机器翻译：现状与展望概述

机器翻译：现状与展望 中国专利信息中心 王 丹 李 进 机器翻译（Machine Translation），又称为自动翻译，是利用计算机把一种自然源语言转变为另一种自然目标语言的过程，它是自然语言处理（Natural Language Processing）的一个分支，与计算语言学（Computational Linguistics）、自然语言理解（Natural Language Understanding）之间存在着密不可分的关系。 步入21世纪以来，随着国际互联网（Internet）的迅猛发展和世界经济一体化的加速，网络信息急剧膨胀，国际交流日益频繁，如何克服语言障碍已经成为国际社会共同面对的问题。由于人工翻译的方式远远不能满足需求，利用机器翻译技术协助人们快速获取信息，已经成为必然的趋势。 一、机器翻译简史 机器翻译的研究历史可以追溯到20世纪四五十年代。1946年，第一台现代电子计算机ENIAC诞生，随后不久，信息论的先驱、美国科学家W. Weaver和英国工程师A. D. Booth在讨论电子计算机的应用范围时，提出了利用计算机进行语言自动翻译的想法。1949年，W. Weaver发表《翻译备忘录》，正式提出机器翻译的思想。走过六十年的风风雨雨，机器翻译经历了一条曲折而漫长的发展道路，学术界一般将其划分为如下四个阶段： 1．开创期（1946-1964） 1954年，美国乔治敦大学（Georgetown University）在IBM公司协同下，用IBM-701计算机首次完成了英俄机器翻译试验，向公众和科学界展示了机器翻译的可行性，从而拉开了机器翻译研究的序幕。 中国开始这项研究也并不晚，早在1956年，国家就把这项研究列入了全国科学工作发展规划，课题名称是“机器翻译、自然语言翻译规则的建设和自然语言的数学理论”。1957年，中国科学院语言研究所与计算技术研究所合作开展俄汉机器翻译试验，翻译了9种不同类型的较为复杂的句子。 从20世纪50年代开始到20世纪60年代前半期，机器翻译研究呈不断上升的趋势。美国和前苏联两个超级大国出于军事、政治、经济目的，均对机器翻译项目提供了大量的资金支持，而欧洲国家由于地缘政治和经济的需要也对机器翻译研究给予了相当大的重视，机器翻译一时出现热潮。这个时期机器翻译虽然刚刚处于开创阶段，但已经进入了乐观的繁荣期。 2．受挫期（1964-1975） 1964年，为了对机器翻译的研究进展作出评价，美国科学院成立了语言自动处理咨询委员会(Automatic Language Processing Advisory Committee，简称ALPAC委员会)，开始了为期两年的综合调查分析和测试。1966年11月，该委员会公布了一个题为《语言与机器》的报告（简称ALPAC报告），该报告全面否定了机器翻译的可行性，并建议停止对机器翻译项目的资金支持。这一报告的发表给了正在蓬勃发展的机器翻译当头一棒，机器翻译研究陷入了近乎停滞的僵局。无独有偶，在此期间，中国爆发了“十年文革”，基本上这些研究也停滞了。机器翻译步入萧条期。 3．恢复期（1975-1989） 进入70年代后，随着科学技术的发展和各国科技情报交流的日趋频繁，国与国之间的语言障碍显得更为严重，传统的人工作业方式已经远远不能满足需求，迫切地需要计算机来从事翻译工作。同时，计算机科学、语言学研究的发展，特别是计算机硬件技术的大幅度提高以及人工智能在自然语言处理上的应用，从技术层面推动了机器翻译研究的复苏，机器翻译项目又开始发展起来，各种实用的以及实验的系统被先后推出，例如Weinder系统、EURPOTRA多国语翻译系统、TAUM-METEO系统等。 