左世亮，劉穩(wěn)良

(上海應(yīng)用技術(shù)大學(xué)，上海201418)

1 引言

我國(guó)和沿線國(guó)家之間的交流愈發(fā)緊密，各類深度合作項(xiàng)目日益增多，這對(duì)語(yǔ)言服務(wù)企業(yè)與人才能力都設(shè)定了更高的標(biāo)準(zhǔn)要求[1-2]。語(yǔ)言服務(wù)企業(yè)為支撐翻譯生產(chǎn)，創(chuàng)建了一系列平行語(yǔ)料庫(kù)，為多元化語(yǔ)言服務(wù)需求提供充足便利。但在多源信息發(fā)展的今天，隨著語(yǔ)料數(shù)量持續(xù)增長(zhǎng)，出現(xiàn)越來越多的相似語(yǔ)句，為翻譯工作帶來諸多困擾[3]，由此要對(duì)相似句段進(jìn)行去重，保障語(yǔ)言服務(wù)效率與水平。

關(guān)于文本去重問題，陳平華[4]等提出一種采用簽名與哈希技術(shù)的云存儲(chǔ)去重方案，在數(shù)據(jù)去重過程中運(yùn)用雙層校驗(yàn)機(jī)制審計(jì)數(shù)據(jù)完整性，校驗(yàn)文件完整性并精確定位損壞數(shù)據(jù)塊；構(gòu)造Merkle哈希樹生成校驗(yàn)值，計(jì)算去重標(biāo)簽，確保檢測(cè)到重復(fù)數(shù)據(jù)。但該方法局限性高，不易廣泛推廣。鄧玉輝[5]等提出一種基于混合頁(yè)面的磁盤緩存去重策略。在磁盤緩存中引入混合頁(yè)機(jī)制，保留基頁(yè)增加巨頁(yè)，自適應(yīng)調(diào)整巨頁(yè)大小讓命中率最大化；監(jiān)測(cè)基頁(yè)、巨頁(yè)冷熱程度，將重復(fù)率高的冷巨頁(yè)拆分為基頁(yè)，實(shí)現(xiàn)基頁(yè)、巨頁(yè)動(dòng)態(tài)轉(zhuǎn)換；利用重刪技術(shù)對(duì)基頁(yè)、巨頁(yè)依次實(shí)施去重，在命中率最大化同時(shí)保持去重率，但方法去重速率緩慢。

綜合以上內(nèi)容，本文創(chuàng)建一種基于詞頻-逆向文件頻率(term frequency-inverse document frequency，TF-IDF)的平行語(yǔ)料庫(kù)相似句段去重算法。對(duì)齊平行語(yǔ)料庫(kù)互為對(duì)應(yīng)關(guān)聯(lián)的句子，推導(dǎo)句段相似程度，加強(qiáng)后續(xù)去除速度，融合TF-IDF技術(shù)與單詞主題相關(guān)性，計(jì)算關(guān)鍵詞權(quán)重，刪除高權(quán)重句段，達(dá)到平行語(yǔ)料庫(kù)句段去重目的。

2 平行語(yǔ)料庫(kù)句子對(duì)齊計(jì)算

為平行語(yǔ)料庫(kù)創(chuàng)建句子以及對(duì)齊關(guān)聯(lián)，明確源語(yǔ)言句段內(nèi)哪些句子和語(yǔ)料庫(kù)語(yǔ)言中的句段互為譯文。句子對(duì)齊關(guān)聯(lián)可能包含多種形式，最常見的是源語(yǔ)言句段內(nèi)一個(gè)句子與目標(biāo)語(yǔ)言句段內(nèi)的一個(gè)句子對(duì)應(yīng)[6]，此外還包含如下幾種狀況：源語(yǔ)言中一個(gè)句子與目標(biāo)語(yǔ)言內(nèi)兩個(gè)或若干個(gè)句子對(duì)應(yīng)；源語(yǔ)言中兩個(gè)或若干個(gè)句子與目標(biāo)語(yǔ)言中一個(gè)句子對(duì)應(yīng)；源語(yǔ)言中兩個(gè)或若干個(gè)句子與目標(biāo)語(yǔ)言中兩個(gè)或若干個(gè)句子相對(duì)。在特殊情況下，翻譯與原文存在較大差距，省略不譯狀況時(shí)有發(fā)生，同時(shí)為了讓目標(biāo)語(yǔ)言更便于理解，增添解釋性語(yǔ)言。此時(shí)會(huì)產(chǎn)生某種語(yǔ)言文本的句子與其它語(yǔ)言沒有句子相互對(duì)應(yīng)的現(xiàn)象。本文使用召回率與精確率，按照特有參照對(duì)句子對(duì)齊算法性能實(shí)施評(píng)估。

