李賢華，于 淼，蘇勁松，呂雅娟

(中國科學(xué)院 計(jì)算技術(shù)研究所 智能信息處理重點(diǎn)實(shí)驗(yàn)室，北京 100190)

1 引言

機(jī)器翻譯是使用計(jì)算機(jī)進(jìn)行翻譯工作的技術(shù)。從1949年Weaver提出機(jī)器翻譯的概念至今，短短半個世紀(jì)中，機(jī)器翻譯技術(shù)在各個領(lǐng)域發(fā)揮著越來越大的作用，人們在機(jī)器翻譯領(lǐng)域取得了很多階段性的成果[1-3]。題錄信息的翻譯，是機(jī)器翻譯的任務(wù)之一。隨著信息社會的不斷發(fā)展，題錄信息的翻譯會有廣闊的應(yīng)用前景，比如名片翻譯、專利人信息翻譯、刊物作者信息翻譯、英文信函地址翻譯等。

題錄信息是書籍、科技文獻(xiàn)、專利文獻(xiàn)等的一個重要組成部分，它通常包含標(biāo)題、人名、地址、組織機(jī)構(gòu)名、公司名以及郵箱地址等。本文主要處理題錄信息中人名、地址、組織機(jī)構(gòu)名和公司名的翻譯。由于這些信息具有上下文無關(guān)性、類型容易確定等特點(diǎn)，其翻譯相對于其他內(nèi)容的翻譯來說目標(biāo)更明確、精度更高。在現(xiàn)代化的信息社會中，題錄信息的翻譯在政治、經(jīng)濟(jì)、外交、貿(mào)易、旅游、新聞出版、文化交流以及日常生活中都有著重要的應(yīng)用。當(dāng)前研究人名翻譯的工作很多，文獻(xiàn)[4]等提出了人名翻譯的許多注意事項(xiàng)，但提出人名翻譯的通用方法的文獻(xiàn)較少；研究地名翻譯的工作也層出不窮[5-6]，但是針對地址翻譯的工作較少；還有一些工作致力于從雙語語料庫中獲得翻譯[7]，但這些方法受到語料規(guī)模和時期的限制。目前大量題錄信息的翻譯工作是人工完成的。人工翻譯雖然有著較高的翻譯質(zhì)量，但是其耗時長，占用資源多，不適合大規(guī)模的翻譯。這些都是本文將解決的問題。

本文主要設(shè)計(jì)了題錄信息中人名、地址、機(jī)構(gòu)名和公司名的機(jī)器翻譯方法。采用的方法主要是詞典查找和規(guī)則翻譯等。對于中國人名，本文使用拼音轉(zhuǎn)換的方法進(jìn)行翻譯，即通過查看漢字拼音轉(zhuǎn)換表對漢字進(jìn)行翻譯；對于日本人名，本文設(shè)計(jì)了假名轉(zhuǎn)換的方法，即首先將中文的日本人名轉(zhuǎn)換為假名，再將假名轉(zhuǎn)換為相應(yīng)的羅馬字母的方法；對于歐美國家人名，本文設(shè)計(jì)了同音轉(zhuǎn)換的方法，即讀音相同的歐美國家人名，其對應(yīng)的譯文也相同；對于地址、機(jī)構(gòu)名和公司名，本文提出了先切分、再翻譯、最后調(diào)序的翻譯流程。用漢語拼音拼寫中國人名和地址，更加有利于不同國家的人們了解中國文化，也更加方便外界與國人的溝通交流，是中國和全世界的標(biāo)準(zhǔn)。

