贝叶斯公式的简介.docx

贝叶斯公式在人工
智能中的应用
2013年4月7日
、公式
则对任一事件
贝叶斯定理若A,A,…,A构成完备事件组，且P(A)>0,(i=1,2,…,n),
12ni
B(P(B)>0)有
,k=1,2,…n
工P(A翻译界带来了极大的冲击。它不仅使机器翻译研究者重新思考以前的翻译方法，而且也激发了他们对统计方法用于机器翻译的浓厚兴趣。
IBM的工作一直延续到1995年，之后由于研究经费的原因而被迫中止。但是由于文献[3]中详细记载了IBM方法，（JHU）夏季研讨班上重新实现了IBM模型，并公开了源代码GIZA2。之后奥赫（Och）博士在此基础上发布了增强版GIZA++3。这些工作为后来统计机器翻译的发展奠定了坚实的基础。
IBM方法可以说是纯粹的单词到单词自动转录方法，除了计算复杂之外，另外一个很大的缺陷在于它只能学****到两种语言单词之间互为翻译的知识，而对单词的上下文语境却不敏感。这就导致了IBM方法在单词层面（word-level）上由于缺乏上下文语境而不能正确选择译文，尤其是不能正确翻译****惯表达、成语等多个单词结合紧密，却不能通过把逐个单词翻译然后拼凑在一起形成译文的源语言串。
2基于短语的方法
这种方法的基本思想是以短语作为翻译的基本单位。在翻译过程中，不是孤立地翻译每个词，而是将连续的多个词一起翻译。由于扩大了翻译的粒度，基于短语的方法很容易处理局部上下文依赖问题，能够很好地翻译****语和常用词搭配。一般而言，在基于短语的方法中，短语可以是任意连续的字符串，不作语法上的限制。这样可以方便地从词语对齐的双语语料库中自动获取双语短语翻译。给定一个源语言句子，基于短语的模型翻译过程如下：
1）对源语言句子进行短语划分；
2）根据翻译模型翻译每个短语；
3）对目标短语进行语序调整。（图3是基于短语的翻译过程示例）
源语言：访问ICEEJ
短语划分：
他将
1
于4中0日
访问美国
谓整顺序：
Hewill
onApril10
VisitAmerica
Hewill
VisitAmerica
onApril10
3训练
训练的时候，最初输入的是一个双语语料库，即一对一对互为翻译的句子。如样例1所示。经过一个词语对齐过程，得到如样例2所示形式的数据。从词语对齐的结果中可以知道句子中哪些词是互为翻译的。下面，训练过程的第二个步骤就是进行短语抽取了。所谓短语抽取，就是抽取出语料库中所有互为翻译的连续的词串，而不用管这个词串是否具有真正的含义。以上面第二个句子为例，可以抽取到的短语见样例3：
样例1
中国化工工业保持稳定增长。
ChinaTschemicalindustrymaintainssteadygrowth.
万里会见泰国客人
LiWanmeetswithguestsfromThailand
样例3
万里||LiWan
力里会见||LiWanmeetswith
万里会见泰国客人||LiWanmeetwithguestsfromThailand
会见||meetswith
会见泰国客人||meetwithguestsfromThailand
泰国||Thailand
泰国客人||gue