JP2006012168A - 翻訳メモリシステムにおいてカバレージおよび質を改良する方法 - Google Patents

Abstract

【課題】 翻訳メモリシステムにおいてカバレージを拡大する好適な方法を提供する。
【解決手段】 基本用例文は、入力文を記憶部からの複数の用例文のそれぞれと比較することに基づいて記憶部から選ばれ（Ｓ２）、その対の翻訳は翻訳基礎として用いられる。入力文の部分が基本用例文の対応部分と異なることが識別され（Ｓ３）、これら部分はそれぞれ入力不一致部分と基本用例不一致部分と指定される。基本用例不一致部分とアラインされる翻訳基礎の部分が位置決めされる（Ｓ４）。入力不一致部分を用いて一組の補助の用例文を記憶部から選択する（Ｓ５）。入力不一致部分に対応する可能性のある翻訳の選択候補がその一組の補助の用例文から決定される（Ｓ６）。翻訳が所定の選択アルゴリズムに基づいて選択候補から選択され（Ｓ７）、選択された翻訳を用いて以前に位置決めした翻訳基礎の部分を置換する（Ｓ９）。置換結果は出力文の基礎として用いられる。
【選択図】 図２

Description

本発明は、第１のフォーマットのデータ項目の入力シーケンスを第２のフォーマットのデータ項目の出力シーケンスに翻訳する方法と装置とに関する。特に、本発明はソース言語のセンテンスをターゲット言語のセンテンスに翻訳することに関するが、この限りではない。

既存の翻訳された材料の貯蔵所を用いて翻訳生産を援助または自動化する機械翻訳、または機械補助による翻訳の分野内で種々の技術が知られている。翻訳メモリ（Ｔｒａｎｓｌａｔｉｏｎ Ｍｅｍｏｒｙ：ＴＭ）システムは、各センテンスが関連するターゲット言語のセンテンスと一組になっているソース言語のセンテンスの貯蔵所を有しており、入力センテンスと構造および内容が非常に近いセンテンスを、翻訳者に手動でポストエディティングするよう提示される関連のターゲット言語のセンテンスと貯蔵所に位置決めすることによって動作する。ＥＢＭＴ（Ｅｘａｍｐｌｅ−Ｂａｓｅｄ Ｍａｃｈｉｎｅ Ｔｒａｎｓｌａｔｉｏｎ）システムは、完全に自動的な翻訳を試みており、入力センテンスをフラグメントに分割し、各フラグメントの翻訳を貯蔵所で見つけ、これらフラグメントの翻訳を対象センテンスに組み合わせることによって動作する。

翻訳メモリシステムは非常に正確であるが、適用範囲が限られる傾向にある。入力センテンスと取り出されたセンテンスとの間の相違は通常、語順、形態的な形式またはスペリングに置ける僅かな変化に限られる。多くの場合、ペア用例の対象側には変更されず、ただ単に最も一致するセンテンスとして翻訳者に提示される。

より高度なＴＭシステムでは、対象用例のあるエレメントがその“翻訳”と入れ替えられ得る。しかしながら、そのようなエレメントは、ＷＯ９９／５７６５１で説明されるように「プレーサブル」に限られる。この状況でプレーサブルとは、翻訳を必要としないが、コピーされ得、またはフォーマットがターゲット言語または局所性基準に容易に適応され得る名称または数といったようなエレメントである。

ＥＢＭＴシステムは、はるかに広い適用範囲を有しているが、正確性がより低い。これは、完全自動翻訳の他の技術のように、多量の言語的知識または統計的知識をシステムに組み入れることに依存しており、徹底的な方法で収集およびコード化することが困難である。そのような知識は、ＥＢＭＴシステムが入力センテンスを論理一貫したフラグメントに分割し、その後続いて、翻訳されたフラグメントを組み合わせることによってターゲット言語の文法に従った適格なセンテンスにすることができるために必要である。

上記機械補助による翻訳システムは、ソース言語入力を貯蔵所のソース言語側の用例に対してインデックスを付けて一致させ、ソース言語側の用例とターゲット言語側の用例との間の単語をアライメントするよく知られた技術を利用する。

一致させる技術は、エディットディスタンスの使用について説明するＧＲ１００２４５３「Ｉｎｔｅｌｌｉｇｅｎｔ ｄｅｖｉｃｅ ｆｏｒ ｒｅｔｒｉｅｖｉｎｇ ｍｕｌｔｉｌｉｎｇｕａｌ ｔｅｘｔｓ」と、ＵＳ６，１６１，０８３「Ｅｘａｍｐｌｅ−ｂａｓｅｄ ｔｒａｎｓｌａｔｉｏｎ ｍｅｔｈｏｄ ａｎｄ ｓｙｓｔｅｍ ｗｈｉｃｈ ｃａｌｃｕｌａｔｅｓ ｗｏｒｄ ｓｉｍｉｌａｒｉｔｙ ｄｅｇｒｅｅｓ， ａ ｐｒｉｏｒｉ ｐｒｏｂａｂｉｌｉｔｙ， ａｎｄ ｔｒａｎｓｆｏｒｍａｔｉｏｎ ｐｒｏｂａｂｉｌｉｔｙ ｔｏ ｄｅｔｅｒｍｉｎｅ ｔｈｅ ｂｅｓｔ ｅｘａｍｐｌｅ ｆｏｒ ｔｒａｎｓｌａｔｉｏｎ」とにおいて開示される。文献「Ｅｘａｍｐｌｅ−Ｂａｓｅｄ Ｍａｃｈｉｎｅ Ｔｒａｎｓｌａｔｉｏｎ ｉｎ ｔｈｅ Ｐａｎｇｌｏｓｓ Ｓｙｓｔｅｍ」、Ｂｒｏｗｎ，Ｒ．Ｄ．、Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １６ｔｈ Ｃｏｌｉｎｇ、Ｃｏｐｅｎｈａｇｅｎ、１９９６と、ＵＳ２００３／０１２５９２８「Ｍｅｔｈｏｄ ｆｏｒ ｒｅｔｒｉｅｖｉｎｇ ｓｉｍｉｌａｒ ｓｅｎｔｅｎｃｅ ｉｎ ｔｒａｎｓｌａｔｉｏｎ ａｉｄ ｓｙｓｔｅｍ」と、ＵＳ２００４／０００２８４９「Ｓｙｓｔｅｍ ａｎｄ ｍｅｔｈｏｄ ｆｏｒ ａｕｔｏｍａｔｉｃ ｒｅｔｒｉｅｖａｌ ｏｆ ｅｘａｍｐｌｅ ｓｅｎｔｅｎｃｅｓ ｂａｓｅｄ ｕｐｏｎ ｗｅｉｇｈｔｅｄ ｅｄｉｔｉｎｇ ｄｉｓｔａｎｃｅ」とは、二段階スキームの使用について説明する。この二段階スキームでは、標準情報検索技術に基づく第１の段階が小型セットの用例を決定し、この小型セットの用例はその後第２の段階において、エディットディスタンスまたは同類のものに基づいてより費用のかかる類似度計算を受ける。他のインデックスを付ける技術は、インデックス付けに文字ｎ−ｇｒａｍｓを使用することについて説明するＵＳ５，７２４，５９３「Ｍａｃｈｉｎｅ ａｓｓｉｓｔｅｄ ｔｒａｎｓｌａｔｉｏｎ ｔｏｏｌｓ」と、ＵＳ６，４７３，７２９「Ｗｏｒｄ ｐｈｒａｓｅ ｔｒａｎｓｌａｔｉｏｎ ｕｓｉｎｇ ａ ｐｈｒａｓｅ ｉｎｄｅｘ」とにおいて開示される。

１つ以上の一致用例が発見されると、それらの可能性のある翻訳を決定することが必要である。完全な用例が一致する場合、その翻訳はまさにそれと組になっているターゲット言語ストリングである。しかし、一致が部分的でしかない場合、ソース言語ストリングのどの部分がターゲット言語ストリングのどの部分とアライメントするのかを判断することが必要であり、このとき、１つの言語における各一致部分は他の言語における対応する一致部分と完全に一致し、１つの言語における各不一致部分は他の言語においてどの部分にも全く一致しない。

