[发明专利]平行口语语料的对齐方法和装置

权利要求书

1.一种平行口语语料的对齐方法，包括：

从上述平行口语语料获得基于统计方法和词典的词对齐集合；

利用上述基于统计方法和词典的词对齐集合，对上述平行口语语料进行短语对齐，以得到短语对齐集合；以及

在上述平行口语语料的对齐的短语内进行词对齐，以获得基于短语对齐的词对齐集合。

2.根据权利要求1所述的平行口语语料的对齐方法，其中在从上述平行口语语料获得基于统计方法和词典的词对齐集合的步骤之前还包括：

从上述平行口语语料中删除重复的片段；以及

对上述平行口语语料中表示犹豫的词语赋予特殊的标记。

3.根据权利要求1所述的平行口语语料的对齐方法，其中从上述平行口语语料获得基于统计方法和词典的词对齐集合的步骤进一步包括：

根据上述平行口语语料，获得从源语言到目标语言的统计词对齐集合；

根据上述平行口语语料，获得从目标语言到源语言的统计词对齐集合；

求取上述从源语言到目标语言的统计词对齐集合和上述从目标语言到源语言的统计词对齐集合的交集；

针对上述平行口语语料，查找源语言到目标语言词典和目标语言到源语言词典，以获得基于词典的词对齐集合；以及

求取上述从源语言到目标语言的统计词对齐集合和上述从目标语言到源语言的统计词对齐集合的交集与上述基于词典的词对齐集合的并集，作为上述基于统计方法和词典的词对齐集合。

4.根据权利要求1所述的平行口语语料的对齐方法，其中在利用上述基于统计方法和词典的词对齐集合，对上述平行口语语料进行短语对齐的步骤之前还包括：

对上述平行口语语料进行短语分析，以识别出其中的各个短语。

5.根据权利要求1或4所述的平行口语语料的对齐方法，其中利用上述基于统计方法和词典的词对齐集合，对上述平行口语语料进行短语对齐的步骤进一步包括：

从上述平行口语语料的经短语分析后的平行口语语料中，提取源语言短语的中心词集合；

从上述经短语分析后的平行口语语料中，提取目标语言短语的中心词集合；

利用上述基于统计方法和词典的词对齐集合，将上述源语言短语的中心词集合和上述目标语言短语的中心词集合对齐，以得到中心词对齐集合；以及

根据上述中心词对齐集合，对上述经短语分析后的平行口语语料进行短语对齐，以获得短语对齐集合。

6.根据权利要求3所述的平行口语语料的对齐方法，其中在上述平行口语语料的对齐的短语内进行词对齐，以获得基于短语对齐的词对齐集合的步骤进一步包括：

求取上述从源语言到目标语言的统计词对齐集合、上述从目标语言到源语言的统计词对齐集合以及上述基于词典的词对齐集合的并集；以及

利用上述并集，在上述平行口语语料的对齐的短语内进行词对齐。

7.根据权利要求2所述的平行口语语料的对齐方法，其中在上述平行口语语料的对齐的短语内进行词对齐，以获得基于短语对齐的词对齐集合的步骤进一步包括：

在上述基于短语对齐的词对齐集合中恢复在上述删除重复的片段的步骤中删除的重复的片段；

根据在上述赋予特殊的标记的步骤中对表示犹豫的词语赋予的特殊标记，从上述基于短语对齐的词对齐集合中删除与该标记对应的非空词对齐项；以及

从上述基于短语对齐的词对齐集合中删除与上述平行口语语料中的省略部分对应的词对齐项。

8.一种语音机器翻译方法，其基于包含平行口语语料的口语语料库进行语音机器翻译，该方法包括：

利用权利要求1-7中任意一项所述的平行口语语料的对齐方法，从上述口语语料库中的平行口语语料获得短语对齐集合和词对齐集合；以及

利用上述短语对齐集合和词对齐集合，对输入的待译口语句子进行源-目标语言的语音机器翻译。

9.一种平行口语语料的对齐装置，包括：

基于统计方法和词典的词对齐集合获取单元，用于从上述平行口语语料获得基于统计方法和词典的词对齐集合；

短语对齐单元，用于利用上述基于统计方法和词典的词对齐集合，对上述平行口语语料进行短语对齐，以获得短语对齐集合；以及

短语内词对齐单元，用于在上述平行口语语料的对齐的短语内进行词对齐，以获得基于短语对齐的词对齐集合。