摘要:文章從問題意識視角出發(fā)，以石油術(shù)語為基礎(chǔ)，引入詞向量空間模型的方法展開三個相關(guān)實驗對機器譯文和人工譯文進(jìn)行對比研究，探索機器翻譯結(jié)果在空間模型中的演繹和呈現(xiàn)。實驗結(jié)果顯示機器翻譯對于石油術(shù)語的語言翻譯準(zhǔn)度能達(dá)到0.403。文章嘗試結(jié)合計算機技術(shù)、語言學(xué)和翻譯學(xué)等不同領(lǐng)域量化論證兩種翻譯結(jié)果在語義層面的接近和靠攏程度，以期探索評價分析機器翻譯系統(tǒng)輸出結(jié)果質(zhì)量的新途徑。

　　關(guān)鍵詞:機器翻譯;向量空間模型;石油術(shù)語;語義相似度

　　引言

　　隨著計算機科學(xué)技術(shù)、語言學(xué)、邏輯學(xué)和信息學(xué)等相關(guān)學(xué)科的一體化發(fā)展，機器翻譯研究無論在理論層面還是工程實踐層面都已經(jīng)積累了豐富的經(jīng)驗[1]，機器翻譯方法完成了從基于規(guī)則的翻譯方法到基于統(tǒng)計的翻譯方法再到神經(jīng)網(wǎng)絡(luò)機器翻譯方法的轉(zhuǎn)變[2]。作為國內(nèi)較為流行的在線機器翻譯平臺，有道翻譯為我們帶來極大便利。但有道翻譯作為機器翻譯的典型代表能否準(zhǔn)確完善地處理垂直學(xué)科領(lǐng)域科技語言翻譯任務(wù)以及機器翻譯質(zhì)量評價等問題仍值得深入研究。

　　但是，已有的機器翻譯結(jié)果質(zhì)量分析大多是橫向?qū)Ρ龋�鮮有研究對一種機器翻譯軟件進(jìn)行縱向的深入探究分析。本文從問題意識角度出發(fā)，以石油術(shù)語為語言分析基礎(chǔ)，借助詞向量空間模型的方法開展術(shù)語語義范圍界定、翻譯結(jié)果空間模型追蹤和文本相似度對比實驗與結(jié)果分析，依照從局部到整體的思路設(shè)計三個分實驗，著重關(guān)注機器翻譯系統(tǒng)對特定學(xué)科語言在語義層面的處理和翻譯能力。

　　1相關(guān)研究論述

　　機器翻譯是利用計算機實現(xiàn)從一種自然語言轉(zhuǎn)換為另一種或多種自然語言文本的過程[2]。它涉及語言學(xué)、計算機科學(xué)、數(shù)學(xué)等多個學(xué)科，是一門交叉學(xué)科。目前對機器翻譯結(jié)果的分析研究主要涉及譯文質(zhì)量評價。譯文質(zhì)量評價的途徑有很多種，最流行的有“打分法”和“統(tǒng)計法”等方法[3]，有不少學(xué)者使用類似方法對不同在線翻譯平臺譯文進(jìn)行質(zhì)量評價。其中，羅季美[4]利用統(tǒng)計分析法在汽車技術(shù)文獻(xiàn)翻譯方面對人工譯文和機器譯文進(jìn)行了細(xì)致對比，將機器譯文錯誤細(xì)化分類。

　　楊玉婉[5]以文本《潛艇水動力學(xué)》為基礎(chǔ)，利用Google和騰訊翻譯對文本進(jìn)行英漢和漢英翻譯后評價譯文質(zhì)量。蔡欣潔和文炳[6]以外宣文本漢英翻譯為例測試了四種不同的在線翻譯平臺，發(fā)現(xiàn)了翻譯結(jié)果的一些共性問題，并根據(jù)譯文質(zhì)量對四種在線翻譯平臺的可接受度進(jìn)行排序。也有學(xué)者利用量化評測的方法對機器譯文進(jìn)行評測。Almahasees[7]利用BLEU自動測評指標(biāo)對Google和Bing機器翻譯結(jié)果進(jìn)行譯文質(zhì)量評測。

　　Benková等[8]結(jié)合人工測評和BLEU自動測評等指標(biāo)對Google和EuropeanCommission’sMTtool基于兩種機器翻譯方法———統(tǒng)計機器翻譯(SMT)和神經(jīng)網(wǎng)絡(luò)機器翻譯(NMT)———進(jìn)行質(zhì)量評測，結(jié)果顯示在新聞文本英語對斯洛伐克語的翻譯表現(xiàn)上NMT性能較為突出。