単語および／または句を二言語使用のセンテンスペアにアライメントする技術は、文献で広く記載されている。ＵＳ５，６５９，７６５「Ｍａｃｈｉｎｅ Ｔｒａｎｓｌａｔｉｏｎ Ｓｙｓｔｅｍ」は、ユーザがそのようなアライメントを特定することを可能にするインターフェースについて説明する。ＵＳ５，９０７，８２１「Ｍｅｔｈｏｄ ｏｆ ｃｏｍｐｕｔｅｒ−ｂａｓｅｄ ａｕｔｏｍａｔｉｃ ｅｘｔｒａｃｔｉｏｎ ｏｆ ｔｒａｎｓｌａｔｉｏｎ ｐａｉｒｓ ｏｆ ｗｏｒｄｓ ｆｒｏｍ ａ ｂｉｌｉｎｇｕａｌ ｔｅｘｔ」は、共起頻度に基づく統計的方法について説明する。ＵＳ６，３４５，２４４「Ｓｙｓｔｅｍ， ｍｅｔｈｏｄ， ａｎｄ ｐｒｏｄｕｃｔ ｆｏｒ ｄｙｎａｍｉｃａｌｌｙ ａｌｉｇｎｉｎｇ ｔｒａｎｓｌａｔｉｏｎｓ ｉｎ ａ ｔｒａｎｓｌａｔｉｏｎ−ｍｅｍｏｒｙ ｓｙｓｔｅｍ」は、翻訳中の単語間で共有する特徴に基づく方法について説明する。ＵＳ６，５９８，０１５「Ｃｏｎｔｅｘｔ ｂａｓｅｄ ｃｏｍｐｕｔｅｒ−ａｓｓｉｓｔｅｄ ｌａｎｇｕａｇｅ ｔｒａｎｓｌａｔｉｏｎ」は、ペア間の共通形式情報を使用することについて説明する。ＵＳ６，５３５，８４２「Ａｕｔｏｍａｔｉｃ ｂｉｌｉｎｇｕａｌ ｔｒａｎｓｌａｔｉｏｎ ｍｅｍｏｒｙ ｓｙｓｔｅｍ」は、全ての大きさの句にアライメントを生成するアライメントの階層型コンビネーションについて説明する。アライメントは、従来通り所与の入力センテンスを処理する間、または処理する前にオフラインの間に行われる。ＵＳ２００４／０００２８４８「Ｅｘａｍｐｌｅ ｂａｓｅｄ ｍａｃｈｉｎｅ ｔｒａｎｓｌａｔｉｏｎ ｓｙｓｔｅｍ」で説明されているように、アライメントはまた、オフライン単語アライメントとより大きな句のオンラインアライメントとの二段階処理であり得る。

ＥＢＭＴシステムは数ある中で、Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ １３ｔｈ Ｃｏｌｉｎｇ、Ｈｅｌｓｉｎｋｉ（１９９０年）のＳａｔｏおよびＮａｇａｏ著「Ｔｏｗａｒｄｓ Ｍｅｍｏｒｙ−Ｂａｓｅｄ Ｔｒａｎｓｌａｔｉｏｎ」、Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ４ｔｈ ＴＭＩ、Ｍｏｎｔｒｅａｌ（１９９２年）のＭａｒｕｙａｍａおよびＷａｔａｎａｂｅ著「Ｔｒｅｅ Ｃｏｖｅｒ Ｓｅａｒｃｈ Ａｌｇｏｒｉｔｈｍ ｆｏｒ ＥＢＭＴ」、ＵＳ６，１６１，０８３「Ｅｘａｍｐｌｅ−ｂａｓｅｄ ｔｒａｎｓｌａｔｉｏｎ ｍｅｔｈｏｄ ａｎｄ ｓｙｓｔｅｍ ｗｈｉｃｈ ｃａｌｃｕｌａｔｅｓ ｗｏｒｄ ｓｉｍｉｌａｒｉｔｙ ｄｅｇｒｅｅｓ， ａ ｐｒｉｏｒｉ ｐｒｏｂａｂｉｌｉｔｙ， ａｎｄ ｔｒａｎｓｆｏｒｍａｔｉｏｎ ｐｒｏｂａｂｉｌｉｔｙ ｔｏ ｄｅｔｅｒｍｉｎｅ ｔｈｅ ｂｅｓｔ ｅｘａｍｐｌｅ ｆｏｒ ｔｒａｎｓｌａｔｉｏｎ」、Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １６ｔｈ Ｃｏｌｉｎｇ、Ｃｏｐｅｎｈａｇｅｎ（１９９６年）のＢｒｏｗｎ，Ｒ．Ｄ．著「Ｅｘａｍｐｌｅ−Ｂａｓｅｄ Ｍａｃｈｉｎｅ Ｔｒａｎｓｌａｔｉｏｎ ｉｎ ｔｈｅ Ｐａｎｇｌｏｓｓ Ｓｙｓｔｅｍ」、およびＵＳ２００４／０００２８４８で開示される。これらシステムは全て、マッチングフェーズとアライメントフェーズとを用いており、ＴＭシステムとは対照的に、入力されたもののフラグメントのみに一致するものの各用例をいくつか決定し得る。これらは、センテンスをフラグメントに分割することに関する問題、各フラグメントの最善の翻訳を選ぶことに関する問題、およびフラグメントの翻訳を首尾一貫したターゲット言語テキストに組み合わせることに関する問題への種々のアプローチを開示する。

フラグメントを決定し組み合わせることへのアプローチが主に２つある。一般的に言って、英語と日本語とのように構造的に異なる言語（すなわち、非常に異なる語順を有する言語）間のＥＢＭＴに関する従来技術では（前に参照したＳａｔｏおよびＮａｇａｏ、ＭａｒｕｙａｍａおよびＷａｔａｎａｂｅ、およびＵＳ６，１６１，０８３を参照）、フラグメント化と結合とは、フルシンタックス分析と、用例のソース側および対象側の間のツリー構造アライメントとに基づく。英語およびフランス語（前に参照したＲ．Ｄ．Ｂｒｏｗｎの論文を参照）または英語および中国語（ＵＳ２００４／０００２８４８を参照）のように同様の語順を有する言語間のＥＢＭＴでは、フラグメントの翻訳はソース言語の語順に従って結合され得る。

各フラグメントの最善の翻訳を選ぶことに関して、これはそのフラグメントに最も一致する用例のアライメントであると通常思われている。ＳａｔｏおよびＮａｇａｏ（前に参照した）とＵＳ２００４／０００２８４８とでは、最善の用例は入力したものとフラグメントを含む全体の用例との間の類似点に基づいて決定される。Ｒ．Ｄ．Ｂｒｏｗｎの論文（前に参照した）は、「翻訳確率性は単に、特定のソース言語の句に上手くいく全てのアライメントから各異なる代替的な翻訳に遭遇する回数の割合であり得る」方法を開示する。

入力センテンスと格納された用例との間で異なり得るエレメントのタイプの範囲を広げることによって翻訳メモリシステムの適用範囲を拡充することが所望される。入力センテンスと格納されたセンテンスとは、含まれるセンテンスの適格性を変えることなく、代用され得るエレメントが異なり得ることが所望される。代用可能なエレメントを翻訳することが必要である場合、そのようなエレメントが異なる文脈内において有し得る代替翻訳から選ぶ方法を提供することが所望される。また、任意の代替可能なエレメントの文脈的に正確な翻訳が、広範囲にわたる言語的知識または深い言語的分析を必要とせずに決定され得る方法を提供することも所望される。
特開平４−１６０４７３号公報 特開平１０−１１６２８６号公報 特開２００２−２７８９６３号公報

本発明の第１の局面に従うと、第２のフォーマットの翻訳とそれぞれ対になる第１のフォーマットの複数の用例シーケンスを備える記憶部を用いて第１のフォーマットのデータ項目の入力シーケンスを第２のフォーマットのデータ項目の出力シーケンスに翻訳する方法が開示されており、この方法は、（ａ）入力シーケンスを記憶部からの複数の用例シーケンスのそれぞれと比較することに基づいて記憶部から基本用例シーケンスを選び、その対の翻訳を翻訳基礎として用いるステップと、（ｂ）入力シーケンスの一部分が基本用例シーケンスの対応する一部分と異なることを識別するステップであって、これら部分はそれぞれ入力不一致部分および基本用例不一致部分と指定されるステップと、（ｃ）翻訳基礎の一部分を基本用例不一致部分に応じて位置決めするステップと、（ｄ）入力不一致部分を用いて記憶部から一組の補助の用例シーケンスを選択するステップと、（ｅ）一組の補助の用例シーケンスから入力不一致部分に対応する可能性のある翻訳の選択候補を決定するステップと、（ｆ）所定の選択アルゴリズムに基づいて選択候補から翻訳を選択するステップと、選択された翻訳を用いてステップ（ｃ）において位置決めされた部分を置換するステップと、（ｇ）ステップ（ｆ）の結果をデータ項目の出力シーケンスの基礎として用いるステップとを包含する。