若一段對(duì)齊的雙語(yǔ)句段是〈S，T，Ar〉，Ar為參考對(duì)齊，針對(duì)隨機(jī)一個(gè)和Ar相同級(jí)別的對(duì)齊A，A內(nèi)準(zhǔn)確的雙語(yǔ)句段數(shù)和Ar全部雙語(yǔ)句段數(shù)的比率就是A對(duì)應(yīng)于Ar的對(duì)齊召回率，計(jì)算過程為

Recall(A，Ar)=|A∩Ar|/|Ar|

(1)

從上式可知，對(duì)齊召回率是在對(duì)齊內(nèi)準(zhǔn)確的雙語(yǔ)句段數(shù)和全部準(zhǔn)確雙語(yǔ)句段數(shù)的比值，證明A內(nèi)獲得正確對(duì)齊句段的個(gè)數(shù)越多。

如果一段對(duì)齊的雙語(yǔ)句段為〈S，T，Ar〉，Ar為參考對(duì)齊，關(guān)于隨機(jī)一個(gè)和AR擁有相等對(duì)齊長(zhǎng)度的對(duì)齊A，A內(nèi)準(zhǔn)確的雙語(yǔ)句段和A內(nèi)全部雙語(yǔ)句段的比率為對(duì)齊精確率，即

Precision(A，Ar)=|A∩Ar|/|A|

(2)

在真實(shí)運(yùn)用中，通常采用F評(píng)估法當(dāng)作權(quán)衡對(duì)齊性能的指標(biāo)，該方法是對(duì)齊精確率與召回率的調(diào)和均值。

傳統(tǒng)對(duì)齊方法依靠句段內(nèi)的單詞個(gè)數(shù)，沒有考慮單詞自身形態(tài)與含義。在此前提下，創(chuàng)設(shè)一個(gè)概率模型，同時(shí)挑選最大概率路徑當(dāng)作對(duì)齊輸出，該模型的參數(shù)涵蓋句段類別概率與長(zhǎng)度相對(duì)概率[7]。

使用基于長(zhǎng)度的句子對(duì)齊方法，其核心思想是句子長(zhǎng)度越相近，則變成對(duì)譯句段的概率越大。

3 句段相似度分析

按照源語(yǔ)言文本，從大范圍多源信息平行語(yǔ)料庫(kù)內(nèi)找到最為接近的翻譯范例，確保譯員準(zhǔn)確高效地完成翻譯工作，這就是句段相似度計(jì)算的根本任務(wù)[8]?，F(xiàn)階段對(duì)于相似度暫無(wú)一個(gè)確切定義，在不同實(shí)際應(yīng)用中，相似度內(nèi)涵各不相等。本文依照如下內(nèi)容進(jìn)行相似度類型區(qū)分：A和B間的相似度與它們的共性及區(qū)別有關(guān)，共性數(shù)量越多，相似度越高；區(qū)別越多，相似度越小。文中的相似度代表兩個(gè)句段字符重復(fù)水準(zhǔn)，按照句段相似水平將去重句段劃分為以下幾種：句段全部重復(fù)、句段內(nèi)涵重復(fù)、句型轉(zhuǎn)換和少部分同義詞變換。

將句段描述為單詞集合

π(S)={W1，W2，…，Wn}

(3)

式中，S代表句段，Wi是句段內(nèi)的單詞。

句段S1與句段S2之間的表層相似度為

Sim(S1，S2)=2*Γ(π(S1)Iπ(S2))

/(Len(S1)+Len(S2))

(4)

