常见问题欢迎来到博狗bodog88手机,权威的博狗bodog88手机、www.qiamagu.net
www.qiamagu.net
点击咨询毛老师  点击咨询李老师  点击咨询王老师
范文如找不到所需论文资料、期刊请您在此搜索查找
您当前的位置:博狗bodog88手机 > 工程论文 >

神经网络的机器翻译质量评析及对翻译教学的影响

发布时间:2018-07-18

  机器翻译论文四

  题目:基于神经网络的机器翻译质量评析及对翻译教学的影响

  摘要:基于神经网络的机器翻译近年来发展迅速, 引发了语言学和翻译专业师生的极大关注, 他们迫切希望知道:机器翻译, 尤其是神经网络机器翻译, 到底能达到怎样的翻译水平?机器翻译的优势和劣势是什么?未来机器翻译能够发展到什么程度?能否替代人工翻译?翻译教学应该怎样适应机器翻译的发展而实施相应的教学改革?文章将依托技术层面的深入分析尝试解答上述问题。

  关键词:机器翻译; 神经网络机器翻译; 深度学习; 翻译教学;

  1 引言

  2017年7月20日, 国务院印发《新一代人工智能发展规划》, 从战略层面规划了人工智能的发展蓝图。媒体从不同角度宣传人工智能不同领域的最新进展:从人脸识别到语音识别, 再到机器同声传译, 呈现出“机智过人”的趋势。在语言服务和翻译研究领域, 神经网络机器翻译也是最热议的话题。据称, 神经网络机器翻译已经接近人类的翻译水平, 结合语音识别技术, 已经能够进行“同传”。不少人开始担心:机器翻译是不是很快就能够替代人工译员?翻译专业的学生们会不会面临失业?如果机器什么语言都能翻译的话, 翻译教学该怎样教、教什么?

  本文将从技术角度深入解读机器翻译, 剖析机器翻译尤其是基于神经网络的机器翻译的特点和面临的问题, 讨论机器翻译与人工翻译和翻译教学的关系。

  2 机器翻译研究回顾

  2.1 初衷和梦想

  电子计算机最初是为了实现快速计算, 很快拓展到符号处理功能。1947年3月美国科学家沃伦·韦弗 (Warren Weaver) 在给控制论专家诺伯特·维纳 (Norbert Wiener) 的信中首次提到了用计算机实现语言翻译的构想, 即著名的翻译备忘录。机器翻译 (Machine Translation, MT) 研究的原动力是二战期间俄语和英语之间的密码破译。早期人们简单地将一些翻译规则和双语词典输入计算机来实现机器翻译。但这样构建的机器翻译系统性能很差。1966年美国自动语言处理咨询委员会 (Automatic Language Processing Advisory Committee, ALPAC) 对俄英机器翻译进行了全面评估。评估报告认为, 机器翻译研究代价昂贵, 译文质量差, 并断言未来机器翻译也不可能达到人类翻译的水平。机器翻译研究因此受到重挫。

  随着经济和文化全球化趋势的加剧, 翻译需求量急剧增长。巨大的翻译市场是机器翻译研究的驱动力。与人工翻译相比, 机器翻译的廉价、快速、便捷的优势越来越显现。各行业人士开始借助机器翻译或机助翻译来提升翻译的效率和质量, 机器翻译正在助力人们打破交流中的语言障碍。

  2.2 实现机器翻译的方法

  机器翻译的翻译方法从最初的基于语言规则的翻译 (Rule-Based MT, RBMT) 发展到了基于实例的翻译 (Example-Based MT, EBMT) 。上世纪90年代, 统计机器翻译 (Statistical MT, SMT) 得到了长足发展。最近5年内神经网络机器翻译 (Neural MT, NMT) 成为热点。当然, 也有采用多种方法融合的机器翻译系统 (Hybrid MT) 。