ステップ（ｂ）からステップ（ｆ）は、入力シーケンスで識別される複数の入力不一致部分に対して繰り返され得る。ステップ（ｂ）からステップ（ｆ）は、入力シーケンスで識別される不一致部分ごとに対して繰り返され得る。ステップ（ａ）で選ばれる基本用例シーケンスは、近接度に関する所定の尺度に従って入力シーケンスに最も近接して一致する記憶部からの用例シーケンスであり得る。

ステップ（ｂ）で識別される基本用例不一致部分と、ステップ（ｃ）で位置決めされるその対応する翻訳基礎部分とは、２つの隣接するデータ項目の間に位置づけられる空シーケンスであり得、その結果、ステップ（ｆ）の置換するステップは、効率的に位置へ挿入するステップである。

ステップ（ｆ）において、選択された翻訳の形態的変数を用いて文脈に応じてステップ（ｃ）で位置決めされる部分を置換し得る。

さらなる処理が、データ項目の出力シーケンスとして用いる前にステップ（ｆ）から生じるシーケンスで行われ得る。

データ項目は単語であり得る。第１のフォーマットと第２のフォーマットとはそれぞれ第１の言語と第２の言語とであり得る。データ項目の入力シーケンスは、文法的に完全な句を形成し得る。データ項目の入力シーケンスはセンテンスを形成し得る。

ステップ（ｃ）において、部分は、基本用例シーケンス部分とその対の翻訳のそれぞれの部分との間のアライメントを用いて位置決めされ得る。アライメントは予め定められ得る。

ステップ（ｄ）は、用例シーケンスにおける少なくとも１つのデータ項目が入力不一致部分における少なくとも１つのデータ項目に一致または対応する場合、その組に含めるための用例シーケンスを選択するステップを包含し得る。

ステップ（ｅ）は、組の補助の用例のために、入力不一致部分に対応する補助の用例の一部分を識別し、補助の用例と対をなす翻訳の対応部分を用いて選択候補の可能性のある翻訳のうち１つを形成するステップを包含し得る。

所定の選択アルゴリズムは、選択候補の少なくとも１つの翻訳のそれぞれについて、翻訳が導かれる少なくとも１つの補助の用例に基づいて決定される選好値を翻訳に割り当てるステップを包含し得る。

選好値は、入力シーケンスと少なくとも１つの補助の用例のそれぞれとの比較に基づいて決定され得る。

選好値は、重みを比較またはそのような比較のそれぞれに割り当て、かつ、割り当てられた重みを所定の方法で組み合わせることによって決定され得る。

重みは、データ項目の数または比較中の入力シーケンスと補助の用例とに共通のデータ項目の変数に基づいて割り当てられ得る。

重みは、入力シーケンスと補助の用例とに共通のデータ項目に関する１つ以上の下記の性質：共通のデータ項目の順繰りの位置、所定のコーパスの共通のデータ項目の頻度、入力不一致部分と共通のデータ項目の共起頻度、および共通のデータ項目の頻度から予測されるものからの共起頻度の逸脱、に基づいて割り当てられ得る。

重みは、不一致部分に対して共通のデータ項目の順繰りの位置に基づいて割り当てられ得る。

割り当てられた重みは加算によって総合され得る。

１つの例において、入力不一致部分におけるデータ項目は比較に含まれない。

選好値は翻訳基礎と、少なくとも１つの補助の用例のそれぞれと対である翻訳との比較に基づいて決定され得る。

所定の選択アルゴリズムは、割り当てられた選好値に基づいて選択候補から翻訳を選択するステップをさらに包含し得る。

選好値は、選択候補における翻訳または各翻訳に割り当てられ得る。

選好値は、翻訳が導かれる補助の用例または各補助の用例に基づいて決定され得る。

所定の選択アルゴリズムは、手動介入が選択された翻訳に影響を与えることを可能にし得る。

適切な翻訳がステップ（ｆ）で選択され得ない場合、入力不一致部分を複数の入力不一致部分に再分割し、対応するそれぞれの基本用例不一致部分を識別し、かつ、不一致部分毎にステップ（ｃ）からステップ（ｆ）を行うステップを包含し得る。

適切な基本用例がステップ（ａ）で見つけられない場合、入力シーケンスを複数の入力サブシーケンスに再分割し、そのようなサブシーケンス毎にステップ（ａ）からステップ（ｆ）を行い、かつ、ステップ（ｆ）からの結果を組み合わせることによりステップ（ｇ）で出力シーケンスを生成するステップを包含し得る。

記憶部は、ステップ（ａ）とステップ（ｄ）とでそれぞれ用いるための別個の記憶部を備え得る。

本発明の第２の局面に従うと、第２のフォーマットの翻訳とそれぞれ対になる第１のフォーマットの複数の用例シーケンスを備える記憶部を用いて第１のフォーマットのデータ項目の入力シーケンスを第２のフォーマットのデータ項目の出力シーケンスに翻訳する装置であって、入力シーケンスを記憶部からの複数の用例シーケンスのそれぞれと比較することに基づいて記憶部から基本用例シーケンスを選び、その対の翻訳を翻訳基礎として用いる手段と、入力シーケンスの一部分が基本用例シーケンスの対応する一部分と異なることを識別する手段であって、これら部分はそれぞれ入力不一致部分および基本用例不一致部分と指定される手段と、翻訳基礎の一部分を基本用例不一致部分に応じて位置決めする手段と、入力不一致部分を用いて記憶部から一組の補助の用例シーケンスを選択する手段と、一組の補助の用例シーケンスから入力不一致部分に対応する可能性のある翻訳の選択候補を決定する手段と、所定の選択アルゴリズムに基づいて選択候補から翻訳を選択し、かつ、選択された翻訳を用いて位置決めする手段によって位置決めされた部分を置換する手段と、選択する手段の結果をデータ項目の出力シーケンスの基礎として用いる手段とを備える装置が提供される。

本発明の第３の局面に従って、本発明の第２の局面に従う装置を備える翻訳メモリシステムが提供される。

本発明の第４の局面に従って、コンピュータ上で実行されると、コンピュータに本発明の第１の局面に従う方法を実行させるコンピュータプログラムが提供される。

本発明の第５の局面に従って、コンピュータにロードされると、コンピュータが本発明の第２の局面に従う装置または第３の局面に従うシステムになることを引き起こすコンピュータプログラムが提供される。

コンピュータプログラムはキャリア媒体上で実行され得る。キャリア媒体は伝送媒体であり得る。キャリア媒体は記憶媒体であり得る。

ここで、例として添付の図面が参照される。

（要旨）
ターゲット言語の翻訳とペアを組む各複数のソース言語の用例センテンスを備える記憶部を用いて、ソース言語の入力センテンスをターゲット言語の出力センテンスに翻訳する方法が開示される。基本用例センテンスは、入力センテンスを記憶部からの複数の用例センテンスのそれぞれと比較することに基づいて記憶部から選ばれ、その対の翻訳は翻訳基礎として用いられる（Ｓ２）。入力センテンスの部分が基本用例センテンスの対応部分と異なることが識別され（Ｓ３）、これら部分はそれぞれ入力不一致部分と基本用例不一致部分と指定される。基本用例不一致部分とアラインされる翻訳基礎の部分が位置決めされる（Ｓ４）。入力不一致部分を用いて、一組の補助の用例センテンスを記憶部から選択する（Ｓ５）。入力不一致部分に対応する可能性のある翻訳の選択候補が、その一組の補助の用例センテンスから決定される（Ｓ６）。翻訳が所定の選択アルゴリズムに基づいて選択候補から選択され（Ｓ７）、選択された翻訳を用いて以前に位置決めした翻訳基礎の部分を置換する（Ｓ９）。この置換の結果は出力センテンスの基礎として用いられる。この方法はまたデータ項目のシーケンスを翻訳することにも適用可能である。

ソース言語の入力センテンスをターゲット言語の出力センテンスに翻訳する本発明を具現化する方法と装置とがここで説明される。図１は、本発明を具現化する翻訳装置１のモジュール構造を説明する概略図であり、図２は、本実施形態における翻訳装置１によって行われるステップを示すフローチャートである。

