术和基于规则的机器翻译技术。
随着人工神经网络技术的发展，神经机器翻译技术越来越受到关注。
尤其是深度学习技术的发展，神经机器翻译的翻译效果远远优于传统的翻译技术。
神经机器翻译技术将成为未来机器翻译技术的主要发展方向。
（2）语音翻译技术的发展——随着语音识别技术和自然语言处理技术的发展，语音翻译技术将成为未来的重要发展方向。
语音翻译技术能够实时翻译当前说话人的语言，极大地提高了语言翻译的效率和准确度。
（3）跨语言学习技术的发展——跨语言学习是一种新的机器翻译技术，它采用联合训练的方式，将多个不同语言的翻译模型同时训练，从而提高翻译效果。
跨语言学习技术将成为未来机器翻译技术的重要发展方向。
2. 应用发展（1）智能客服领域——智能客服将是未来机器翻译技术的典型应用场景。
机器翻译研究现状与展望1戴新宇，尹存燕，陈家骏，郑国梁（南京大学计算机软件新技术国家重点实验室，南京 210093）（南京大学计算机科学与技术系，南京 210093）摘要：本文回顾机器翻译研究的历史，介绍典型的机器翻译方法，包括：基于规则、基于统计以及基于实例的机器翻译方法；针对机器翻译的研究现状，详细介绍和分析了基于混合策略的机器翻译方法，对统计以及机器学习方法在机器翻译中的应用进行了描述；论文还介绍了当前机器翻译评测技术；最后对机器翻译进行总结和展望。
关键字：机器翻译，基于规则，基于统计，基于实例，混合策略，机器学习Machine Translation:Past,Present,futureDai Xinyu, Yin Cunyan, Chen Jiajun and Zheng Guoliang (State Key Laboratory for Novel Software Technology, Department of Computer Science& Technology Nanjing University, Nanjing 210093)Abstract：This paper firstly presents the history of machine translation, and introduces some classical paradigms of machine translation: RBMT, SBMT and EBMT. Secondly, we introduce the recent research on machine translation, and describe the hybrid strategies on machine translation in detail, and discuss the applications of machine learning for machine translation. We also analyze the current techniques about evaluation on machine translation. Finally, we draw a conclusion and prospect on the research of machine translation.Keywords：Machine Translation, RBMT, SBMT,EBMT, HSBMT, Machine Learning.1本论文工作得到863课题资助（编号：2001AA114102, 2002AA117010-04）戴新宇博士生，主要研究自然语言处理；尹存燕助教，主要研究自然语言处理；陈家骏教授，博士生导师，主要研究自然语言处理、软件工程；郑国梁教授，博士生导师，主要研究软件工程。
一、引言近年来，自然语言处理的研究已经成为热点，而机器翻译作为自然语言研究领域的一个重要分支，同时也是人工智能领域的一个课题，同样为大家所关注。
纵观机器翻译的研究历史，从上个世纪40年代英国工程师Booth和美国工程师Weaver提出利用计算机进行翻译的想法，到50年代欧美国家投入大量的人力、物力致力于机器翻译的研究，再到60年代ALPAC置疑报告的提出，机器翻译走向沉寂。
最近的二十年，随着语言学理论的发展、计算机技术的进步以及统计学和机器学习方法在自然语言处理领域中的广泛应用，人们对机器翻译本身的应用背景、目标等也有了更加准确的认识，机器翻译在此背景下取得了长足的发展，基于统计、基于实例等新的机器翻译方法也都是在这一时期出现，一些机器翻译系统也从实验室走向了市场。
在中国，机器翻译的研究从50年代开始，多家大学和研究机构先后开发出俄汉、英汉、汉英、日汉、汉日等机器翻译系统，同时在汉语的自然语言理解方面做了大量的研究。
在看到机器翻译研究取得进展的同时，我们也知道，由于对语言规律本身认识仍然不足，以及计算机对语言理解的局限性，再加上不同语言之间存在着语法结构、构造方式、语言习惯、社会背景等等的不同，机器翻译的效果与大家所期待的仍有非常大的差距。
本文第二部分介绍几种经典的机器翻译方法；第三部分给出近期机器翻译的研究现状，介绍基于混合策略的机器翻译方法，对统计机器学习在机器翻译中的应用进行总结；第四部分讨论当前机器翻译的评测系统；最后，对机器翻译研究进行总结和展望。
二、典型的机器翻译方法和技术机器翻译是建立在语言学、数学、信息学、计算机科学等学科基础上的多边缘学科（它的发展是建立在语言学、数学、计算机科学的发展基础之上）现代理论语言学的发展、计算机科学的进步以及概率统计学的引入，对机器翻译的理论和方法都产生了深刻的影响。
Weaver机器翻译思想的提出，开始了机器翻译的研究热潮。
Chomsky在50年代后期提出的短语结构语法，给出了“从规则生成句子”的原则。
