自然语言处理扫盲·第二天——白话机器翻译原理

由于最近要做一些自然语言处理的分享，但是我又不是科班出身，所以只能临时抱佛脚的学习以下基本的原理。但是由于底子很薄，所以只能凭借google和baidu有限的资料进行总结。这里不会看到太复杂的公式，因为公式层面我也理解不了....就当做是从0学习自然语言处理的过程的记录吧！

更多内容参考：

自然语言处理扫盲·第一天——自然语言处理的背景、应用、推荐资料

如果有哪里说的不对的，还请严厉指正，小博主一定虚心领教，仔细研究！以免误导大众...

下面就步入正题吧！

这个方向在几个大厂应该都比较成熟了，比如有道翻译、百度翻译、Google翻译等等。我平时用的有道比较多，一般都是去翻译个英文文档之类的。因为有道做的词典比较专业，因此在英译汉或者汉译英的时候认可度能高点。

我们先来看看机器翻译是怎么被玩坏的吧！







PS: 这个梗真的不是我黑谁！我也是从PPT上面看到的，觉得这个例子很不错.....

话说回来，在机器翻译的领域，有很多难点。比如，语言的复杂程度，上下文的关联等等。想想看，同样是汉语，山东大汉和陕西小哥以及东北姑娘说出来的都是不一样的；再想想汉语中的博大精深，同样一段话，上下文不同表达的含义也是不一样的；再复杂点，涉及到两种语言的切换，就更恐怖了。

目前业内主要的实现手段有基于规则的、基于实例的、基于统计的以及基于神经网络的，看着感觉蒙蒙哒，我们来具体的了解下吧：

基于规则的机器翻译

基于规则的机器翻译，是最古老也是见效最快的一种翻译方式。

根据翻译的方式可以分为：

直接基于词的翻译
结构转换的翻译
中间语的翻译
从字面上理解，基于词的翻译就是直接把词进行翻译，但是也不是这么简单，会通过一些词性的变换、专业词汇的变换、位置的调整等一些规则，进行修饰。



可以看到翻译的质量很差，但是基于这种词规则的翻译，基本上可以辅助我们做一些翻译的工作；而且这种翻译也带来了机器翻译的0到1的飞跃

那么基于结构转换 其实就是不仅仅考虑单个词，而是考虑到短语的级别。比如根据端与

do chicken

有可能被翻译成

烹饪鸡

，那么整句话就好多了

我们烹饪鸡好吗

最后一种就是基于中间语的翻译，比如过去在金本位的年代，各国都有自己的货币。中国使用中国的货币，美国使用美国的货币，那么货币之间怎么等价呢？就可以兑换成黄金来衡量价值。这样就可以进行跨币种的买卖了..翻译也是如此，倘若由两种语言无法直译，那么也可以先翻译成中间语，然后通过中间语进行两种语言的翻译。

基于统计的机器翻译

基于统计的机器翻译明显要比基于规则的高级的多，因为引入了一些数学的方法，总体上显得更加专业。那么我们看看它是怎么做的吧！

首先，我们有一段英文想要把它翻译成汉语：

we do chicken right

会根据每个词或者短语，罗列它可能出现的翻译结果:

我们/做/鸡/右
我们/做/鸡/好吗
我们/干/鸡/怎么样
...

这样的结果有很多种...

然后我们需要一个大量的语料库，即有大量的文章...这些文章会提供 每一种翻译结果出现的概率，概率的计算方式可能是使用隐马尔可夫模型，即自己算相邻词的概率，这个原理在《数学之美》中有介绍，感兴趣的可以去看看。

最终挑选概率最高的翻译结果作为最终的输出。

总结来说大致的流程是：



因此可以看到，这种翻译方式依赖大量的语料库，因此大多数使用这种方式而且效果比较好的都是那种搜索引擎公司，比如Google和Baidu，他们依赖爬虫技术有互联网中大量的文本资料，基于这些文本资料可以获取大量的语料来源，从而为自己的翻译提供大量的依据数据。

基于实例的机器翻译

这种翻译也比较常见，通俗点说就是抽取句子的模式，当你输入一句话想要翻译的时候，会搜索相类似的语句，然后替换不一样的词汇翻译。举个例子：

I gave zhangsan a pen
I gave lisi a apple

就可以抽取他们相似的部分，直接替换不一样的地方的词汇就行。这种翻译其实效果不太好，而且太偏领域背景...

基于神经网络的机器翻译

在深度学习火起来后，这种方式越来越受关注。我们先来了解下什么是神经网络：



基本的意思就是我们会有很多的输入，这些输入经过一些中间处理，得到输出。得到的输出又可以作为下一个计算过程的输入...这样就组成了神经网络。



在机器翻译中主要使用的是循环神经网络，即上一次的输出可以作为这次的输入继续参与计算。这样有什么目的呢？

就是在翻译的过程中，虽然是以句子为单位进行翻译的，但是每一句话都会对下一句话的翻译产生影响，这样就做出了上下文的感觉....比如

do chicken

单纯的翻译有很多中翻译的结果。但是如果前面出现过厨师等这类的词句，那么这个单词就可以更倾向翻译成

烹饪鸡

。

这种操作模式，在问答系统中也会遇到...之后会有所介绍.

总结

总结的来说，如果想要快速搭建一个机器翻译的系统，可以先从基于规则开始，添加一些领域背景的知识，就能达到一个比较快速的效果。而基于统计的方法从数据获取的成本和模型的训练来说，成本都很高...

针对机器翻译是否能代替人工翻译，知乎上面也有不少讨论，我这个门外汉也觉得，暂时不太可能，不过机器翻译作为人工翻译的一种辅助手段还是很必要的。比如那些非专业的翻译人士，如写论文的研究生、看前沿技术的程序员小朋友，这种机器翻译可以作为一种很有效的阅读辅助的手段，因为大部分的时候，都是直接把某一段英文粘贴到翻译的输入框，然后按照翻译出来的结果，自己再组织理解...（我想大部分人都是这么用的吧~ 原谅我英语差）



那么机器翻译的扫盲就暂时介绍到这里了，之后会再研究下情感分析相关的内容...

参考

基于规则的机器翻译系统：https://wenku.baidu.com/view/50c979165901020207409c3a.html
基于统计的机器翻译：https://wenku.baidu.com/view/8ca60c966137ee06eff918fc.html
机器翻译的流程（原理）是怎么样的？：https://www.zhihu.com/question/24588198
自然语言处理为什么从规则转到统计的方法？：https://www.zhihu.com/question/30748126