翻訳装置１は、ソース言語の入力センテンスを受け取る入力部３と、ターゲット言語に翻訳された出力センテンスを出力する出力部１５とを備える。以下に説明されるように、翻訳は、ターゲット言語に翻訳されたものとそれぞれがペアを組む複数のソース言語の用例センテンスを備える記憶部１７を参照して行われる。翻訳装置１はまた、入力部３と出力部１５との間に順序通りに配置された見出し語別分類（ｌｅｍｍａｔｉｓｅｒ）／タグ付け（ｔａｇｇｅｒ）部５、取出部７、対応部（ｃｏｒｒｅｓｐｏｎｄｅｒ ｐｏｒｔｉｏｎ）９、翻訳計画部１１および翻訳部１３を備える。翻訳装置１はまた、一組の索引２１を維持する索引作成部１９と、一組のアライメント２５を維持する単語整列（ａｌｉｇｎｅｒ）部２４とを、以下でさらに説明するように、備える。

ステップＳ１で、ソース言語のシーケンスが入力部３に導入され、見出し語分類／タグ付け部５に移動し、ここでセンテンスを分析し、その分析に基づいて様々な前処理作業を行う。ソース言語がスペースによって単語を区分しない場合、入力センテンスは分節化を受ける。入力センテンスはまたこの段階で形態素解析を受ける。形態素解析は各分節にその分節（例えば、名詞、過去分詞、従属接続詞）に関する１つ以上の適当な品詞を割り当てるタグ付けと、各単語の引用形式または辞書形式を決定することを含む。この局面の終わりに、入力センテンスは、単語、引用形式または見出し語（後者は、辞書形式と品詞との組み合わせである）またはそれらを組み合わせたものを備え得るクエリー用語のリストに変換されている。

ステップＳ２で、基本用例が、入力センテンスを記憶部１７からの複数の用例センテンスのそれぞれと比較することによって記憶部１７から選ばれ、その対の翻訳は翻訳基礎として以下に説明されるプロセスの後のステップで用いられる。基本用例が決定される方法は、本発明の実施形態の全体的な動作にとって重要ではないが、本実施形態では二段階スキームが採用されており、ステップＳ２の二段階はそれぞれ検索部７と対応部９とによって行われる。

前述した従来技術の二段階スキームとは違って、本実施形態の第１の段階は、ブール（ｂｏｏｌｅａｎ）検索スキームを用いて実行される。ＵＳ２００４／０００２８４８における開示と区別されるように、所与の文書における用語の頻度である用語頻度（Ｔｅｒｍ Ｆｒｅｑｕｅｎｃｙ（ＴＦ））と、用語が現れる文書数の逆の単位である逆文書頻度（Ｉｎｖｅｒｓｅ Ｄｏｃｕｍｅｎｔ Ｆｒｅｑｕｅｎｃｙ：ＩＤＦ）といった概念は使用されない。ＴＦは通常不要である。なぜならば、検索単位が通常非常に小さいので、ＴＦは終止語を除いてめったに単一性と異ならないからである。所与の入力用語のＴＦが特定例において単一性を越えるときでさえ、これは通常、類似度をより良く示すことよりもむしろ不要に複雑性を生み出すものである。ＩＤＦはまた通常基本用例を決定する点において重要ではない。なぜならば、（同一の構成で）高頻度用語を共有するセンテンスはＩＤＦによって強調される低頻度用語を共有するセンテンスと同じくらい翻訳に良い基礎である可能性が高いからである。

ステップＳ２の基本用例を選ぶ第１の段階において、検索部７は入力センテンスのクエリー毎にそのクエリー用語を含んでいる記憶部１７における用例のリストを特定する索引２１を調べる。このリストは、ポスティングリストと呼ばれる。索引２１は索引作成部１９から生成され、かつ維持される。終止語と呼ばれるいくつかの用語は、あまりに多くの用例で現れるので索引用語として有益ではなく、この段階で無視され得る。任意のポスティングリストに現れる全ての用例の集合が決定され、これら用例のそれぞれに対して用例が現れるポスティングリストはどれか、すなわち、用例が含むクエリー用語はどれかが決定される。入力クエリー用語のサブセットからそのサブセットを含む用例をマッピングするデータ構造が構成される。このデータ構造は、「パワーセット」データ構造と呼ばれる。

図３は、入力句「ｅｌｅｃｔｒｏｎｉｃｓ ｅｎｇｉｎｅｅｒｉｎｇ ｄｅｇｒｅｅ」用に構成されたパワーセットデータ構造を説明する。パワーセットデータ構造は、多数のパワーセットエレメント２３−１〜２３−７を備えており、これらパワーセットエレメントはそれぞれのポスティングリスト２５−１〜２５−７にリンクされている。パワーセットエレメントは、入力句に現れる１つ以上の単語のサブセットを特定し、その関連するポスティングリストは、任意の順序で、かつ、必ずしも隣接するとは限らない順序でパワーセットエレメントにおいて特定された全ての単語を含む記憶部１７の用例全てのリストを含む。

例えば、図３のパワーセット２３−１は、１つの単語「ｅｌｅｃｔｒｏｎｉｃｓ」を含み、その関連するポスティングリスト２５−１は、単語「ｅｌｅｃｔｒｏｎｉｃｓ」を含む記憶部１７にある全ての用例のリストを含む。パワーセットエレメント２３−５は、単語「ｅｌｅｃｔｒｏｎｉｃｓ」と「ｅｎｇｉｎｅｅｒｉｎｇ」とを含み、その関連するポスティングリスト２５−５は、（これら２つの単語がその順序で隣接して現れるかどうかにかかわらず）単語「ｅｌｅｃｔｒｏｎｉｎｃｓ」と単語「ｅｎｇｉｎｅｅｒｉｎｇ」とを備える記憶部１７にある全ての用例リストを含む。パワーセットエレメント２３−７は、単語「ｅｌｅｃｔｒｏｎｉｃｓ」、「ｅｎｇｉｎｅｅｒｉｎｇ」および「ｄｅｇｒｅｅ」を含み、その関連するポスティングリスト２５−７は、（これら３つの単語がその順序で隣接して現れるかどうかにかかわらず）単語「ｅｌｅｃｔｒｏｎｉｃｓ」、「ｅｎｇｉｎｅｅｒｉｎｇ」および「ｄｅｇｒｅｅ」のそれぞれを備える記憶部１７にある全ての用例リストを含む。

さらに図３に図示されるものは、単語「ｅｌｅｃｔｒｏｎｉｃｓ」を含むパワーセットエレメントのサブセット２７である。以下でより詳細に説明されるように、このサブセットは、単語「ｅｌｅｃｔｒｏｎｉｃｓ」の翻訳を決定しようと試みるときに検査される。一般的に、パワーセットエレメントにあるその他の単語（もしもある場合）は文脈用語として働き、パワーセットエレメントが大きければ大きいほど、最終翻訳への影響度がより大きくなる。

最後にステップＳ２の第１の段階で、多数の用例がその後、入力センテンスのパワーセットデータ構造を利用して、入力センテンスへの類似度をより詳細に計算するために選択される。クエリー用語の最も大きいセット（すなわち、最も大きいパワーセットエレメント）から始まって、関連するポスティングリストにある用例はより詳細な分析のために選択される。クエリー用語のさらに小さいサブセット（すなわち、さらに小さいパワーセットエレメント）は、より詳細な分析のために選択される用例の数がある閾値を越えるまで、またはサブセットの濃度がある閾値を下回るまで検討される。この段階で、サブセットはそれらの濃度によってのみ順序付けられるのであって、ＩＤＦといった他の値によっては順序付けられない。

選択された用例のそれぞれはその後ステップＳ２の第２の段階に移動し、これは対応部９によって行われる。受け取られた各用例に対して、対応部９は入力されたものと用例との間の最長共通サブシーケンス（ＬＣＳ）を計算する。記号（ここで終止語を含む用語である）の２つのストリングのＬＣＳは必ずしも隣接するとは限らないが、２つのストリングに同一の順序で生じる記号の最長シーケンスである（例えば、Ｇｕｓｆｅｌｄ、「Ａｌｇｏｒｉｔｈｍｓ ｏｎ Ｓｔｒｉｎｇｓ， Ｔｒｅｅｓ ａｎｄ Ｓｅｑｕｅｎｃｅｓ」、ＣＵＰ １９９７年を参照）。ＬＣＳは、入力センテンスと用例センテンスとの交代性「一致」ストレッチおよび「不一致」ストレッチのシーケンスを規定しており、１つのセンテンスにおける各一致ストレッチは他方のセンテンスにおける一致ストレッチとペアを組み、同様に１つのセンテンスにおける各不一致センテンスは他方のセンテンスにおける不一致ストレッチとペアを組む。