而我国在“十年浩劫”结束后也重新振作起来，机器翻译研究被再次提上日程。“748”工程给予了机器翻译研究足够的重视，80年代中期以后，我国的机器翻译研究发展进一步加快，首先研制成功了KY-1和MT/EC863两个英汉机译系统，表明我国在机器翻译技术方面取得了长足的进步。 4．新时期：（1990～现在） 随着Internet的普遍应用，世界经济一体化进程的加速以及国际社会交流的日渐频繁，传统的人工作业的方式已经远远不能满足迅猛增长的翻译需求，人们对于机器翻译的需求空前增长，机器翻译迎来了一个新的发展机遇。国际性的关于机器翻译研究的会议频繁召开，中国也取得了前所未有的成就，相继推出了一系列机器翻译软件，例如“译星”、“雅信”、“通译”、“华建”等。在市场需求的推动下，商用机器翻译系统迈入了实用化阶段，走进了市场，来到了用户面前。

二、主要的机器翻译方法评述 机器翻译的过程一般可简化为三个阶段：原文分析、原文译文转化和译文生成。表象上，机器翻译的核心问题是翻译的准确性；实质上，体现在技术层面则是机器翻译系统采用的方法论问题。 在方法论层面，机器翻译系统可分为基于规则（Rule-Based）和基于语料库（Corpus-Based）两大类。前者是由词典和语法规则库构成翻译知识库，后者则是以语料的应用为核心，由经过划分并具有标注的语料库构成知识库。其中，基于语料库的方法又可以分为基于统计（Statistics-based）的方法和基于实例（Example-based）的方法。 换个角度说，基于规则的方法属于理性主义范畴，基于语料库的方法则属于经验范畴。回顾近六十年的机器翻译发展史，翻译方法论的演变实际上就是“经验”与“理性”的相互“交流”。 1．主导地位的基于规则的方法 （1）基于规则方法的发展历程 早期的机器翻译系统基本上都采用基于规则的方法。1954年，世界上第一台机器翻译系统IBM701诞生，它只有250条俄语词汇、6条基本语法规则以及49个俄语翻译例句，通过直译法完成了世界上第一次机器翻译实验。所谓直译法，即把源语言中的单词或句子直接替换成相应目标语的单词或句子，必要时对词序进行适当的调整。直译法一般是针对特殊的语言对来设计，系统移植比较困难，缺乏通用性。 典型的直译法翻译系统是Systran系统，它是美国在乔治敦大学机器翻译系统的基础上进一步开发的，设计之初只能完成从俄文到英文的翻译，后来改进为可实现多语种之间的互译。这个系统对机器翻译的后续发展有着很大的影响，目前仍有不少翻译系统采用直译法。 在直译法逐步改进的同时，基于转换的方法也相伴而生。所谓基于转换，就是对句子结构进行层次分析，在词对词翻译的基础上，根据不同语言的不同规则生成相应的译文。这种方法需要三部字典：源语字典、源语—目标语双语字典和目标语字典。 最直观的例子就是中英文互译，中国人的名字是先姓后名，美国人的名字是先名后姓；中文句子是主谓宾加名词短语，英文句子是主谓宾加从句。诸如此类的不同规则，在转换法的翻译过程中，都需要通过三部字典中的特定描述才能顺利转化。 伴随着直译法和转换法的发展，另外一种基于规则的方法—中间语法应运而生。它先把源语言分析转换成对所有语言都适合的一种句法—语义表示，再由此转换为目标语言。也就是说，基于该方法的翻译过程包括两个阶段：从源语言到中间语言，再从中间语言到目标语言。 这种方法有一个典型的好处：节省开发费用。当需要多种语言翻译的时候，可以直接通过中间语言翻译到目标语言，而不需要每一种语言都设立一套规则程序。