式中，I代表集合的求交運(yùn)算，Γ是集合的因子數(shù)量，Len是句段長(zhǎng)度，也就是句段內(nèi)包含的單詞個(gè)數(shù)。

兩個(gè)句段表層相似度越高，輸入的待翻譯句段和翻譯實(shí)例相同的單詞越多，保障了平行語(yǔ)料庫(kù)譯文的高質(zhì)量。

句段中詞匯信息熵值越高，表明該詞匯在語(yǔ)料庫(kù)內(nèi)出現(xiàn)的頻率越小，對(duì)分辨句段相似度的作用越好，計(jì)算流程為

H(w)=lg(M/m)

(5)

式中，w為詞匯，M是平行語(yǔ)料庫(kù)內(nèi)的句段總數(shù)，m是出現(xiàn)詞匯w的句段數(shù)量。

相似度臨界值可以更好地約束句子相似度運(yùn)算精度，將臨界值設(shè)定在0.6～0.7之間。句段S1與句段S2的信息熵相似度臨界值計(jì)算過程為

SimH=∑H(wi)

(6)

實(shí)施待選實(shí)例搜索過程中，在多源信息下的平行語(yǔ)料庫(kù)內(nèi)挑選一定數(shù)量的句段，再使用式(6)的信息熵相似度臨界值計(jì)算過程，從句段中選出某些句子。

值得注意的是，本文方法無(wú)法在全部平行語(yǔ)料庫(kù)內(nèi)直接使用式(6)擇取待選實(shí)例。原因在于，假如在全部平行語(yǔ)料庫(kù)中直接使用信息熵相似度臨界值篩查待選模式，就會(huì)給某種特殊用詞過多比重，致使篩選出的翻譯句段和預(yù)期翻譯結(jié)果相差較多[9]，降低了譯文整體翻譯質(zhì)量。

使用基于泛化的匹配度計(jì)算，在泛化前提下算出待選實(shí)例和輸入的待翻譯句段之間的模糊匹配度。按照待翻譯的輸入句子對(duì)翻譯實(shí)例的有關(guān)語(yǔ)法單位實(shí)施泛化，構(gòu)成擁有相對(duì)復(fù)雜特征的參變量，憑借泛化實(shí)例類比推導(dǎo)組建輸入句段的譯文。

類比推理是一個(gè)變量屬性收斂匹配的過程，譯文結(jié)構(gòu)利用對(duì)泛化實(shí)例采取替換、拷貝、刪除等動(dòng)作來實(shí)現(xiàn)。實(shí)施泛化匹配過程中，要考慮詞形、詞類、詞的同義、反義和涵蓋的語(yǔ)境信息[10]。

詞語(yǔ)泛化匹配度代表輸入句段內(nèi)的某個(gè)詞語(yǔ)和翻譯實(shí)例內(nèi)的某個(gè)詞語(yǔ)能夠互相替換的幾率，與詞匯相似度具有密切關(guān)聯(lián)。將詞語(yǔ)泛化匹配度的計(jì)算方程描述為

LGMD(w1，w2)=f(SimLex，SimPos，SimCon)

(7)

式中，α、β、γ為三個(gè)系數(shù)，代表不同狀況下的可信度權(quán)值，SimLex為詞匯相似度，SimPos為詞性相似度，SimCon是語(yǔ)境相似度。SimLex的運(yùn)算過程如下

SimLex(w1，w2)

(8)

式中，dis_sem(w1，w2)代表詞匯w1、w2之間的語(yǔ)義距離，α為權(quán)值系數(shù)。語(yǔ)義距離的運(yùn)算使用基于HowNet方法，該方法提供的義原分類樹，用樹的模式呈現(xiàn)出每個(gè)義原及其關(guān)聯(lián)，樹內(nèi)父節(jié)點(diǎn)與子節(jié)點(diǎn)的義原擁有上下位關(guān)聯(lián)[11]，采用義原分類樹推算兩個(gè)詞語(yǔ)間的語(yǔ)義距離。

SimPos推導(dǎo)公式為

(9)

其中，Pos(w)為詞匯w處于句段中的詞類標(biāo)注屬性。

SimCon推導(dǎo)公式為：

(10)