従って、従来技術と対照的に類似度を決定する第２の段階はエディットディスタンスに基づくのではなくＬＣＳの計算に基づく。エディットディスタンスとストリング類似度の他の測定基準に対するＬＣＳの１つの利点は、ＬＣＳは入力ストリングと用例ストリングとの間の対応を規定しており、対応は２つのストリングにおける対のストレッチであり、その結果、両方のストリングはそれらの長さに沿って代替一致／不一致ストレッチに分割される点である。対応とはよく文献でアライメントと呼ばれるが、ここでは異なる言語のセテンス間のアライメントと区別するために異なる用語が用いられる。空ストリングは、どちら側にも現れ得る。

例における対応は図４に示されており、ここでは入力センテンスは「Ｍｒ．Ｓｈａｒｐ ｗａｓ ａｗａｒｄｅｄ ａ ｄｅｇｒｅｅ ｆｒｏｍ Ｏｘｆｏｒｄ Ｕｎｉｖｅｒｓｉｔｙ」であり、選択された用例センテンスは「Ｈｅ ｗａｓ ａｗａｒｄｅｄ ａ ｄｏｃｔｏｒａｔｅ ｆｒｏｍ Ｃａｍｂｒｉｄｇｅ Ｕｎｉｖｅｒｓｉｔｙ ｉｎ １９７２」である。一致ストレッチは、「ｗａｓ ａｗａｒｄｅｄ ａ」、「ｆｒｏｍ」および「Ｕｎｉｖｅｒｓｉｔｙ」であり、その他の部分は不一致ストレッチ（図４において２９−１〜２９−４とラベルされる）である。不一致ストレッチ間の対応は図４に示される。

交代性一致ストレッチおよび不一致ストレッチのシーケンスはその後２つのセンテンスの類似度を数量化する採点機能に入力される。１つの可能性のある採点機能は、長い一致ストレッチと短い不一致ストレッチとを好むのであるが、以下の通りである。

ここで、
Ｑは入力センテンスであり、
Ｘは用例センテンスであり、
ｍは対応における一致ストレッチの数であり、
ｑ_ｉはｉ回目の一致ストレッチであり、
ｕは対応における不一致ストレッチの数であり、
ｑ_ｊはｊ回目の入力不一致ストレッチあり、および
ｘ_ｊはｊ回目の用例不一致ストレッチである。

そのような測定基準はまた、対応の様々な特徴を支持するように変更され得る。例えば、用語もまた不一致ストレッチの両側が同じ長さである場合、より高い類似度スコアを提供する前記の式に含まれ得る。類似度の計算が入力センテンスと用例センテンスとの言語的内容に対してより敏感になり得る方法もまたいくつかある。統語構造で類似する不一致ストレッチを支持する用語が含まれ得る。クエリー用語が見出し語である場合、不一致ストレッチは品詞シーケンスの類似度に対して比較され得る。類語辞典が利用可能な場合、意味上の類似度または近似性の指標もまた含まれ得る。

十分に類似する用例が見つからない場合、例えば、類似度スコアが用例センテンスのいずれに対してもある閾値を超えないところで、システムは答えをリターンし得ない。インタラクティブな状況（翻訳メモリシステムを用いるのに典型的な状況であるように）において、または他の翻訳モジュールが翻訳を提供し得るマルチエンジンの状況において、これは許容範囲の応答である。あるいは、システムは独立して翻訳され得る部分に入力されたものを分割するように様々な作業に適用し得る。例えば、最初と最後の不一致ストレッチが除かれる（「文末なし」の変化）前記の類似度の式の僅かな変化は、独立して翻訳されて、ＥＢＭＴ技術を用いて結合され得る局所的に類似する用例の検出を可能にする。

最高点の用例センテンスが選択され、前述したように、その対のターゲット言語翻訳はそれぞれ翻訳計画部１１と翻訳部１３とによって行われる翻訳計画と翻訳とのための翻訳基礎として用いられ、図２のステップＳ３〜Ｓ９を参照しながらここで説明される。

ステップＳ３で、翻訳計画部１１は基本用例センテンスと対応部分が異なる入力センテンスの部分を識別し、これら部分はそれぞれ入力不一致ストレッチと基本用例不一致ストレッチと呼ばれる。本実施形態では、入力および基本用例の不一致ストレッチを識別するタスクは、前記したように対応部９によって既に行われているので、このタスクは翻訳計画部１１によって繰り返される必要はない。従って、ステップＳ３では、翻訳計画部１１は、対応部９による前の分析に基づいて入力不一致ストレッチと対応する基本用例不一致ストレッチとを識別する。２つ以上の不一致ストレッチが対応部９によってこれまでに識別されている場合、１つのそのような不一致ストレッチが現在の反復（ｉｔｅｒａｔｉｏｎ）に選択されており、後の反復でさらなる不一致ストレッチに移動する。

ステップＳ４では、翻訳計画部１１は基本用例不一致ストレッチにアラインされるステップＳ２で選択されたターゲット言語の翻訳基礎の部分を位置決めする。翻訳計画部１１は、翻訳計画に、この部分は入力不一致ストレッチの翻訳によって置換されるべきであることを記録する。単語整列部２４がソース言語の単語または句をターゲット言語センテンスの単語または句とアラインする方法は重要ではなく、これを達成する技術は前に参照した従来技術で容易に見つけることができる。用例が単語よりも高い単位でアラインされる程度が大きければ大きいほど、より正確で適用範囲が向上する。

この段階で、不一致ストレッチは同一のアライメントに生じる任意の隣接する一致区分を含むように広げられる。例えば、入力が「ｒａｉｌｗａｙ ｓｔｒｉｋｅ」であり、基本用例が１つの日本語の単語「ゼネスト」とアラインされる「ｇｅｎｅｒａｌ ｓｔｒｉｋｅ」を含む場合、後者は不一致「ｒａｉｌｗａｙ」と一致「ｓｔｒｉｋｅ」との両方の翻訳に置換されるに違いない。従って、ステップＳ４は、ステップＳ４のアライメント分析に従ってステップＳ３で識別された入力不一致ストレッチおよび基本用例不一致ストレッチを修正するようにステップＳ３と連携して効率的に動作する。

翻訳計画部１１はまた、より複雑な場合または特別な場合に取られるアクションを決定することを担っており、どの知識が利用可能であるか、どの出力が特定の用法（例えば、インタラクティブＴＭ、マルチエンジン等）に適切であるか、および他のパラメータに基づいて働くように構成され得る。

ステップＳ８を参照しながら以下に記載するように、ステップＳ３とステップＳ４とは不一致ストレッチ毎に繰り返され、これは結果として、入力不一致ストレッチとアラインされる翻訳基礎の全ての部分がどのように処理されることにより最終翻訳を生成するのかを設計する完全な翻訳計画になる。そのような完全な翻訳計画は図５で説明されており、これは図４を参照しながら前述した例に基づく。図５に示されるものは、それぞれ入力センテンスと基本用例センテンスとの４つの不一致ストレッチ２９−１〜２９−４に対応する翻訳基礎の４つの部分３１−１〜３１−４である。翻訳計画部１１によって作成される翻訳計画は、翻訳基礎の部分３１−１（基本用例不一致ストレッチ２９−１からの「ｈｅ」に対応する「彼」）は、対応する入力不一致ストレッチ２９−１からの「Ｍｒ． Ｓｈａｒｐ」の翻訳に置換されるべきである点、翻訳基礎の部分３１−２（基本用例不一致ストレッチ２９−２からの「ｄｏｃｔｏｒａｔｅ」に対応する「博士号」）は、対応する入力不一致ストレッチ２９−２からの「ｄｅｇｒｅｅ」の翻訳に置換されるべきである点、翻訳基礎の部分３１−３（基本用例不一致ストレッチ２９−３からの「Ｃａｍｂｒｉｄｇｅ」に対応する「ケンブリッジ」）は、対応する入力不一致ストレッチ２９−３からの「Ｏｘｆｏｒｄ」の翻訳に置換されるべきである点、および翻訳基礎の部分３１−４（基本用例不一致ストレッチ２９−４からの「ｉｎ １９７２」に対応する「１９７２年」）は、対応する入力不一致ストレッチ２９−４が空なので削除されるべきである点を示す。

ステップＳ３とステップＳ４とは、翻訳部１３による翻訳に移動する前に不一致ストレッチ毎に繰り返されることにより図面によって例示されるように包括的な翻訳計画を作成し得るが、本実施形態では、１つの不一致ストレッチに関する「部分的な」翻訳計画が反復毎にステップＳ３およびステップＳ４において作成され、その後即座に翻訳部１３に移動しステップＳ５からステップＳ７までの処理を受ける（以下で説明される）。従って、図５は４つのそのような「部分的な」翻訳計画を示す。