  机器翻译方法的发展历程体现出人们使用计算机实现自动翻译方法论的不同阶段。第一阶段基于语言规则的方法, 源于对翻译的直觉理解, 认为只要将人类翻译的理论和手段“灌输”给计算机就可以让其模拟人来实现翻译。但语言规则无法覆盖复杂多变的语言现象, 知识的表示是个瓶颈问题。继理性主义的方法后, 机器翻译进入到第二阶段:从实际语言中学习的经验主义方法。无论是从翻译样例中获取翻译模板的EBMT, 还是用统计模型和神经网络结构实现的SMT和NMT, 都属于经验主义方法的范畴, 都是利用计算机从大量实际翻译句对中学习如何翻译。经验主义的这三种方法也各有特色:EBMT尽可能地找到和待翻译内容相似的翻译实例, 尽量多地利用实际语言来形成翻译的主体内容。SMT先分解语句, 找到较小的语言单位 (主要是单词和短语) 在翻译句对中最可能的对应 (翻译模型) , 再组合得到更大粒度 (如句子和段落) 的翻译对应 (语言模型) 。而NMT采取的是端到端 (End-to-End) 的整体翻译模式。三种经验主义的研究方法进展体现了机器翻译策略上的变革路线图:从尽量地模仿人类翻译规则, 发展到对语言结构成分的分析和重组, 再到“整入整出”的翻译策略。

  2.3 深度学习的突破

  早在上世纪40年代人们就开始了对人工神经网络的研究。1969年, Minsky&Papert指出, 以感知器为代表的神经网络仅能解决一阶谓词逻辑, 只能做线性划分, 连简单的“异或”逻辑都无法处理。神经网络的研究一度陷入低潮。2011年8月微软宣布, 用神经网络构建的语音识别系统在对非特定人的实时语音识别上, 将错误率降低了33%。这个突破性的成果又重新唤起了人们对神经网络研究的热情。深度学习 (Deep Learning) 是一种多层的复杂神经网络结构, 除了输入层和输出层, 中间还有很多隐层 (Hidden Layer) , 并且网络节点的结构也在不断地变化。人工神经网络是以结构模拟实现对人类智能的功能模拟。

  深度神经网络在语音识别和图像识别等领域都取得了较大进展, 但是在自然语言处理领域却遇到困难。直到2016年, 谷歌才正式推出了基于深度学习的多语种神经网络机器翻译系统GNMT?。GNMT与谷歌之前的基于短语的统计机器翻译系统相比, 翻译错误率下降了60% (Wu et al., 2016:20) , 接近人类的翻译水平。现在很多机器翻译研究转向了深度学习模型。

  研究人员对神经网络机器翻译进行了系统深入的分析 (Koehn&Knowles, 2017;Isabelle et al., 2017:1-28) 。神经网络机器翻译是否真正比统计机器翻译更有优势?优势具体表现在哪些方面?为什么能产生这些优势?还面临哪些挑战?解决这些问题有助于进一步提高神经网络机器翻译的性能, 明确机器翻译未来能达到的上限 (Ceiling) 。

  3 神经网络机器翻译的原理

  3.1 神经网络学习的理论基础

  人工神经网络用物理可实现的系统来模仿人脑神经细胞的结构和功能。人工神经元使用激活函数模拟人的神经元不同的状态。神经元互连形成神经网络结构。神经网络的学习过程是一个不断调整网络连接权值的过程。其中主要的学习方法称为纠错学习, 即将神经网络的期望输出与实际输出之间的偏差作为连接权值调整的参考, 并向着最终减少这种偏差的方向修改权值。因此, 神经网络需要有标注答案的数据训练。待网络参数收敛时, 说明网络拟合了训练数据。而训练好的神经网络才能处理新数据。图1是神经网络的基础———多层感知器的结构图。

  图1 多层感知器的结构图

  所谓深度神经网络, 简单地说就是中间的隐层有很多层。当然现在神经网络节点的结构也在不断发展, 比如长短时记忆循环神经网络 (Long Short-Term Memory Networks, LSTM) , 网络的基本单元是包含了三个控制门 (Gate) 的复杂结构, 从而可以有效解决长距离相依的问题 (Hochreiter&Schmidhuber, 1997:1735-1780) 。在翻译中经常要根据较大的上下文语境才能确定如何翻译, 因此LSTM被较多地运用到机器翻译模型中。

  3.2 深度学习依赖的资源

  深度神经网络机器翻译的卓越表现主要依靠大数据、深度网络模型和复杂计算。

  首先要有大规模的训练数据才能保证神经网络机器翻译系统的性能。数据规模多大算大?根据Koehn&Knowles (2017) 对英语到西班牙语的翻译系统的研究, 当训练语料规模在1500万词以上时, 神经网络翻译的性能才开始优于统计翻译。也就是说, 几百万词的训练语料尚不足以训练一个较好的神经网络机器翻译系统。一般需要有几千万词的语料。要获得如此大规模的人工标注数据, 其代价甚至高出了系统研发的成本。