假如有6种语言需要彼此相互翻译，采用基于转换的方法需要30个语言转换模块（每对语言都需要一个模块），而采用中间语法的系统只需要12个模块。 虽然提出了三种方法，但显然当时的研究者还没有意识到机器翻译的难度，这些简单的方法对于稍复杂的句子就已经无能为力了。随着研究的深入，人们逐渐认识到：要完成机器翻译，计算机必须能够在一定程度上理解源语言的句子。与此同时，人工智能这门学科在20世纪70年代有了很大的发展，各种知识表示和知识推理的理论和算法纷纷被研究者提出。人们对自然语言的理解和机器翻译的认识有了质的飞跃。 这一阶段研究人员对基于规则的方法进行了创新性的改进，其主要特点是对语言进行了深层次的分析、转换和生成，也就是说，翻译不再是只在句子的表层（词序列）上进行，而是在句子的某种更深层结构（例如句法结构、语义结构或知识表示）的层面上进行。要实现这一点，系统就需要大量的语言知识和翻译知识，为此，机器翻译程序采用了数据与程序相分离的存储形式，语言知识和翻译知识以数据形式存在，而翻译程序利用这些数据进行翻译。这种数据最常见的表现形式就是规则和词典。 基于规则的机器翻译系统在1980年代达到一个高峰期，市场上涌现出很多基于规则的机器翻译系统，其中一些已经步入实用化阶段。国际上也出现了一些大规模的研究计划，例如欧盟的Eurotran项目和日本的亚洲五国语言机器翻译项目。即使到目前，大多数实用型机器翻译系统也都是以基于规则为主。整体而言，基于规则方法的翻译系统覆盖面宽，但译文质量的一致性有待提高。 （2）基于规则方法的现状 纵观机器翻译发展的历程，可以看出，机器翻译的主流方法一直是基于规则的方法。国际上有影响的机器翻译系统基本上都需要规则的贡献，即使在多种技术并存的系统中也要包含规则，基于规则的机器翻译技术思想是被普遍接受的、成熟的，也是到目前为止应用最广的方法。基于规则的机器翻译系统就是对语言语句的词法、语义进行分析、判断和取舍，然后重新排列组合，最后生成等价的目标语言。 基于规则的机器翻译方法导致了程序工作者和语言工作者的一种合作范式：程序工作者和语言工作者先共同制定数据规范，确定翻译算法、语言知识和翻译知识的表示形式，然后程序工作者编写程序实现翻译算法，语言工作者编写语言知识和翻译知识驱动翻译算法的运行，两者分工合作，缺一不可。 在这种工作范式下，系统翻译性能通常受到两方面因素的制约：一是算法的设计是否合理，另一个是语言知识是否足够丰富，其中最主要的瓶颈还在于后者。一旦翻译程序编程结束，并经过调试稳定以后，基本上就不需要再做修改，改进翻译性能的任务完全落在了语言工作者的身上。对于基于规则的机器翻译系统而言，知识获取实际上是最大的瓶颈。通常，经过一个人一年左右的调试就能得到一个可以翻译简单句子的演示系统，但要真正得到一个初步实用的机器翻译系统，非得要通过一批人经年累月的调试和积累不可。 在上述背景下，一方面，研究者们已经建立了一定规模的规则库，覆盖了相当多的语言现象。另一方面，基于规则的机器翻译技术不断借鉴和融合其他方法的优点，这些变化主要体现在： 在规则的获取方面，传统的规则方法主要依靠语言学家的总结进行调试，而现在更加重视从大规模语料库中自动获取规则。 传统的规则方法往往偏重描述粗粒度、全局化的大范围语言学规则知识，而现在则更加重视描述细粒度、局部的小范围的语言学知识，呈现出“小规则库、大词典”的趋势。 在知识表示方面，为了以更小的粒度、更加准确地对翻译知识进行描述，一般要对单纯的与上下文无关的规则作一些改进。改进的方法有以下两种：一种是采用特征结构与合一算法，例如LFG、GPSG 等等，这种方法一般要求具有较好的语言学背景；另外一种是采用词汇化的方法对规则加以细化。