　　上述機器翻譯結(jié)果評價分析大多是不同翻譯軟件的橫向?qū)Ρ�，即以一種文本作為輸入得到不同版本的譯文，在不同版本譯文之間橫向?qū)Ρ日�誤率和錯誤類型。這樣的研究方法雖然能快速高效地分析出不同版本譯文之間的異同，但也存在局限，如參照標(biāo)準(zhǔn)相對模糊、未能量化機器翻譯評價過程等。因此，本研究嘗試結(jié)合計算機技術(shù)、語言學(xué)和翻譯學(xué)為一體，提出一種新的縱向機器翻譯結(jié)果質(zhì)量評價方法，探索機器翻譯質(zhì)量評價新的途徑。

　　2研究思路與方法

　　2.1研究問題

　　(1)有道翻譯結(jié)果語義層面與初始信息的接近程度。(2)石油術(shù)語在向量空間模型中的描繪與表示。

　　2.2研究方法

　　本實驗采取定量分析和定性分析相結(jié)合的研究方法。首先選取一定數(shù)量石油術(shù)語，以全國科學(xué)技術(shù)名詞審定委員會公布的《科學(xué)技術(shù)名詞·工程技術(shù)卷·石油名詞》[9]中的翻譯作為標(biāo)準(zhǔn)翻譯，以有道翻譯結(jié)果作為對照翻譯。然后大量收集石油相關(guān)領(lǐng)域的語料，語料清洗后利用Word2vec進(jìn)行詞向量模型訓(xùn)練并保存。然后，將上述標(biāo)準(zhǔn)翻譯和對照翻譯分別嵌入到向量空間模型中，借助向量空間模型描繪不同單詞的意義，分別開展術(shù)語語義范圍界定、翻譯結(jié)果空間模型追蹤和文本相似度對比實驗，量化探究有道翻譯對原始信息的保留程度。

　　2.3數(shù)據(jù)收集

　　從《科學(xué)技術(shù)名詞·工程技術(shù)卷·石油名詞》和《石油工業(yè)概論》[10]中提取400條常見英語石油類術(shù)語分類歸納并轉(zhuǎn)換為txt格式。利用有道翻譯軟件收集對比樣本，將有道英漢翻譯結(jié)果分類歸納為txt格式，進(jìn)行數(shù)據(jù)清洗和加工。收集石油相關(guān)領(lǐng)域語料建模并保存，借助Python等軟件進(jìn)行數(shù)據(jù)導(dǎo)入和處理，并且進(jìn)行結(jié)果描述和分類研究。

　　3模型構(gòu)建

　　3.1語料獲取與預(yù)處理

　　首先找到一些國內(nèi)石油領(lǐng)域的caj格式的論文及相關(guān)領(lǐng)域的pdf格式的書籍，批量地將caj和pdf格式語料轉(zhuǎn)化為txt文件，成功轉(zhuǎn)化的文件有7103個，獲取字符2819107個。因為原始文本是caj和pdf特殊格式，在語料轉(zhuǎn)化過程中會有空格、標(biāo)點符號、斷句、連詞的問題出現(xiàn)，所以刪除過濾所有的空格、標(biāo)點等無效字符，得到1814455個有效字符。借助Python工具包對所得中文語料進(jìn)行分詞和去停用處理后獲取石油領(lǐng)域840000個有效分詞，將有效分詞轉(zhuǎn)為txt文件并保存。

　　3.2模型構(gòu)建及初始參數(shù)設(shè)置

　　使用Word2vec對整個語料集進(jìn)行了預(yù)訓(xùn)練，分別訓(xùn)練了50維、100維和150維的詞向量。在三個模型的訓(xùn)練中維度size分別為50、100和150，sg等于1，窗口window選擇默認(rèn)值5，隨機采樣的配置閾值sample為1e-3，迭代次數(shù)iter為2。為了讓收集的罕見詞在最大程度上得到預(yù)訓(xùn)練，min_count設(shè)置為3。語料訓(xùn)練得到三個不同維度的模型，分別為word2vec_50.model、word2vec_100.model和word2vec_150.model，最終比較實驗結(jié)果和權(quán)衡計算速度，選取了100維的向量作為全局向量空間模型的嵌入。