本文的組織如下：第2節(jié)詳細(xì)介紹了人名翻譯的主要方法和策略，針對中國人名、日本人名和歐美人名的特點(diǎn)，分別設(shè)計(jì)了相應(yīng)的翻譯方法；第3節(jié)介紹了地址翻譯的方法，將地址翻譯的過程分為地址切分、局部翻譯、譯文調(diào)序三大部分，并給出了每一步的具體過程；第4節(jié)主要介紹了如何翻譯機(jī)構(gòu)名和公司名，其翻譯方法與地址翻譯的方法類似。在第5節(jié)中，介紹了實(shí)驗(yàn)情況，經(jīng)過人工隨機(jī)抽樣測試，本文設(shè)計(jì)的翻譯方法能夠很好的翻譯人名、地址、機(jī)構(gòu)名和公司名。最后一節(jié)，我們對本文的工作進(jìn)行了總結(jié)，并指出未來研究工作的方向。

2 人名翻譯

人名是意義相對較少的專有名詞，是所指稱對象的一個對應(yīng)符號。一般地，人名的翻譯方法主要有書寫形態(tài)借用、語音借用、語義翻譯三種。當(dāng)兩種語言處于相同或者相似的文字系統(tǒng)中時，一般采用書寫形態(tài)借用的翻譯方法；當(dāng)兩種語言處于不同的文字系統(tǒng)中時，語音借用起了很大的作用[8]；當(dāng)人名有著特殊的意義時，一般采用語義翻譯的方法。由于漢語和英語處于不同的文字系統(tǒng)，本文主要采用語音借用的翻譯方法。

本文主要處理三類人名：中國人名、日本人名以及歐美國家人名。人名首先經(jīng)過詞典進(jìn)行切分查找翻譯；不能通過詞典得到翻譯的人名，將首先通過人名分類器得到其對應(yīng)的類別，然后根據(jù)類別使用不同的翻譯方法進(jìn)行翻譯。

2.1 詞典的使用

詞典是在進(jìn)行題錄信息翻譯時的輔助資源。由于題錄信息的翻譯相對于長句的翻譯來說，內(nèi)容簡短、存儲空間小、查詢效率高，因此，題錄信息的機(jī)器翻譯借助于詞典，顯然是簡單可行的方法。同時，詞典提供給用戶靈活添加詞典詞條的接口，從而極大的提高翻譯質(zhì)量。另外，對于一些有歧義的翻譯項(xiàng)，將其添加進(jìn)詞典后，由于詞典的優(yōu)先級較高，譯文優(yōu)先選擇詞典內(nèi)的翻譯項(xiàng)，可以盡量避免歧義造成的干擾。

本文針對人名翻譯、地址翻譯、機(jī)構(gòu)名和公司名翻譯，分別開發(fā)了三本詞典：人名詞典、地名詞典、機(jī)構(gòu)公司詞典，以此來翻譯不同的內(nèi)容。三部詞典均存儲在數(shù)據(jù)庫中，其中每個詞條包含如下特征：序號、中文端、英文端、所在詞典、用戶ID、添加時間、是否使用、是否審批等。

除了用戶詞典，本文還用到了LDC命名實(shí)體詞典*http://projects.ldc.upenn.edu/Chinese/.。LDC在語料資源的開發(fā)加工方面做了大量工作，是國際上自然語言處理方向最大的資源共享發(fā)布平臺。本文使用LDC開發(fā)的命名實(shí)體詞典，來輔助題錄信息的翻譯。

在進(jìn)入題錄信息翻譯模塊時，首先查找詞典，如果詞典中已包含需要翻譯的詞條，那么，直接將其對應(yīng)的翻譯取出，作為翻譯結(jié)果；否則，進(jìn)入規(guī)則翻譯流程，用規(guī)則方法實(shí)現(xiàn)詞條的翻譯。

使用拼音轉(zhuǎn)換等方法，已經(jīng)可以翻譯題錄信息的大部分內(nèi)容，但仍有少數(shù)的翻譯結(jié)果差強(qiáng)人意。本系統(tǒng)提供給用戶自行添加詞典詞條的接口，用戶可以動態(tài)地加入自定義的詞典詞條，從而明顯提高了翻譯質(zhì)量。