由于短语结构语法采用单一标记的短语结构来描述句子的构成，描述粒度过粗，因此存在约束能力弱、生成能力过强问题，人们逐渐意识到仅依靠单一的短语结构信息，不能充分判别短语类型和确认短语边界，于是，复杂特征集和词汇主义被引入自然语言语法系统，广义短语结构语法、词汇功能语法、中心语驱动的短语结构语法等语言学理论也相应的产生。
在这个发展过程中，基于规则方法一直是机器翻译研究的主流。
在基于规则的方法中，语言规则的产生需要大量的人力，而且大量的语言规则之间往往存在着不可避免的冲突。
另外，规则方法在保证规则的完备性和适应性方面也存在着不足。
而此时，统计学方法在自然语言处理的语音识别领域取得了比较好的效果，于是，基于统计的机器翻译[1]应运而生。
随着双语语料的大量增加、计算机性能的提高，基于实例的机器翻译方法被提出[2]，并由此泛化产生了基于模板的机器翻译方法。
下面我们分别介绍几种典型的机器翻译方法。
2.1 基于规则的机器翻译方法(Rule-Based Machine Translation)从Chomsky提出转换生成文法之后，基于规则的方法一直是机器翻译研究的主流，Chomsky认为一种语言无限的句子可以由有限的规则推导出来。
早期的机器翻译系统，从体系结构上可以分为直译式、转换式和中间语言式，它们的不同之处在于对源语言分析的深度，它们的相同点是都需要大规模的双语词典、大量的源语言推导规则、语言转换规则和目标语言生成规则。
其中，转换式的基于规则方法对源语言分析得比较深，它涉及到词汇结构分析、语法分析、语义分析，并完成词汇、语法、语义三层结构从源语言到目标语言的转换，而且转换式的方法又充分考虑了源语言和目标语言之间的特征联系，它比中间语言方法更容易获得高质量的翻译结果。
因此，转换式的方法更多地被应用在早期的机器翻译系统中，整个翻译过程被分为：源语言分析部分，转换部分和目标语生成部分。
而早期的系统，如德国西门子的METAL系统、美国的SYSTRAN系统、日本日立公司的A THENE系统以及中国中软公司的HY－1汉英系统，都是基于转换的机器翻译系统。
基于规则的机器翻译的优点在于：规则可以很准确的描述出一种语言的语法构成，并且可以很直观的表示出来。
机器可以按照一组规则来理解它面对的自然语言，这组规则包含了不同语言层次的规则，包括用以对源语言进行描述的源语言分析规则、用以对源语言/目标语言之间的转换规则以及用于生成目标语的生成规则。
由此可见，基于规则的机器翻译的核心问题是构造完备的或适应性较强的规则系统。
但是，规则库的建立需要花费大量的人力和物力，即使如此，规则的完备性仍然不能得到保证，规则库很难覆盖所有的语言现象。
随着规则数量的增加，规则之间的冲突很难避免；很难用系统化的规则分类体系、恰当的规则粒度去刻画语言特征。
而且早期的规则系统采用的都是确定性规则，即：非此即彼的规则，系统的适应性很差。
基于上述问题，如何自动地获取语言规则、如何更好的表示规则以及如何更好地增强系统的适应能力成为研究人员关注的焦点。
随着大量语料库的产生，统计方法为我们提供了很好的从已有的语言资源中自动得到我们所需要的语言信息的工具。
复杂特征集和合一运算[3]的提出也使得我们能以更细的粒度、更加准确的知识表示形式来描述规则，而词汇化的信息也更多的来自于标注语料库。
针对确定性规则降低了系统的鲁棒性的弱点，概率上下文无关文法[4]从全局最优的角度考虑，产生最优的翻译结果，为机器翻译系统的实用化奠定了基础。
随着这些方法的引入，传统的基于规则的机器翻译方法研究逐步发展成为对以规则为基础、语料库方法为辅助的高性能机器翻译方法的研究。
2.2 基于统计的机器翻译方法(Statistical-Based Machine translation) 除了在某些特定的受限领域，基于规则的机器翻译，取得了比较好的效果（如Isabelle 1987所做的天气预报翻译）之外，在大部分的实验中，基于规则的机器翻译远远没有达到人们的要求。
而随着语料库语言学的发展和统计学、信息论在自然语言处理领域的应用，人们尝试着用统计的方法进行机器翻译的研究。
对于机器翻译来说，基于统计的方法可以从两个层面上来理解，一种是指某些概率统计的方法在具体的机器翻译过程中的应用，比如用概率统计的方法解决词性标注的问题、词义消歧的问题等，这些问题我们将在本文的3.2部分讨论。
另一种较狭义的理解是指纯粹的基于统计的机器翻译，翻译所需的所有知识都来源于语料库本身。
这一节我们主要介绍这种纯统计的机器翻译方法。
IBM的Brown[1]在1990年首先将最初应用于语音识别领域的统计模型用于法英机器翻译。
基本思想是：用信道模型把机器翻译看作一种解码的过程。
解码过程用图一来表示。
图一，基于统计的机器翻译示意图基于统计的机器翻译也可以用下面这个公式来说明：best-translation T=argmax T fluency(T)faithfulness(T,S) 其中，T表示目标语言句，S表示源语言句。
fluency(T)相当于语言模型，它反映目标语言句子的质量，faithfulness（T,S）相当于翻译模型，表示从源语言到目标语言的翻译质量。
从上面的公式可以看出，翻译的过程其实也是一个寻求最优翻译结果的过程。
因此，基于统计的机器翻译的关键首先是定义最适合的语言概率模型和翻译概率模型，其次，需要从已经存在的语言资源中，对语言模型和参数模型的概率参数进行估计。
早期的语言模型基本上采用二元、三元模型，语言模型的参数估计需要大量的单语语料库，二元模型参数通过两个词的搭配频率来计算，三元模型参数则通过计算相邻三元词的出现频率进行估计。