　　4實驗分析與結(jié)果討論

　　4.1機器翻譯結(jié)果語義范圍界定與分析

　　詞向量是用來表示詞語的向量，也被認(rèn)為是詞的特征向量，把詞語映射為實數(shù)域值的過程叫作詞嵌入。向量空間模型是一種廣泛應(yīng)用于信息檢索的模型，具有利用空間相似性來逼近語義相似性的優(yōu)點[11]。度量語義相似性的方法實際上被映射為向量相似性的度量[12]，也就是對于需要計算語義相似性的兩個詞可以轉(zhuǎn)化為多維向量空間中的數(shù)值形式以便于計算和整理。

　　語義范圍界定實驗加載上述利用石油領(lǐng)域單語語料訓(xùn)練的向量集合word2vec_100進(jìn)行詞嵌入作為背景向量，再將有道翻譯結(jié)果和標(biāo)準(zhǔn)翻譯分別編碼轉(zhuǎn)化為輸入向量，使這些向量能較好地表達(dá)和計算不同詞之間的相似和類比關(guān)系。在實驗預(yù)處理方面我們對文檔做一定的降維處理以提高模型準(zhǔn)確度。選取若干個常用石油術(shù)語的標(biāo)準(zhǔn)翻譯編碼轉(zhuǎn)換為向量數(shù)值形式輸入，按照其相似度的數(shù)值降序提取語義范圍內(nèi)意義最為接近的的詞語，通過判斷提取的詞語是否覆蓋機器翻譯結(jié)果來測量兩種翻譯結(jié)果語義層面的疊加程度，界定兩種翻譯結(jié)果的語義范圍。

　　近義詞提取對應(yīng)的距離數(shù)值在[0，1]區(qū)間內(nèi)，越接近于1，代表兩個詞語越相近，語義相關(guān)性越強;反之，代表兩個詞語語義距離越遠(yuǎn)。借助預(yù)訓(xùn)練模型word2vec_100提取部分石油術(shù)語的近義詞和相似度，通過樣本對比分析，發(fā)現(xiàn)部分石油術(shù)語的有道翻譯結(jié)果偏離甚至超出其相似度范圍，這說明了有道翻譯結(jié)果與標(biāo)準(zhǔn)翻譯的語義疊加范圍較小，也反映了兩者之間語義層面上的差異程度較大。接下來利用模型可視化工具對翻譯結(jié)果做進(jìn)一步探討。

　　4.2翻譯結(jié)果在空間模型中的追蹤與對比

　　利用模型可視化工具TensorFlow，把預(yù)訓(xùn)練模型word2vec_100通過主成分分析(PCA)降維方法映射到低維空間EmbeddingProjector中，選取一定數(shù)量的有道翻譯結(jié)果作為初始樣本輸入，逆向觀察以有道翻譯結(jié)果為參照的詞語語義相似范圍。我們以選取的石油術(shù)語carbonresidue、gasrock、fault、cementing、void等為例進(jìn)行對比分析。在石油領(lǐng)域，上述術(shù)語的意思分別為:殘?zhí)�、蓋層、斷層、注水泥、孔隙;而有道翻譯結(jié)果為:碳渣、天然氣的巖石、缺點、固井、無效。實驗思路:把void的有道翻譯結(jié)果“無效”呈現(xiàn)在三維可視化的向量空間模型中，以“無效”為中心詞，通過收縮中心詞周邊詞匯的范圍來不斷追蹤標(biāo)準(zhǔn)翻譯“孔隙”，借助周邊詞匯數(shù)值來量化有道翻譯結(jié)果和標(biāo)準(zhǔn)翻譯結(jié)果的距離差值和靠攏程度。

　　實驗操作為:首先把void有道翻譯結(jié)果呈現(xiàn)在向量空間中，把它的周邊詞匯范圍數(shù)值設(shè)置為100個，結(jié)果未追蹤到目標(biāo)詞匯“孔隙”;然后把周邊詞匯范圍擴大為150個，也沒有發(fā)現(xiàn)目標(biāo)詞匯;繼續(xù)擴大至200個，最終未能找到目標(biāo)詞匯。以同樣的方法，對石油術(shù)語“cementing”進(jìn)行分析后發(fā)現(xiàn)把周邊詞匯范圍增加至100個以后能追蹤到標(biāo)準(zhǔn)翻譯結(jié)果。模型內(nèi)追蹤對比實驗結(jié)果說明，在語義范圍上，石油術(shù)語“void”有道翻譯和標(biāo)準(zhǔn)翻譯的詞匯距離至少為200個，語義相差較大;術(shù)語“cementing”的有道翻譯結(jié)果在空間模型上與標(biāo)準(zhǔn)翻譯結(jié)果的交匯點至少出現(xiàn)在100個詞之后。這說明針對該術(shù)語的兩種翻譯結(jié)果存在較遠(yuǎn)的語義距離。接下來我們從文本相似度的角度繼續(xù)開展實驗論證有道翻譯對于石油術(shù)語文本整體翻譯的處理能力。