由于在人名翻譯、地址翻譯、機(jī)構(gòu)名和公司名翻譯的模塊中，對詞典的使用與維護(hù)類似，因此這里一并作出論述，下面不再累述。

2.2 人名判斷器

人名判斷器的主要作用是判斷人名所屬的類別，其主要利用人名的姓氏特征、字符特征和長度特征進(jìn)行判斷。中國人名、日本人名和歐美國家人名的姓氏有顯著的不同，按照姓氏特征可以基本區(qū)分這三種人名。本文收集了中國姓氏494個，日本姓氏9 973個(其中有對應(yīng)翻譯的姓氏為3 617個)，以此識別絕大部分的中國人名和日本人名。字符特征主要用來識別歐美國家人名。歐美國家的正式人名，姓氏與名字之間多用“·”間隔，大多數(shù)名字帶有字母，這是中國人名和日本人名不具備的特征。通過符號特征可以將歐美國家人名識別出來。長度特征主要用來判斷通過姓氏特征和符號特征無法識別的人名。

2.3 人名翻譯流程及方法

針對上述三類人名，本文分別使用三種不同的方法進(jìn)行翻譯，其主要流程如圖1所示。

圖1 人名翻譯主要流程

對于中國人名，主要采用拼音借用的方法。漢語的文字系統(tǒng)和英語的文字系統(tǒng)雖然不相容，但是羅馬化的漢語拼音和英語形成了一種特殊的書同文關(guān)系，中國人名通過漢語拼音直接借用為英語人名，在理論和實(shí)際操作中都是可行的。比如中國人名“李志強(qiáng)”，直接用拼音“Zhiqiang Li”作為其翻譯即可。對于日本人名，主要采用假名轉(zhuǎn)換的方法。假名轉(zhuǎn)換，指的是通過假名做中間橋梁，首先將漢字的日本人名轉(zhuǎn)換為對應(yīng)的假名形式，再根據(jù)假名的發(fā)音，將其轉(zhuǎn)換為對應(yīng)的羅馬字母。比如日本人名“藤田良雄”，首先將其用假名“ふじた よしお”表示，再根據(jù)假名的讀音，轉(zhuǎn)換為“Fujita Yoshio”即可。而對于歐美國家人名，如“R.A.戴維森”，則根據(jù)字符“.”進(jìn)行切分后，再逐個進(jìn)行翻譯。對于切分后的每個單元，將其轉(zhuǎn)換為拼音，如果與詞典中詞條的拼音相同，則將其對應(yīng)翻譯選為譯文，這樣，可以增加詞典中詞條的匹配率。

3 地址翻譯

地址的翻譯，指的是將中文的地址翻譯為英文的地址。本文主要設(shè)計(jì)了中國地址、日本地址和歐美國家地址的翻譯方法。本文收集了中國省市區(qū)縣的名字共2 381個，全世界國家名220個，作為地址切分和翻譯的基礎(chǔ)。另外，中文地址的書寫特點(diǎn)是先大后小，即將區(qū)域范圍廣的內(nèi)容放在前面，區(qū)域范圍窄的內(nèi)容放在后面；而英文地址的書寫恰好相反。一般地，地址翻譯的主要原則是先小后大，本文采用譯文調(diào)序的方法，實(shí)現(xiàn)譯文的先小后大排列。

地址翻譯的主要流程是：先切分，再翻譯，最后調(diào)序。

3.1 地址切分

地址切分，指的是將長串的地址切分為有獨(dú)立意義的較小單元，方便下一步的翻譯[9]。地址切分的主要依據(jù)是詞典和切分關(guān)鍵詞。地址切分使用“前向最大匹配法”，并優(yōu)先考慮詞典中的詞條。由于中國地址和日本地址、歐美地址的切分關(guān)鍵詞不盡相同，本文設(shè)計(jì)了兩組切分關(guān)鍵詞表，一組用來切分中國地址，一組用來切分外國地址。部分切分關(guān)鍵詞見表1。