翻訳部１３に移動した特定の部分的翻訳計画に対して、入力不一致ストレッチ全体への翻訳が最初に捜し求められ、見つからない場合、ストレッチはサブセットに分割されて、これらサブセットへの翻訳が独立的に捜し求められ、順々に行われる。便宜上、現在翻訳されている入力不一致ストレッチのサブセットは、ここでは「フォーカスストレッチ」と呼ばれ、これは１つ以上の「フォーカス用語」を含む。「フォーカスストレッチ」は、入力不一致ストレッチ全体であり得る。

ステップＳ５で、翻訳部１３は入力フォーカスストレッチを用いて、記憶部１７からの一組の「補助の用例」センテンスを選択する。補助の用例は、フォーカス用語のうち１つ以上を含む記憶部１７における用例センテンスである。フォーカス用語を含む記憶部１７からの用例センテンスは既に、ステップＳ２について前述した初期の検索段階の間に決定されており、図３を参照しながら説明されたようにパワーセットデータ構造に反映されている。またこれは、図６のステップＴ１を参照しながら以下でさらに説明される。

ステップＳ６で、入力フォーカスストレッチに対応する可能性のある翻訳Ｔの選択候補は、補助の用例センテンスのセットから（例えば、フォーカスストレッチと補助の用例との間の対応と、補助の用例とその関連するターゲット言語翻訳との間のアライメントとから）決定される。ステップＳ７で、翻訳が（以下で説明される）所定の選択アルゴリズムに基づいて翻訳Ｔの選択候補から選択され、選択された翻訳はステップＳ９で、ステップＳ４で位置決めされた部分を置換するのに用いられる。

ステップＳ５からステップＳ７までに関するさらなる詳細は、図６のフローチャートを参照しながらここで提供される。

図６のステップＴ１はステップＳ５に対応し、フォーカスストレッチのフォーカス用語ＦＴを含むパワーセットエレメントを取り出すことを含む。例えば、図３に図示される例を参照して、フォーカスストレッチが１つのフォーカス用語「ｅｌｅｃｔｒｏｎｉｃｓ」を備える場合、パワーセットエレメント２３−１、２３−５、２３−６および２３−７のサブセット２７が選択され、一組の補助の用例センテンスが関連するポスティングリスト２５−１、２５−５、２５−６および２５−７で定義される。ステップＳ６を参照しながら前述したように、これら補助の用例センテンスは可能性のある翻訳Ｔの選択候補を定義する。

選択候補の翻訳Ｔは、入力センテンスのフォーカス用語の翻訳であり、これは補助の用例とその関連するターゲット言語翻訳との間のアライメントと一緒に、フォーカスストレッチと補助の用例との間の対応から決定される。例えば、フォーカス用語「ａｔｍｏｓｐｈｅｒｅ」は、地球を取り囲むものという意味の単語「ａｔｏｍｏｓｐｈｅｒｅ」を含むいくつかの補助の用例と、気分または感情という意味のその単語を含むいくつか他の補助の用例とを結果として得る。これら２つの意味はおそらく異なる翻訳と関連付けられ、その結果、フォーカス用語「ａｔｍｏｓｐｈｅｒｅ」に対する翻訳Ｔの選択候補になる。選択候補の翻訳は「補助の翻訳」と呼ばれ得る。

ステップＳ７を参照しながら前述した所定の選択アルゴリズムは、ここで説明される。アルゴリズムの全体の説明が最初に提示され、次に、図６に示されたステップを参照しながら本実施形態においてアルゴリズムがどのように実行されるのかに関してより詳細に説明される。

補助の用例センテンスの中にはクエリーからの他の用語を含み得るものがあり、この用語はベスト例で現れ、基礎に翻訳を有する。入力センテンスと補助の用例センテンスとの間に共通の索引用語が現れることにより、その補助の用例センテンスと関連する翻訳が正しいという証拠がさらに提供され、入力センテンスのそれら索引用語が翻訳されるべきものでないときでさえ、さらなる証拠が提供される。そのような索引用語は入力センテンスにおいて翻訳されるフォーカスストレッチとは非常に関係の薄いものでさえあり得る。

そのような証拠に与えられるべき重みは、索引用語がどのくらい一般的であるか、フォーカスストレッチの翻訳されるべき材料に対して、索引用語がセンテンスにおいてどのくらい近いかという組み合わせによって決まる。例えば、（公の活動または言語的現象としての交代性の意味を有する）単語「ｓｐｅｅｃｈ（講演、話すこと）」を翻訳することを試みるとき、共通の単語「ｍａｋｅ」は公の活動の意味のみが非常に近似していることを示す良い指標である。その一方で、「ｐｈｏｎｅｔｉｃ（音声の）」といった珍しい単語は、非常に遠く離れているときでさえ他方の意味を示すさらに良い指標である。しかし特定の証拠はいずれも誤解を招くおそれがあり得る（「彼の講演は音声学について言及した」を考慮する）。最も正確にするためには、複数の証拠源を組み合わせるべきである。

本実施形態では、フォーカス用語ＦＴを有する特定のフォーカスストレッチに対して、それらフォーカス用語ＦＴの特定の翻訳Ｔへの証拠の組み合わせが、そのターゲット言語側の翻訳Ｔを描写する１つ以上の補助の用例のそれぞれに重みを割り当て、かつ、それら重みを加算することによって得られる。

ここで、
良さ（Ｔ，ＦＴ，ｓ_ｉ）は、入力ストリングのフォーカス用語ＦＴへの翻訳Ｔの良さを測るものであり、
Ｓ（Ｔ）は、ターゲット言語側の翻訳Ｔを有する用例のサブセットであり、および
重み（ｓ_ｅ，ｓ_ｉ，ＦＴ）は、フォーカス用語ＦＴについて用例ｓ_ｅと入力ｓ_ｉに与えられる重みである。

重みはそれ自体、入力センテンスと用例のソース言語側との両方におけるフォーカス用語に関する文脈用語の分布機能である。

ここで、
Ｃ（ｓ_ｅ，ｓ_ｉ）は、入力と用例とで共有する文脈用語のセットであり、
用語＿重み（ｃｔ，ＦＴ，ｓ）は、以下のように、ＦＴについてストリングｓにある文脈用語「ｃｔ」から導かれる重みである：
用語＿重み（ｃｔ，ＦＴ，ｓ）＝ｄ（ｃｔ，ＦＴ，ｓ）^３／（ｋ _１ ^{＊（ｌｏｇ（ｆｒｅｑ（ｃｔ）／Ｎ）＋ｋ} _２ ^））
ここで、
用語＿重み（ｃｔ，ＦＴ，ｓ）は、ストリング「ｓ」のフォーカス用語ＦＴの最も近いものからの距離ｄ（ｃｔ，ＦＴ，ｓ）単語位置における文脈用語「ｃｔ」の重みであり、
ｆｒｅｑ（ｃｔ）は、Ｎ文書のコレクションにおける文脈用語「ｃｔ」の頻度であり、および
ｋ_１およびｋ_２は、用語―重みを微調整する重み要因である。

任意の頻度の文脈用語は、フォーカス用語に隣接する重み２を有するが、これは高頻度用語への距離とともにはるか急速に低下する。一組の文脈用語の重みは、その後、入力と用例とにおけるこれら重みの産物である。

図６のフローチャートに戻って、一組のパワーセットエレメントは前述したようにステップＴ１で選択されている。入力の場合、用語＿重み（ｃｔ，ＦＴ，ｓ_ｉ）の値は、パワーセットエレメントの文脈用語「ｃｔ」毎に一度だけ計算される必要がある。図３で示したパワーセットエレメントのサブセット２７を例として参照すると、各パワーセットエレメントに対するフォーカス用語ＦＴは「ｅｌｅｃｔｒｏｎｉｃｓ」であり、そのパワーセットエレメントにある他の単語は文脈用語「ｃｔ」を構成している。例えば、パワーセットエレメント２３−７について、文脈用語「ｃｔ」は「ｅｎｇｉｎｅｅｒｉｎｇ」と「ｄｅｇｒｅｅ」とである。用語＿重み（ｃｔ，ＦＴ，ｓ_ｉ）に関する上記の式を用いると、ステップＴ１で選択されたパワーセットエレメントは、重みを減らすために、それらの文脈用語に与えられた重みによってステップＴ２で順序付けられる。