  其次是深层神经网络结构。网络结构中隐层必须达到一定的数目才能有效地学习。例如, GNMT的神经网络采用了8层编码LSTM和8层解码LSTM (Wu et al., 2016:4) 。但并不是网络层数越多越好。复杂的网络结构带来了模型训练的诸多问题, 训练时间和计算成本也迅速增长, 但网络性能并不一定有提升。对于网络结构中隐层的数目和隐层节点的数目在什么条件下取得最佳值, 目前并没有理论支撑, 靠的是研究人员的经验和反复的实验尝试。

  最后, 神经网络机器翻译还要依赖复杂计算。个人电脑已经无法胜任深度学习模型的训练任务。谷歌的GNMT为获得在3600万英法翻译句对上的翻译模型, 采用了最先进的NVIDIA K80 GPU卡 (浮点数运算速度达几万亿次/秒) , 在12台不同机器上 (共96块GPU卡) 并行训练了6天 (Wu et al., 2016:11) 。可见, 要得到深度学习的翻译模型需要强大的硬件条件支持。

  4 神经网络机器翻译的特点和面临的挑战

  经过性能对比测试, 神经网络机器翻译显著优于基于短语的统计机器翻译, 这个结论已经被多项研究证实 (Isabelle et al., 2017;Koehn&Knowles, 2017;Klubi ka et al., 2017;Bentivogli et al., 2016;Toral&Sanchez-Cartagena, 2017) 。上述研究对神经网络机器翻译评测涉及的语言有英语、法语、德语、西班牙语等, 但却缺少英汉翻译。相比英法、英德等同一语系语言之间的翻译, 英汉之间的翻译更加困难, 也是GNMT性能最低的翻译语言对之一?。涉及英汉机器翻译的研究中, 又以汉英翻译方向为主。而根据我们测试的结果, GNMT的英汉翻译不及汉英翻译的质量。

  4.1 神经网络机器翻译的特点

  神经网络机器翻译除具有一般机器翻译的特点外, 新产生的特点主要体现在:

  (1) 整体翻译句子, 译文的流利度显著提升。神经网络机器翻译给人的印象是译文的可读性高。对译文流利度的评价与多个因素相关, 涉及译文的拼写、构词、句法、语义等多个方面 (Costa-Jussà&Farrús, 2013:157-166) 。神经网络机器翻译显著提升了译文的可读性, 主要是因为其更好地处理了句法问题, 如主谓一致、过去分词、双宾语、补足语等问题 (Isabelle et al., 2017) , 还大幅度降低了词序错误、词形变化错误以及功能词错误等 (Klubi ka et al., 2017:121-132) 。基于短语的统计机器翻译模型对句中的短语之间的关系做了独立性假设, 因此割裂了短语之间的关系, 造成译文不流利, 这是模型本身的缺陷造成的。神经网络机器翻译采取了端到端的翻译方法, 学习时将例句整体作为网络的输入, 在输出端得到完整的译文。通过大量翻译实例的学习, 神经网络在大量计算的基础上实现了对自然语句表达的最佳逼近。

  (2) 多语种翻译共用一个模型, 实现零训翻译。谷歌的GNMT能实现几十种语言之间的翻译, 而且不同语言的翻译可用同一个翻译模型实现。也就是说, 深度学习可实现转移学习 (Transfer Learning) , 实现了两种从未直接用翻译数据训练的语言之间的零训翻译 (Zero-Shot Translation) (Johnson et al., 2016) 。比如, 研究人员首先用葡萄牙语到英语的翻译语料训练了葡英翻译模型, 又用英语到西班牙语的数据训练得到了英西翻译模型。尽管没有葡萄牙语到西班牙语的翻译训练数据, 但模型却可以将葡萄牙语较好地译为西班牙语。共用一个模型实现多语种之间的翻译, 大大降低了多语种翻译研究的工作量, 并且为那些缺乏训练数据的语言对之间的自动翻译提供了可能。

  (3) 结构模拟实现功能模拟, 翻译机理更加神秘。基于规则的机器翻译原理是透明的, 翻译结果具有可解释性。基于统计的机器翻译也具备统计意义上的可解释性, 因为机器总是选择具有最大概率的译文输出。但是神经网络机器翻译的结果是难以解释的。神经网络是在结构上模拟了人脑神经系统, 但毕竟和人脑的信息处理机制不同。最终存储在神经网络节点间的权值与训练使用的数据和网络结构都有密切关系。连接权值的意义很难解释, 神经网络机器翻译的翻译机理更具有神秘性。