　　4.3有道翻譯結(jié)果與標(biāo)準(zhǔn)翻譯文本相似度分析

　　文本相似度不僅體現(xiàn)在語言片段組合的似然性，更重要的是反映語言片段所體現(xiàn)的語義吻合度[12]，“余弦值”在自然語言處理中被廣泛地用于計算詞向量的相似性[13]。余弦值的范圍在[0，1]之間，值越接近于1說明兩個向量的夾角越接近于零或趨于重合，也就意味著這兩個向量的相似度越高;反之，相似度越低。

　　實驗結(jié)果顯示:A1與B1的文本相似度為0.40306895，即有道翻譯與標(biāo)準(zhǔn)翻譯文本相似度為0.40306895。文本相似度作為語義層面的評估參數(shù)，主要表現(xiàn)為從機器翻譯文本與人工翻譯文本之間的相似程度來衡量計算機對于自然語言理解和處理的忠實效果。由以上數(shù)據(jù)結(jié)果可以判斷有道翻譯軟件對于石油垂直學(xué)科領(lǐng)域術(shù)語翻譯準(zhǔn)確度并不高，該實驗結(jié)果與直觀統(tǒng)計驗證分析結(jié)果相吻合。

　　5結(jié)語

　　本文借助計算機技術(shù)從詞向量空間模型的方法出發(fā)，分別開展了語義范圍界定、空間模型追蹤和文本相似度對比等具體實驗操作對機器譯文質(zhì)量進(jìn)行量化分析，嘗試提出一種從局部到整體的機器翻譯質(zhì)量評價途徑，希望能為機器翻譯性能提升提供一定的語言分析基礎(chǔ)，為譯后編輯人員衡量機器譯文質(zhì)量可接受程度提供參照。事實上半個世紀(jì)以來，機器翻譯無論在理論層面還是實踐層面都取得了巨大進(jìn)步，已經(jīng)實現(xiàn)從基于規(guī)則的翻譯方法到基于大規(guī)模語料庫翻譯方法的轉(zhuǎn)變。

　　特別是近年來，隨著神經(jīng)網(wǎng)絡(luò)的興起，“深度學(xué)習(xí)機器翻譯”技術(shù)是迅速發(fā)展的另一個突破點。但本次實驗結(jié)果證實了機器翻譯對于特定垂直學(xué)科領(lǐng)域語言翻譯效果并不理想，也說明了加強對機器翻譯錯誤深層研究和分類學(xué)科語料庫建設(shè)的必要性。本實驗也存在一定的局限性，比如語料樣本規(guī)模小、模型構(gòu)建不完善等。因此，這也是未來工作方向之一。

　　參考文獻(xiàn)

　　[1]李沐，劉樹杰，張東東，等.機器翻譯[M].北京:高等教育出版社，2018:51-53.

　　[2]POIBEAUT.機器翻譯[M].連曉峰，譯.北京:機械工業(yè)出版社，2019:38-42.

　　[3]張霄軍.翻譯質(zhì)量量化評價研究綜述[J].外語研究，2007(4):80-84.

　　[4]羅季美.機器翻譯中的術(shù)語錯譯分析[J].中國科技術(shù)語，2013(1):41-45.

　　[5]楊玉婉.神經(jīng)機器翻譯的譯后編輯:以《潛艇水動力學(xué)》英漢互譯為例[J].中國科技翻譯，2020(4):21-23.

　　[6]蔡欣潔，文炳.漢譯英機器翻譯錯誤類型統(tǒng)計分析:以外宣文本漢譯英為例[J].浙江理工大學(xué)學(xué)報，2020(44):27-34.

　　[7]ALMAHASEESZM.AssessmentofGoogleandMicrosoftBinginTranslatingPoliticalTextsfromArabicintoEnglish[J].Int.J.Lang.Lit.Liguist，2017(3):1-4.

　　[8]BENKOV�BL，MUNKOVAD，BENKOL，etal.EvaluationofEnglish-SlovakNeuralandStatisticalMachineTranslation[J].AppliedScience，2021(11):2-17.

　　[9]石油名詞審定委員會.石油名詞(全藏版)[M].北京:科學(xué)出版社，1995.

　　作者：陳柯柴啟棟