式中，ω是權(quán)值系數(shù)，dis_con(w1，w2)是單詞w1、w2的上下文偏移間距。

句子泛化匹配度是翻譯實(shí)例以范例形式，對(duì)輸入句段實(shí)施類比翻譯的可靠度，計(jì)算過程為：

(11)

式中，分母內(nèi)的Len(s1)、Len(s2)依次代表輸入句段與翻譯實(shí)例的句段長(zhǎng)度。

最終句段相似度計(jì)算公式為：

similarity(s1，s2)=a·SGMD(s1，s2)

+β·Sims(s1，s2)+γ·SimH

(12)

通過以上過程，就能從平行語(yǔ)料庫(kù)中找出最相近的翻譯句子，提升后續(xù)相似句段去重效果。

4 基于TF-IDF技術(shù)的平行語(yǔ)料庫(kù)相似句段去重算法

傳統(tǒng)相似句段去重將文檔分詞識(shí)別獲得的關(guān)鍵詞當(dāng)作特征值，權(quán)重是關(guān)鍵詞出現(xiàn)的數(shù)量。詞性與詞長(zhǎng)是權(quán)衡單詞權(quán)重的主要元素，全方位呈現(xiàn)句段具體內(nèi)容，提升相似句段去重精確率。權(quán)重只取決于單詞出現(xiàn)的次數(shù)，句段內(nèi)的某些核心內(nèi)容會(huì)發(fā)生損壞，大幅減少了去重精度。為處理這一難題，本文運(yùn)用TF-IDF技術(shù)與單詞主題相關(guān)性推算關(guān)鍵詞權(quán)重，剔除權(quán)重值較高的句段，實(shí)現(xiàn)準(zhǔn)確高效的平行語(yǔ)料庫(kù)句段去重目標(biāo)。

TF-IDF技術(shù)主要計(jì)算關(guān)鍵詞在句段內(nèi)的重要程度，TF是關(guān)鍵詞在句段內(nèi)出現(xiàn)的頻度，將關(guān)鍵詞ti的TF描述成

(13)

逆向文本頻率IDF，代表關(guān)鍵詞所在句段處于句段集合中的比例，記作

(14)

式中，|D|是ti句段集合內(nèi)的句段總數(shù)，|{j:ti∈dj}|為包含關(guān)鍵詞的句段個(gè)數(shù)，并保證是ni，j不等于零的句段。

關(guān)鍵詞i在句段j中的TF-IDF定義是

tf-idfi，j=tfi，j×idfi

(15)

TF-IDF技術(shù)的有限性在于，句段出現(xiàn)次數(shù)越高，重要程度就越低，這對(duì)于某些句段而言擁有一定偏差，某類關(guān)鍵詞匯在句段中出現(xiàn)的次數(shù)也很多，要賦予此類詞匯更多的權(quán)重。

本文使用單詞主體相關(guān)性當(dāng)作附加權(quán)重，把專業(yè)術(shù)語(yǔ)單詞長(zhǎng)度設(shè)定為辨別單詞主體相關(guān)性的憑據(jù)。選擇平行語(yǔ)料庫(kù)內(nèi)的關(guān)鍵詞為數(shù)據(jù)集合[12]，計(jì)算數(shù)據(jù)集合內(nèi)20000個(gè)中文術(shù)語(yǔ)長(zhǎng)度，同時(shí)實(shí)施正態(tài)擬合，其結(jié)果如圖1所示。

圖1 中文譯文長(zhǎng)度擬合示意圖

圖1內(nèi)的擬合正態(tài)分布函數(shù)是

(16)

將擬合后獲得的擬合函數(shù)確定系數(shù)書寫成Rsquare，該系數(shù)越趨近于1，證明擬合函數(shù)對(duì)真實(shí)數(shù)據(jù)的詮釋性能越強(qiáng)。

單詞長(zhǎng)度約接近5，伴隨函數(shù)值的升高，單詞主題相關(guān)性也隨之上升。

運(yùn)用單詞主題相關(guān)性函數(shù)當(dāng)作附加權(quán)重，能提升TF-IDF技術(shù)對(duì)權(quán)重計(jì)算的準(zhǔn)確性。最后得到關(guān)鍵詞e的權(quán)重計(jì)算方程為

w(e)=tfe，j×idfe×(1+len(x))