表1 部分切分關(guān)鍵詞

比如地址：安徽省蕪湖市新蕪區(qū)蓮塘村芙蓉園6幢4單元102室。根據(jù)關(guān)鍵詞表，可以切分為：安徽省 蕪湖市 新蕪區(qū) 蓮塘村 芙蓉園 6 幢 4 單元 102 室。

3.2 局部翻譯

局部翻譯，指的是將切分得到的各個單元分別翻譯為英文。翻譯的主要方法是查詞典和拼音轉(zhuǎn)換：對于切分后得到的每一個單元，首先通過查詞典得到翻譯；對于查字典后沒有翻譯的單元，將符合條件的單元進(jìn)行拼音轉(zhuǎn)換，以得到其對應(yīng)翻譯。此處的符合條件，指的是該單元的最后部分在拼音轉(zhuǎn)換關(guān)鍵詞表中。部分拼音轉(zhuǎn)換關(guān)鍵詞見表2。

上述切分后的地址：安徽省 蕪湖市 新蕪區(qū) 蓮塘村 芙蓉園 6幢 4單元 102 室，經(jīng)過地址翻譯后的結(jié)果為：Anhui Province, Wuhu City, Xinwu District, Liantang Residential, Furongyuan, Building 6, Unit 4, Room 102.

切分關(guān)鍵詞表以及拼音轉(zhuǎn)換關(guān)鍵字表可以隨時進(jìn)行修改和維護(hù)，以提高地址翻譯的準(zhǔn)確率。

表2 部分拼音轉(zhuǎn)換關(guān)鍵詞

3.3 譯文調(diào)序

譯文調(diào)序，即將翻譯后的譯文進(jìn)行一定的調(diào)序，使其符合英文的書寫習(xí)慣。譯文的調(diào)序需要滿足一定的規(guī)律，上述翻譯后的地址：Anhui Province, Wuhu City, Xinwu District, Liantang Residential, Furongyuan, Building 6, Unit 4, Room 102，進(jìn)行倒置后得到: Room 102, Unit 4, Building 6, Furongyuan, Liantang Residential, Xinwu District, Wuhu City, Anhui Province。此即原地址“安徽省蕪湖市新蕪區(qū)蓮塘村芙蓉園6幢4單元102室”的最終翻譯結(jié)果。國外地址與國內(nèi)地址一樣，只是使用了不同的切分關(guān)鍵詞表。

地址除了包含地址信息外，還會包含機(jī)構(gòu)名、公司名等復(fù)雜地址信息。這部分內(nèi)容的翻譯，將在第4部分得到闡述。

4 機(jī)構(gòu)名和公司名翻譯

機(jī)構(gòu)名和公司名的翻譯過程，與地址的翻譯過程類似，即遵循“先切分，再翻譯，最后調(diào)序”的翻譯流程。相對地址翻譯而言，機(jī)構(gòu)名和公司名的切分比較簡單，倒置規(guī)則也較簡單。由于機(jī)構(gòu)名和公司名中有些部分不能直接用拼音轉(zhuǎn)換的方法進(jìn)行翻譯，其對詞典的依賴程度相對較高。

本文收集并整理了常見的機(jī)構(gòu)和公司后綴名327個，并設(shè)計(jì)了他們的對應(yīng)翻譯。常見的機(jī)構(gòu)和公司的后綴名及其翻譯如表3所示。

表3 常見的機(jī)構(gòu)和公司的后綴及其翻譯

對于機(jī)構(gòu)名和公司名，首先識別其所屬地信息并進(jìn)行切分，再結(jié)合用戶詞典、LDC詞典以及后綴表進(jìn)行切分，接著對各個部分進(jìn)行翻譯，最后進(jìn)行一定的調(diào)序。

例如機(jī)構(gòu)名“深圳華為通信技術(shù)有限公司”，經(jīng)過切分后，得到“深圳 華為 通信技術(shù)有限公司”；經(jīng)過翻譯后，得到“Shenzhen Huawei Communication and Technology Co.Ltd”；經(jīng)過調(diào)序，得到最終翻譯“Huawei Communication and Technology Co.Ltd, Shenzhen”。

