中國大學(xué)生英語翻譯計算機(jī)評分的研究與設(shè)計.pdf

1、在機(jī)器翻譯和作文自動評分領(lǐng)域已經(jīng)有比較成熟的研究成果，但是在人工翻譯評分領(lǐng)域的研究還不夠深入。在同為主觀題的作文評分中，采用多元線性回歸方法建立文本特征和分?jǐn)?shù)之間的方程。但是人工翻譯評分選取的文本特征之間關(guān)系更為復(fù)雜，如果使用作文評分中的方法去構(gòu)建模型，并不能取得最好的效果。而神經(jīng)網(wǎng)絡(luò)作為一種自適應(yīng)學(xué)習(xí)模型，在處理復(fù)雜變量之間關(guān)系時會更有優(yōu)勢。在此背景下，本文嘗試構(gòu)建漢譯英人工翻譯評分模型，并在此基礎(chǔ)上構(gòu)建大學(xué)生翻譯評分系統(tǒng)。
　

2、　本文首先從語言基礎(chǔ)、語義、連貫性、測試點(diǎn)四大方向提取學(xué)生譯文語料中的翻譯文本特征，并對其中一些提取算法進(jìn)行設(shè)計與改進(jìn)。一些重要的改進(jìn)包括:(1)將潛語義分析的方法與翻譯評分結(jié)合，并提出了一個基于相似譯文集的潛語義相似度提取算法。(2)通過引入連接詞權(quán)重，實(shí)現(xiàn)一種新的基于相似譯文集的帶權(quán)連接詞相似值提取算法，解決了單純連接詞個數(shù)與人工評分負(fù)相關(guān)的不合理現(xiàn)象。其次，本文比較了神經(jīng)網(wǎng)絡(luò)和多元線性回歸，并最終選擇用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建人工翻譯評分

3、模型。針對BP算法收斂慢，不利于全局尋優(yōu)的特點(diǎn)，進(jìn)一步采用粒子群算法進(jìn)行優(yōu)化。最后，在特征提取和模型構(gòu)建的基礎(chǔ)上，進(jìn)一步搭建大學(xué)生翻譯評分系統(tǒng)，能有效的給學(xué)生譯文打分，并能進(jìn)行一定的反饋評價。
　　在特征提取方面，基于譯文集的連接詞算法使得該特征與人工評分正相關(guān)，引入連接詞權(quán)重之后進(jìn)一步將相關(guān)度提高了1％;潛語義相似度提取算法效果比較顯著，單單考慮相似度區(qū)間為0.9-1的譯文集，就將相關(guān)度提高了24％。在模型構(gòu)建上，本文分別使用多