  4.2 神经网络机器翻译面临的挑战

  神经网络机器翻译有了显著的进步, 但其尚未达到人类的翻译水平。Isabelle et al. (2017) 构建了一个英法翻译挑战数据集 (Challenge Set) 来测试GNMT。GNMT完全译对的句子不足70% (3个人工评价员的一致性达0.89) 。部分翻译挑战是所有机器翻译都面临的, 还有一些是神经网络机器翻译较为突出的问题。

  下面我们从翻译的语言单位、文体领域、译文的多样性和创造性、容错性和稳定性四个角度剖析神经网络机器翻译面临的挑战。

  4.2.1 不同语言单位上的挑战

  从翻译的语言单位上划分, 面临的挑战包括词汇和短语层面、句子层面和段落语篇层面三类。

  (1) 词汇和短语层面的挑战

  第一, 低频词和少见词的翻译是机器翻译的难题, 神经网络机器翻译也不例外。其原因是在训练阶段为了降低模型及计算的复杂度、节约存储空间, 删去了低频词和少见词。

  第二, 开放性词汇的翻译问题。开放性词汇是未收录在词典中的词汇, 主要包括人名、地名、机构、商标等命名实体, 还有时间、日期、数字、新词等。神经网络机器翻译采取了片词 (Wordpieces或Subword) 模型提升了对开放词汇的处理能力 (Wu et al., 2016:7) 。但遇到不能翻译的词, 系统仍会采取“不译”的做法。这通常这不符合人们的翻译要求。下面是测试GNMT汉英翻译的一个例子 (2017-10-30测试) 。句中的两个人名显然都译错了。

  原文:新华社北京3月26日电 (记者钱春弦) 壳牌集团董事长伍梓培日前表示, 到2005年, 壳牌集团在华投资总额将达到50亿美元。

  GNMT译文:Xinhua News Agency, Beijing, March26 (Reporter Qian Chun string) Shell Group Chairman Wu Zhipi said recently that by 2005, Shell Group in China total investment will reach 5 billion US dollars.

  第三, 错译仍然是最主要的错误类型。Klubi ka et al. (2017) 的研究结果表明, 影响GNMT译文准确率的主要问题依次是错译、漏译和添译。下面是一个测试GNMT英汉翻译的例子 (2017-11-28测试) 。其中precious是典型的错译。

  原文:Machines don't have minds, and there is precious little evidence to suggest they ever will.

  GNMT译文:机器没有思想, 有宝贵的证据表明他们永远不会。

  第四, 短语层面的翻译难点是习语、成语和搭配结构的翻译。这些内容的翻译一般不是直译的结果。神经网络机器翻译还无法灵活应对这些内容的翻译 (Isabelle et al., 2017:1-28) 。

  (2) 句子层面的挑战

  机器翻译主要实现的是句子一级的翻译, 尚难以在段落和语篇层面实施翻译。神经网络机器翻译对短句的翻译质量优于长句, 长句的翻译仍是个难题。Koehn&Knowles (2017) 的实验表明, 当句子片词数大于60时?, 神经网络翻译的准确率开始急剧下降。原因之一是训练模型时删去了长句 (Isabelle et al., 2017:1-28) , 另外一个深层原因是翻译模型在解码时, 搜索算法更倾向于选择短句作为翻译结果。

  尽管译句的流利度得到了大幅度提升, 但语序仍是影响神经网络翻译可读性的主要问题, 涉及副词短语、介词短语、形容词短语、时间短语等修饰结构和插入语的翻译语序。要从根本上解决译文的语序问题, 需要对原文进行正确的结构分析。而要正确解析句子的语法结构, 语义分析又是基础和前提。但是该方向的研究目前还缺乏有影响的重大成果支撑。

  (3) 段落语篇层面的挑战

  段落语篇翻译时要考虑衔接、连贯、指代关系、省略、句子和子句的顺序、文化语境和情景语境等异常复杂的因素。对所有机器翻译而言, 都是极大的挑战。神经网络翻译对长句的翻译准确度甚至远低于统计翻译 (Koehn&Knowles, 2017) 。如果将段落语篇视为更长的句子, 也就意味着神经网络翻译要解决段落语篇的翻译挑战更大。

