一种基于改进隐马尔克夫模型的词语对齐方法

该文在基本隐马尔克夫模型的基础之上,利用句法知识来改进词语对齐,把英语的短语结构树距离和基本隐马尔克夫模型相结合进行词语对齐。与基本隐马尔克夫模型相比,这个模型可以降低词语对齐的错误率,并且提高统计机器翻译系统BLEU值,从而提高机器翻译质量。

多领域机器翻译中的非参贝叶斯短语归纳

多领域机器翻译一直以来都是机器翻译领域研究的重点,而短语归纳是重中之重。传统加权的方法并没有考虑到整个归约过程,本文提出了一种使用层次化的Pitman Yor过程进行短语归约,同时把多通道引入到模型中,使得在短语归约的过程中平衡各领域的影响;从模型角度,本文的方法为生成式模型,模型更有表现力,且把对齐和短语抽取一起建模,克服了错误对齐对原有短语抽取性能的影响。从复杂度上来说,该模型独立于解码,更易于训练;从多领域融合来说,对短语归约过程中进行融合,更好地考虑到整个归约过程。在两种不同类型的语料上验证了机器翻译的性能,相对于传统的单领域启发式短语抽取和多领域加权,BLEU分数有所提高。

基于计算机辅助评价的主观题自动评测研究

对于主观题答案的自动测评研究一直是计算机辅助评价实施中的热点和难点问题。为了更好地发挥现有计算机辅助评价系统的功能,提出了一种新的评估方法来实现对学生提交的主观题答案进行自动评估。评价的执行需要建立一个由课程教师及有关专家编写的参考答案知识库,每个问题包括若干个参考答案。然后重点研究了如何将BLEU算法运用到评价中,并通过对n元组的处理,针对同义词及拼写错误等问题对算法进行了改进。利用改进的BLEU方法来确定与学生给出答案最相似的参考答案,并计算学生答案同选定参考答案的相似度,从而得出对该主观题成绩的评定。最后通过实验证明了该方法的有效性。结果表明,同现有的较为成熟的评价手段相结合,该方法可用于对主观题答案的测评,并能够在计算机辅助评价中发挥更为积极的作用。