5 數(shù)據(jù)與實(shí)驗(yàn)

本文對于人名翻譯、地址翻譯、機(jī)構(gòu)名和公司名翻譯這三個模塊分別進(jìn)行了測試。本文所用的樣例來自于13 477篇專利文件的題錄信息。經(jīng)過去重處理，最終得到總數(shù)據(jù)量為22 705個人名、6 431個地址以及7 709個機(jī)構(gòu)名和公司名。測試樣例從數(shù)據(jù)中隨機(jī)抽樣產(chǎn)生，分別抽取了中國人名、日本人名、歐美國家人名、地址、機(jī)構(gòu)名和公司名各200條。本文所進(jìn)行的測試，均是在沒有使用詞典的基礎(chǔ)上進(jìn)行的。如果添加詞典，翻譯效果將會得到極大的提升。

5.1 人名翻譯模塊的測試

對于人名翻譯模塊，本文主要測試了人名判斷器的正確率以及人名的翻譯率。人名判斷器的正確率對于人名翻譯有著重要的意義，因此必須保證人名判斷器有較高的準(zhǔn)確率。人名翻譯率主要是測試在沒有外加詞典的情況下，人名得到正確翻譯的情況。

本文隨即抽取了中國名字、日本名字、歐美國家名字各200個。通過人名判斷器后，統(tǒng)計(jì)得到人名判斷器的分類正確率，再經(jīng)過人名翻譯模塊，最終翻譯結(jié)果的翻譯率進(jìn)行統(tǒng)計(jì)(見表4)。

表4 人名翻譯模塊測試結(jié)果

實(shí)驗(yàn)結(jié)果表明，人名翻譯模塊在沒有添加詞典的情況下，可以很好的完成中國人名的翻譯；日本人名的姓氏基本可以得到翻譯，名字則需要借助詞典；歐美國家的人名則主要依賴詞典中的詞條。由于文中實(shí)驗(yàn)均在不加詞典的前提下進(jìn)行，因此歐美國家人名的翻譯率并沒有進(jìn)行測試。

5.2 地址翻譯模塊的測試

對于地址翻譯模塊，本文主要測試了地址的切分正確率以及翻譯正確率。地址的切分正確率指的是在地址切分過程中的正確率。如果將人工切分得到的地址塊數(shù)量記為N，機(jī)器切分的地址塊中，與人工切分相同的地址塊數(shù)量記為n，則地址切分正確率為：n/N×100%。地址的翻譯正確率率指的是正確切分并正確翻譯的地址塊部分，占人工切分的地址塊的比例。

本文隨機(jī)抽取了200條地址作為測試語料進(jìn)行翻譯。通過人工分析，最終測得該模塊的切分正確率為92.2%，翻譯正確率率為84.8%。切分錯誤大多數(shù)是由地址信息本身較為復(fù)雜引起的，比如地址“廣東省深圳市福田區(qū)福華三路與民田路交界處星河國際花園A2座11”，此處的“福華三路與民田路交界處”并不符合一般的地址寫法，因此發(fā)生切分錯誤。但是，如果把“福華三路與民田路交界處”作為詞條加入詞典，則根據(jù)詞典的優(yōu)先權(quán)，此地址可以得到正確的切分。

實(shí)驗(yàn)表明，中國的絕大部分地址，都可以通過拼音轉(zhuǎn)換的方法得到對應(yīng)的翻譯。外國地址的翻譯，主要依靠詞典以及規(guī)則翻譯。