これらパワーセットエレメントはその後、ステップＴ２で割り当てられた順序で順番に選択され、それらが対応付けるポスティングリストにおける個々の用例の重みが検討される。ステップＴ３で、次のパワーセットエレメントが分析するために選択され（または、第１の反復のために第１のパワーセットエレメントが選択され）、ステップＴ４でその関連するポスティングリストにおける次の補助の用例が取り出される（または、第１の反復のために第１の補助の用例が取り出される）。

用例毎に重み（ｓ_ｅ，ｓ_ｉ，ＦＴ）の式が計算される前に、最初にその用例が考慮から除かれるべきであるかどうかを判断する。または少なくとも考慮することを保留にするかどうかを判断する。これは、ステップＴ５で、用例におけるフォーカス用語の構成と入力におけるフォーカス用語の構成との類似度を計算することによって決定する。その２つが厳密に類似していない限り、一方の翻訳が他方の良い翻訳である見込みはない。類似度を決定するために、用例とフォーカス用語を含む最小のストレッチとの間の対応は、前述した「終止語のない」式を用いて計算される。これは、合理的に高い閾値を受け得、その閾値を下回る用例はいずれも切り捨てられ、処理はステップＴ４に戻って次の用例を取り出す。閾値を通過する例がない場合、フォーカス用語はサブセットに移動され、そのようなサブセットがそれぞれ検討されるので入力不一致ストレッチからのその他の用語は文脈用語として扱われる。

用例が閾値を超える場合、処理はステップＴ６に進み、ここで文脈用語の貢献度が検討される。用例の全体的な重みは上記の式を用いて得られる。また、この重みは、この用例のターゲット言語側に対応するフォーカス用語への翻訳Ｔの重みに加えられる。

不一致ストレッチの翻訳を決定する処理は、様々な地点で停止され得る。例えば、ステップＴ７で重みがちょうど増加している翻訳がある閾値に達しているか、もしくはある閾値を超えているかが判断される。達っているか、もしくは超えている場合、その翻訳はステップＴ８で選ばれ、処理はステップＴ１３に移動する。達していない場合、処理はステップＴ９に続く。

Ｔ９で、検討された用例の数がある閾値に達しているかが判断される。達していない場合、処理はステップＴ４に戻って次の用例を処理する。達している場合、ステップＴ１０デ、翻訳がまだ見つかるかどうかが判断される。見つかった場合、ステップＴ１１で最も高い重みを有するものに従って最良の翻訳が選ばれ、処理はステップＴ１３に移動する。見つからなかった場合、処理はステップＴ１２に移動する。

翻訳されている２つ以上の用語の証拠は通常、共に肯定されるので、所与のフォーカスセットの翻訳が見つかる場合、処理は通常、フォーカス用語のより小さいサブセットへ進まずにこのフォーカスセットを検討した後停止される。しかしながら、より大きなフォーカスセットの翻訳がない場合、より小さいサブセットが検討されるべきであり、ここで文脈用語の貢献度がより重要になり得る。前述したように、１つの反復におけるフォーカス用語は、クエリーと用例との間に十分な類似がない場合、後の反復で文脈用語になり得る。

ステップＴ１２で、処理されるさらなるパワーセットエレメントが他にあるかどうかが判断される。ある場合、処理はステップＴ３に戻って次のパワーセットエレメントを選択する。ない場合、処理はステップＴ１３に続く。（不一致ストレッチ内に処理されるべきさらなるフォーカスストレッチがある場合、Ｔ１からＴ１２までがステップＴ１３が行われる前にそれら更なるフォーカスストレッチのために繰り返される。）ステップＴ１３は、図２のステップＳ８に対応しており、ここで全ての不一致ストレッチが検討されたかどうかが判断される。全ては検討していない場合、処理は図２のステップＳ３に戻って、次の不一致ストレッチを検討するための準備が出来ている。全て検討した場合、フォーカスストレッチの翻訳は完全である。

不一致ストレッチ毎に、その不一致ストレッチ用にステップＳ７で選択された翻訳を用いて、ステップＳ４で位置決めされた部分を置換し、その結果、ステップＳ１０において、出力部１５で提供される完全な出力ターゲット言語センテンスになる。完全に翻訳することができなかった、もしくは全く翻訳されなかった不一致ストレッチがある場合、手動の介入が適切と思われるように出力センテンスを編集するのに必要とされる。必要な場合、いかなる場合でも編集を検討するためにセンテンスが提示され得る。そのような編集の後、出力ターゲット言語センテンスは、それ自身が将来の使用のためにソース言語入力センテンスと共に記憶部１７に加えられ得る。これは図１において出力部１５から記憶部１７へのリターンパス１６として表される。

図７は、本発明を具現化する翻訳システム１を用いて、入力センテンス「Ｔｈａｔ ｒｅｓｔａｕｒａｎｔ ｏｆｆｅｒｓ ａ ｇｏｏｄ ａｔｍｏｓｐｈｅｒｅ」の翻訳を見つける例を説明する。基本用例センテンス「Ｔｈａｔ ｒｅｓｔａｕｒａｎｔ ｏｆｆｅｒｓ ａ ｇｏｏｄ ｓｅｒｖｉｃｅ」がステップＳ２で選ばれ、その対の翻訳「そのレストランはサービスがいい」が翻訳基礎として用いられている。１つの入力不一致ストレッチと対応する基本用例不一致ストレッチとは、ステップＳ３で、それぞれ「ａｔｍｏｓｐｈｅｒｅ」と「ｓｅｒｖｉｃｅ」であると判断される。ステップＳ４で、アラインされた部分「サービス」は翻訳基礎に、基本用例不一致ストレッチ「ｓｅｒｖｉｃｅ」に対応するものとして位置決めされ、このアラインされた部分は翻訳計画において、入力不一致ストレッチからの「ａｔｍｏｓｐｈｅｒｅ」の適切な翻訳によって置換されるものとしてマークされる。「ａｔｍｏｓｐｈｅｒｅ」の翻訳（補助の翻訳）の選択候補は、ステップＳ５およびステップＳ６において「雰囲気」と「大気」とを備えるものと判断される。ステップＳ７で、選好値は、上記のアルゴリズムに従ってこれら補助の翻訳に割り当てられ、翻訳「雰囲気」は、最も高い選好値を有するものとして選択される。ステップＳ９で、選択された翻訳「雰囲気」を用いて、ステップＳ４で位置決めされた翻訳基礎のアラインされた部分「サービス」を置換し、出力ターゲット言語センテンス「そのレストランは雰囲気がいい」が結果として得られる。

種々の修正が上記の実施形態に加えられ得る。例えば、用語＿重みの式は、パラメータｋ１およびｋ２を用いて微調整され得、トレーニングセットで最適化され得る。翻訳システムはまた簡単な構文解析ツールを含み得、ここで用語＿重みの式は、依存関係グラフにおける距離の尺度として単語の位置について距離を取り替えることによって修正される。用語＿重みの式はまた、文脈用語と１つ以上のフォーカス用語との共起の尺度として、文脈用語の未補正の規格化した頻度を取り替えることによって修正され得る。補助の用例の重みはまた、文脈用語が基本用例と補助の用例とにおいて一様に翻訳されているかどうかによって決まり得、ここで２つの場合で異なる翻訳が現れることは、この補助の用例はより低く重みづけられることを示す。

ステップＳ２において最も高い類似度の点数を与える１つの基本用例が選択されることは前述されているが、さらなる分析のために２つ以上の基本用例が選ばれることはもちろん可能である。例えば、最も高い類似度の点数を与える基本用例が選ばれることが可能である。そのような状況では、そのような選ばれた基本用例はそれぞれ、ステップＳ３からステップＳ９までを参照しながら説明された同一の翻訳処理を受け、最良の翻訳を与える出力センテンスがステップＳ１０で出力ターゲット言語センテンスとして使用するために選ばれるか、もしくは、翻訳システム１のユーザが、選択および／またはさらなる編集に対して順にランク付けされ得る翻訳の選択候補を提示され得る。

本発明の実施形態は、取り出された用例センテンスがさらに多種多様に入力センテンスから異なることを可能にすることによって従来技術のＴｒａｎｓｌａｔｉｏｎ Ｍｅｍｏｒｙシステム（例えば、ＷＯ９９／５７６５１）を改良する。名称と数とのカテゴリは、任意の構成エレメントに広げられ、その任意の構成エレメントの翻訳は文脈的に決定され得、決定された翻訳は全体の翻訳における正しい地点で置換される。これにより、ＴＭが適用可能である入力範囲が増え、翻訳基礎を入力の正しい翻訳に変換するのに必要とされる手動の介入の量が削減される。これら要因の両者は翻訳者にとってＴＭの有用性を向上させる。

