[论文解读] Towards Recognizing Phrase Translation Processes: Experiments on English-French

Yuming Zhai, Pooyan Safari+3 more|arXiv (Cornell University)|Apr 27, 2019

Natural Language Processing Techniques参考文献 35被引用 5

一句话总结

本文提出了一种基于人工标注的英法语 TED 演讲语料库，在子句级对细粒度翻译过程进行自动分类。通过特征工程与随机森林分类，该方法在区分直译与非直译翻译方面达到 87.09% 的准确率，在分类五类非直译类型时达到 55.20% 的准确率，证明了自动化识别翻译过程在提升释义抽取与语言学习工具方面的可行性。

ABSTRACT

When translating phrases (words or group of words), human translators, consciously or not, resort to different translation processes apart from the literal translation, such as Idiom Equivalence, Generalization, Particularization, Semantic Modulation, etc. Translators and linguists (such as Vinay and Darbelnet, Newmark, etc.) have proposed several typologies to characterize the different translation processes. However, to the best of our knowledge, there has not been effort to automatically classify these fine-grained translation processes. Recently, an English-French parallel corpus of TED Talks has been manually annotated with translation process categories, along with established annotation guidelines. Based on these annotated examples, we propose an automatic classification of translation processes at subsentential level. Experimental results show that we can distinguish non-literal translation from literal translation with an accuracy of 87.09%, and 55.20% for classifying among five non-literal translation processes. This work demonstrates that it is possible to automatically classify translation processes. Even with a small amount of annotated examples, our experiments show the directions that we can follow in future work. One of our long term objectives is leveraging this automatic classification to better control paraphrase extraction from bilingual parallel corpora.

研究动机与目标

• 开发一种在双语平行语料库中对子句级细粒度翻译过程进行自动分类的方法。
• 探究有限标注数据是否足以支持对非直译翻译过程（如习语对等、概括化、特指化）的有效分类。
• 通过识别并利用非直译翻译过程，提升从双语语料库中提取释义的控制能力。
• 通过自动识别翻译策略，支持外语学习者比较源语文本与目标语文本表达方式。
• 为级联分类流程奠定基础，即首先将直译与非直译分离，再对非直译类别进行更细粒度的分类。

提出的方法

• 本研究使用人工标注的英法语 TED 演讲双语语料库，其中包含 1,098 个短语级翻译实例，被分类为直译与五类非直译过程。
• 特征从多个来源提取：词性标注、表面形式、句法解析、外部知识（ConceptNet）以及词对齐得分。
• 双向词项加权与词对齐特征被证明最具信息量，尤其在二元分类任务中。
• 采用随机森林分类器，并通过消融实验评估特征组的贡献与模型鲁棒性。
• 模型在二元分类（直译 vs. 非直译）与多分类（五类非直译类型）两种设置下进行训练与评估，消融实验中保持类别分布均衡。
• 进行错误分析以识别混淆模式，特别是“对等”与“包含移位”之间的混淆，进而开展类别分组后的再分类实验。

实验结果

研究问题

• RQ1 能否在少量标注数据下自动分类非直译翻译过程？
• RQ2 哪些特征在区分直译与非直译翻译过程方面最为有效？
• RQ3 分类性能在不同粒度（二元分类 vs. 多分类）与特征组合下如何变化？
• RQ4 多分类中的主要混淆来源是什么？对类别进行重新分组是否能提升性能？
• RQ5 级联分类策略（如先分离直译与非直译，再细化非直译类别）能否提升整体准确率？

主要发现

• 所提方法在区分直译与非直译翻译过程方面达到 87.09% 的准确率，显著优于随机基线。
• 在五类非直译过程的多分类任务中，模型准确率达到 55.20%，微平均 F1 为 0.55，宏平均 F1 为 0.48。
• 在二元分类中，词对齐特征组贡献最大；在多分类中，词性标注与句法分析最具信息量。
• 移除某些特征（如短语结构解析与 ConceptNet 连接）对性能影响微小，表明模型对特征冗余具有鲁棒性。
• 性能最佳的配置为排除外部知识与部分词性特征的全部特征组合，其中浮点形式特征优于离散形式特征。
• 错误分析显示，“对等”与“包含移位”是最常混淆的类别，将它们与“直译”合并后，二元分类设置下的分类性能得到提升。