(17)

以下為相似句段去重的具體步驟：在待檢測(cè)的文本內(nèi)選擇一個(gè)句段Si和目前已知的句段集合S，將Si與集合內(nèi)的句段按一定順序分別計(jì)算其權(quán)重，假如某個(gè)句段Sj和Si的權(quán)重超出設(shè)定的臨界值，那么Si就無(wú)法作為一個(gè)全新的句段放入S中，反之將其添加至S中。

5 實(shí)驗(yàn)分析

為證明所提方法去重成效，對(duì)該算法與文獻(xiàn)[4]、文獻(xiàn)[5]方法進(jìn)行實(shí)驗(yàn)分析，開發(fā)語(yǔ)言為Java。圖2是三種方法在相同狀況下對(duì)同一文本集句段進(jìn)行去重的運(yùn)算時(shí)間。

圖2 不同方法下的去重運(yùn)算時(shí)間

從圖2中可知，在句段數(shù)據(jù)量較小時(shí)，三種方法均耗費(fèi)很少的運(yùn)算時(shí)間，去重時(shí)間近乎相等。但在實(shí)驗(yàn)數(shù)據(jù)量逐步上升后，所有方法的時(shí)間呈現(xiàn)指數(shù)形式增長(zhǎng)，文獻(xiàn)[5]方法所耗時(shí)間最長(zhǎng)，其次為文獻(xiàn)[4]方法，所提方法耗費(fèi)的運(yùn)行時(shí)間最短。出現(xiàn)此種現(xiàn)象的原因是，本文方法充分考慮了句段相似度在不同情況下的重復(fù)模式，可使用在任何長(zhǎng)度的語(yǔ)句比對(duì)中，增強(qiáng)了算法去重識(shí)別速率。

利用去重召回率與精確率權(quán)衡算法的實(shí)用性，把去重的關(guān)鍵放在短句與長(zhǎng)句比率在0.3～0.9之間的句子。通過多次實(shí)驗(yàn)，設(shè)定的平衡參數(shù)λ1與λ2如表1所示，相似度臨界值為0.6。

表1 平衡參數(shù)設(shè)定

實(shí)驗(yàn)第一組數(shù)據(jù)為自主研發(fā)的樣本150個(gè)句段，第二、三、四組數(shù)據(jù)從互聯(lián)網(wǎng)中得到，分別為750、630、480個(gè)句段，實(shí)驗(yàn)結(jié)果如表2所示。

表2 算法召回率和精確率實(shí)驗(yàn)結(jié)果

從表2中可以看到，本文方法召回率與精確率均為最高的，另外三組數(shù)據(jù)均存在一定的誤判現(xiàn)象。在實(shí)際操作中，在相關(guān)度分析時(shí)制作一個(gè)分析報(bào)表，報(bào)表內(nèi)記載被系統(tǒng)認(rèn)為相似的句段編碼與內(nèi)容，再利用人工判別是否相似，去除誤判結(jié)果。

使用自主研發(fā)樣本數(shù)據(jù)，通過更改臨界值大小，觀測(cè)臨界值對(duì)本文方法召回率與精確率的影響，如圖3所示。

圖3 臨界值對(duì)本文方法去重效果的影響

從圖3看出，閾值在0.6～0.7之間時(shí)，召回率與精確率實(shí)現(xiàn)很好的均衡，這與上文設(shè)定結(jié)果相同，以此也證明了本文方法的可靠性。

6 結(jié)論

為提升語(yǔ)言服務(wù)企業(yè)翻譯工作時(shí)效性，提出一種基于TF-IDF技術(shù)的平行語(yǔ)料庫(kù)相似句段去重算法。該算法對(duì)整體重復(fù)與特別相近的句段擁有極強(qiáng)的去重效果，但該方法研究語(yǔ)義相似性的內(nèi)容較少，后續(xù)會(huì)對(duì)此點(diǎn)進(jìn)行改進(jìn)，深入提升算法去重的完整性。