  4.2.2 文体领域的适用性

  不同领域有不同的文体风格和翻译特点。用于训练语料相同领域的内容测试机器翻译时, 一般可以达到不错的翻译效果。一旦跨出该领域, 翻译性能就会急剧下降。在领域的适用性上, 神经网络翻译甚至比统计翻译更差 (Koehn&Knowles, 2017) 。

  由于目前机器翻译主要根据字面内容直接翻译, 尚不能处理深层语义表达、隐喻等文字之外内容的翻译, 所以常用于新闻、科技、专利、法律等以事实描述、知识和信息传递为交际目的的文本领域。这些文字较少涉及情感、常识和文化背景。而在小说、诗歌等富有表现力的文学领域以及涉及情感表达、观点态度等含有主观性内容的文字上, 机器翻译的能力还很弱。

  4.2.3 译文的多样性和创造性

  一般一个机器翻译系统对同一个原文只输出一个最佳译文。机器翻译不能像人类译员那样给出灵活多样的、合情合理的译法。一个翻译系统不论运行多少次, 对同一原文的输出结果是固定不变的。机器翻译不仅不能生成多种变化的正确译文, 也不能识别人类多种译法的不同, 不能判断不同表达之间的细微差别。机器翻译的输出与开发人员采用的方法有关, 与翻译的内容无关。机器翻译不同于人类译员, 本身是没有个性和创造力的。

  4.2.4 容错性和稳定性

  容错性是指对于原文中的小错误, 翻译时能否自动修正并给出正确的译文。人工翻译时会自然地对原文的问题予以订正, 但是对于机器翻译而言, 输入什么就翻译什么, 没有辨别能力, 容错性差。

  稳定性是指对不同内容的翻译性能是否能保持不变。人工翻译的稳定性主要与个人的语言能力和知识面有关, 但是机器译文的稳定性是难以确定的, 可能出现上一个句子的译文很不错, 下一个十分相似的句子的翻译结果却相差甚远的现象。

  5 机器翻译与翻译教学

  5.1 机器翻译与人工翻译的关系

  让机器具备和人一样的行为能力是人工智能的终极目标。但是, “人工智能仅仅是长期以来自动化任务的延续”, “这并不意味着计算机真的具有智能, 只是提供了解决问题的另一种方式” (Kaplan, 2016) 。

  机器翻译部分满足了人们跨语言信息交流的迫切需求, 其扮演的也应该是一种辅助翻译的角色。在部分翻译领域, 如文学作品的翻译、重要国际会议的翻译等, 机器翻译都不能作为主导翻译。笔者认为, 翻译中追求的“化境”、“语不惊人死不休”的翻译境界是机器永远达不到的。

  机器翻译速度快、廉价, 但还不够准确流利;人工翻译细致准确, 但是成本高、速度慢。“机器翻译与人工翻译之间并非矛盾、零和的关系, 而是相辅相成、相互促进的关系” (胡开宝、李翼, 2016:10-14) 。人工译文是目前机器学习的数据来源, 人工译文的质量决定了机器翻译的质量。而机器翻译作为辅助手段, 有效提升了人工翻译的质量和效率。

  5.2 机器翻译与翻译教学

  机器翻译的发展不会剥夺人类译员的工作机会, 高水平的译员未来仍是紧缺的职位。翻译教学在人工智能的大背景下需要更多地借助技术手段, 更快、更好地培养更高水平的翻译人才。

  (1) 明确人机分工, 实现人机协同翻译:我们需要明确机器翻译的使用场景和翻译特点, 并研究语言与翻译教学的侧重点。比如, 对科技和专利翻译中的术语, 机器可以帮助译员保持翻译的一致性和准确性及译员关注的重点应放在观点、方法等关键细节内容的准确性及译文的可读性方面。构建高效的协同工作环境是未来高水平、高效率翻译的要求。

  (2) 拓展译学新领域:机器翻译的普及产生了一种新型的语言服务行业———译后编辑。译后编辑指通过人工评审和编辑提高机器译文的质量和适用性。译后编辑模式已经应用到产业界。高校翻译教学也开始设置译后编辑课程 (崔启亮, 2016:68) , 拓展翻译服务的新领域, 培养职业译后编辑人员。技术发展的同时也带来了新的就业机会。