5.3 機(jī)構(gòu)名和公司名翻譯模塊的測試

機(jī)構(gòu)名和公司名翻譯模塊的測試方法與地址翻譯模塊的測試方法類似。本文同樣測試了該模塊的切分正確率和翻譯正確率。

本文隨機(jī)抽取了200條機(jī)構(gòu)名及公司名作為測試語料，經(jīng)過切分、翻譯以及人工分析，得到該模塊的切分正確率為99.2%，翻譯正確率為63%。實(shí)驗(yàn)表明，在機(jī)構(gòu)名和公司名中，所屬地信息基本都可以得到翻譯，后綴的翻譯效果也較好，翻譯正確率率偏低主要是受機(jī)構(gòu)名和公司名中間的名稱部分的影響。比如公司名“吳江福華織造有限公司”，切分后得到“吳江 福華織造 有限公司”；此時“吳江”和“有限公司”可以得到很好的翻譯，“福華織造”的翻譯則需要依靠詞典。

實(shí)驗(yàn)表明，機(jī)構(gòu)名和公司名的大部分可以通過拼音轉(zhuǎn)換的方法得到對應(yīng)翻譯，如果加入詞典，則翻譯效果可以得到極大的提升。

6 總結(jié)及將來的工作

本文主要針對題錄信息的不同特征，使用詞典以及規(guī)則，設(shè)計(jì)了不同的方法對人名、地址、機(jī)構(gòu)名和公司名進(jìn)行翻譯。對于人名翻譯，本文提出了詞典查找、拼音轉(zhuǎn)換、假名轉(zhuǎn)換和同音轉(zhuǎn)換的方法；對于地址、機(jī)構(gòu)名和公司名，本文采用了先切分、再翻譯、最后調(diào)序的流程。實(shí)驗(yàn)結(jié)果表明了上述方法的可行性和有效性。

為了進(jìn)一步提高題錄信息翻譯的質(zhì)量，還需要收集和整理更多有關(guān)題錄信息的資料，采用更細(xì)致的方法針對性地翻譯題錄信息，進(jìn)一步提高系統(tǒng)性能。在本文中，為了體現(xiàn)系統(tǒng)的穩(wěn)健性，并沒有充分利用詞典資源，在實(shí)際系統(tǒng)中，可靠的詞典資源將對系統(tǒng)性能產(chǎn)生重要的影響。近年來，隨著網(wǎng)絡(luò)信息資源的爆炸式增長，研究人員開始在實(shí)際系統(tǒng)中引入各種有用的網(wǎng)絡(luò)資源，下一步的工作可以考慮將可靠的網(wǎng)絡(luò)資源引入系統(tǒng)中，更好的提升系統(tǒng)的翻譯質(zhì)量。

[1] 馮志偉.機(jī)器翻譯研究[M].北京：中國對外翻譯出版社，2004.

[2] 劉群，張華平，駱衛(wèi)華，孫健等譯，劉群審校.自然語言理解[M].北京：電子工業(yè)出版社，2005.

[3] 宗成慶.統(tǒng)計(jì)自然語言處理[M].北京：清華大學(xué)出版社，2008.

[4] 呂永進(jìn)，鄭承萍. 外國人名、地名翻譯中的漢字應(yīng)用問題[C]//第三屆全國語言文字應(yīng)用學(xué)術(shù)研討會，2003： 372-383.

[5] 孫樂樂. 中文地名翻譯淺談[J]. 科技經(jīng)濟(jì)市場，2006:358-359.

[6] 彭月華，張向京. 地名短語文化內(nèi)涵與翻譯[J]. 中國科技翻譯，2008:54-57.

[7] Julian Kupiec. An algorithm for finding noun phrase correspondences in bilingual corpora[C]//Proc. of the 31st Annual Meeting of the ACL. 1993:17-22.

[8] 蔣龍，周明，簡立峰.利用音譯和網(wǎng)絡(luò)挖掘翻譯命名實(shí)體[J].中文信息學(xué)報，2007,21(1):23-29.

[9] 苗文彥，趙鐵軍，周向根，等. 面向機(jī)器翻譯的中文機(jī)構(gòu)地址切分方法[C]//2009國際信息技與應(yīng)用論壇，2009.