  (3) 改进传统教学方式, 提高软件应用技能:机器翻译、机助翻译和翻译管理系统都为人工翻译提供了更有效率的翻译工作环境。翻译教学中应增加有关工具软件的学习课程。熟练使用翻译软件逐渐成为高端翻译人才必须掌握的技能之一。

  6 结论

  神经网络机器翻译利用深度神经网络实现了端到端的翻译方法, 显著提升了译文的流利度和准确度, 但其翻译机理也更加难以解释。尽管基于深度学习的机器翻译有了较大的进展, 但是不等于说神经网络是解决机器翻译问题的唯一途径。深度学习本身还有很多理论问题没有得到解决, 在模型构造和工程实现上也存在很多变化 (余凯等, 2013) 。技术在不断发展, 未来机器翻译质量逐步提高的趋势不会改变。但神经网络机器翻译和人类译员的翻译水平仍有明显的差距, 各有各的特点。机器翻译主要实现的是字面内容的翻译, 而无法翻译出文字之外表达的思想、情感和观点。相信只有人类译员才能译出触及原作灵魂层面的东西。

  机器翻译作为一种翻译技术手段, 未来不但不会取代人类译员, 还能创造新的服务领域。翻译教学也要跟随技术进步, 有效利用最新技术手段提升教学内容, 改进教学方式。

  参考文献
  [1]Bentivogli, L.et al.Neural versus phrase-based machine translation quality:A case study[J].ar Xiv preprint ar Xiv:1608.04631, 2016.
  [2]Costa-Jussà, M.R.&M.Farrús.Towards human linguistic machine translation evaluation[J].Digital Scholarship in the Humanities, 2013 (2) .
  [3]Hochreiter, S.&J.Schmidhuber.Long short-term memory[J].Neural Computation, 1997 (8) .
  [4]Isabelle, P., Cherry, C.&G.Foster.A challenge set approach to evaluating machine translation[J].ar Xiv preprint ar Xiv:1704.07431, 2017.
  [5]Johnson, M.et al.Google's multilingual neural machine translation system:Enabling zero-shot translation[J].ar Xiv preprint ar Xiv:1611.04558, 2016.
  [6]Kaplan, J.Artificial Intelligence:Think Again[M].Communications of the ACM, 2016.
  [7]Klubi ka, F., Toral, A.&V.M.Sánchez-Cartagena.Fine-grained human evaluation of neural versus phrasebased machine translation[J].The Prague Bulletin of Mathematical Linguistics, 2017 (108) .
  [8]Koehn, P.&R.Knowles.Six challenges for neural machine translation[J].ar Xiv preprint ar Xiv:1706.03872, 2017.
  [9]Minsky, M.L.&S.Papert.Perceptrons:An Introduction to computational Geometry[M].Cambridge:The MIT Press, 1969.
  [10]Toral, A.&V.M.Sánchez-Cartagena.A multifaceted evaluation of neural versus phrase-based machine translation for 9 language directions[J].ar Xiv preprint ar Xiv:1701.02901, 2017.
  [11]Wu, Y.et al.Google's neural machine translation system:Bridging the gap between human and machine translation[J].ar Xiv preprint ar Xiv:1609.08144, 2016.
  [12]崔启亮.论机器翻译的译后编辑[J].中国翻译, 2016 (6) .
  [13]国务院.新一代人工智能发展规划[OL].Retrieved from http://www.gov.cn/zhengce/content/2017-07/20/content_5211996.htm, 2017-07-20.
  [14]胡开宝, 李翼.机器翻译特征及其与人工翻译关系的研究[J].中国翻译, 2016 (5) .
  [15]余凯等.深度学习的昨天、今天和明天[J].计算机研究与发展, 2013 (9) .

  注释
  1 https://translate.google.cn/
  2 http://www.zdnet.com/article/google-announces-neural-machinetranslation-to-improve-google-translate/
  3 片词的划分受训练数据的驱动, 因此难以确定60个片词构成的句子中包含独立词汇的数目, 大约40-50个词。

  范文一: 机器翻译论文(精心编辑5篇)
  范文二: 机器翻译中介词短语的误译分析
  范文三: 本地化和机器翻译视角下的对外文化传播
  范文四: 神经网络的机器翻译质量评析及对翻译教学的影响
  范文五: 机器翻译词汇错误分析

相关论文