翻訳処理が、前記の実施形態と従来技術のＥｘａｍｐｌｅ−Ｂａｓｅｄ ＭＴシステムとで異なって構造化されていることは明らかである。それでもなお、本発明の種々の局面は有益な効果を持ってＥｘａｍｐｌｅ−Ｂａｓｅｄ ＭＴシステムにおいて使用するために適応され得ることもまた明らかである。例えば、不連続な対応を、補助の翻訳を統合するために枠組みとして用いることは、入力と用例との完全な統語解析と、用例ペアのソース側とターゲット側との構文ベースのアライメントとに依存することを避ける手段として有用である。さらに、最良の翻訳を決定するための頻度と文脈上類似度との組み合わせは、ＥＢＭＴシステムの動作内で任意のフラグメントの翻訳に有益な効果を持って適用され得る。

本発明の実施形態における対応の概念は、１つの最良の用例が統語テンプレートとして働くことを可能にする。これはある程度までリコールを限定するが、高い正確性を維持する。不一致ストレッチの翻訳は、このテンプレート内の適切な地点で置換される。例えば英語と日本といったような異なる語順を有する言語間で翻訳するときでさえ、用例の完全な統語解析が不必要になる。しかしながら、不一致ストレッチの統語解析は、正確性を維持している一方で技術の適用性を広げる。

本発明の実施形態はまた、特定の翻訳の頻度を各翻訳の文脈上妥当性を判断する証拠と組み合わせることによって各フラグメントの最良の翻訳を選ぶことに関する問題に対する解決策を与える。従来技術の中で、所与のソース言語句への特定の翻訳の頻度を、翻訳の良さの尺度を得るために生じる入力と用例との類似度に関する情報と組み合わせることに取り組むものはない。

本発明を具現化している翻訳システムは、ハードウェアまたはソフトウェアもしくは両者の組み合わせにおいて実行され得ることが理解される。例えば、本発明の実施形態は、コンピュータプログラムの制御下で実行され得る。そのようなプログラムは、コンピュータ可読の媒体上に格納され得、またはインターネットウェブサイトから提供されるダウンロード可能なデータ信号といった信号に具現化され得る。添付の請求項はそれ自身でコンピュータプログラムを網羅するものとして、もしくは、キャリア上の記録として、信号として、ほかの形式で解釈されるべきものである。

前記実施形態は、入力は第１の（ソース）言語の単語（センテンス）のシーケンスであり、出力は第２の（ターゲット）言語の単語（センテンス）のシーケンスである翻訳装置に関しており、本発明はより広い用途を有しており、話し言葉の翻訳に限られないことが理解される。入力は第１のフォーマットのデータ項目のシーケンスであり得、出力は第２のフォーマットのデータ項目のシーケンスであり得、データ項目はいかなるタイプのデータでもあり得る。

また、基本用例を決定する際に用いられる用例の記憶部は、補助の例を決定するために用いられるものとは異なり得ることが理解される。例えば、前者は前記したように、翻訳計画部１１と翻訳部１３とによって使用されるための基本用例を提供する別個の従来のＴＭシステムの一部であり得る。

本発明を具現化する翻訳装置を説明する概略図である。 図１の翻訳装置によって行われるステップを示すフローチャートである。 本発明の実施形態で用いられるパワーセット（ｐｏｗｅｒｓｅｔ）データ構造の該略図である。 本発明の実施形態における入力用例シーケンスと基本用例シーケンスとの間で決定される対応例を示す。 図４で示された例の翻訳計画を示す。 入力不一致ストレッチの適切な翻訳を決定する本発明の実施形態で行われるステップをより詳細に説明するフローチャートである。 本発明の実施形態の動作の別の例を説明する。

符号の説明

１ 翻訳装置
３ 入力部
５ 見出し語別分類／タグ付け部
７ 取出部
９ 対応部
１１ 翻訳計画部
１３ 翻訳部
１５ 出力部
１７ 記憶部
１６ リターンパス
１９ 索引作成部
２１ 索引
２４ 単語整列部
２５ アライメント

Claims (38)

1. 記憶部（１７）を用いて第１のフォーマットのデータ項目の入力シーケンス（３）を第２のフォーマットのデータ項目の出力シーケンス（１５）に翻訳する方法であって、該記憶部（１７）は該第１のフォーマットの複数の用例シーケンスを備え、該複数の用例シーケンスのそれぞれは該第２のフォーマットの翻訳と対になっており、
   該方法は、
   （ａ）該入力シーケンス（１５）を該記憶部（１７）からの複数の用例シーケンスのそれぞれと比較することに基づいて該記憶部（１７）から基本用例シーケンスを選び（Ｓ２）、その対の翻訳を翻訳基礎として用いるステップと、
   （ｂ）該入力シーケンスの一部分（２９−１〜２９−４）が該基本用例シーケンスの対応する一部分（２９−１〜２９−４）と異なることを識別するステップ（Ｓ３）であって、これら部分はそれぞれ入力不一致部分および基本用例不一致部分と指定されるステップと、
   （ｃ）該翻訳基礎の一部分（３１−１〜３１−４）を該基本用例不一致部分（２９−１〜２９−４）に応じて位置決めするステップ（Ｓ４）と、
   （ｄ）該入力不一致部分を用いて該記憶部（１７）から一組の補助の用例シーケンスを選択するステップ（Ｓ５）と、
   （ｅ）該一組の補助の用例シーケンスから該入力不一致部分（２９−１〜２９−４）に対応する可能性のある翻訳の選択候補を決定するステップ（Ｓ６）と、
   （ｆ）所定の選択アルゴリズムに基づいて該選択候補から翻訳を選択するステップ（Ｓ７）と、該選択された翻訳を用いてステップ（ｃ）において位置決めされた該部分を置換するステップ（Ｓ９）と、
   （ｇ）ステップ（ｆ）の結果をデータ項目の該出力シーケンス（１５）の基礎として用いるステップ（Ｓ１０）と
   を包含する方法。
2. ステップ（ｂ）からステップ（ｆ）は、前記入力シーケンスで識別される複数の入力不一致部分に対して繰り返される（Ｓ８）、請求項１に記載の方法。
3. ステップ（ｂ）からステップ（ｆ）は、前記入力シーケンスで識別される不一致部分ごとに対して繰り返される（Ｓ８）、請求項２に記載の方法。
4. ステップ（ａ）で選ばれる前記基本用例シーケンスは、近接度に関する所定の尺度に従って前記入力シーケンス（３）に最も近接して一致する前記記憶部（１７）からの前記用例シーケンスである、請求項１、２または３のいずれか一項に記載の方法。
5. ステップ（ｂ）で識別される基本用例不一致部分（２９−１〜２９−４）と、ステップ（ｃ）で位置決めされるその対応する翻訳基礎部分（３１−１〜３１−４）とは、２つの隣接するデータ項目の間に位置づけられる空シーケンスであり得、その結果、ステップ（ｆ）における前記置換するステップは、効率的に位置へ挿入するステップである、請求項１から請求項４のいずれか一項に記載の方法。
6. ステップ（ｆ）において、前記選択された翻訳の形態的変数を用いて文脈に応じてステップ（ｃ）で位置決めされる前記部分を置換する、請求項１から請求項５のいずれか一項に記載の方法。
7. データ項目の前記出力シーケンス（１５）として用いる前に、ステップ（ｆ）から生じる前記シーケンスにさらなる処理が行われる、請求項１から請求項６のいずれか一項に記載の方法。
8. 前記データ項目は単語である、請求項１から請求項７のいずれか一項に記載の方法。
9. 前記第１のフォーマットと前記第２のフォーマットとは、それぞれ第１の言語と第２の言語とである、請求項８に記載の方法。
10. データ項目の前記入力シーケンスは、文法的に完全な句を形成する、請求項９に記載の方法。
11. データ項目の前記入力シーケンスは、センテンスを形成する、請求項１０に記載の方法。
12. ステップ（ｃ）において、前記部分（３１−１〜３１−４）は、前記基本用例シーケンス部分とその対の翻訳のそれぞれの部分との間のアライメントを用いて位置決めされる、請求項１から請求項１１のいずれか一項に記載の方法。
13. 前記アライメントは予め定められている、請求項１２に記載の方法。
14. ステップ（ｄ）は、前記用例シーケンスにおける少なくとも１つのデータ項目が前記入力不一致部分（２９−１〜２９−４）における少なくとも１つのデータ項目に一致または対応する場合、その組に含めるための用例シーケンスを選択するステップを包含する、請求項１から請求項１３のいずれか一項に記載の方法。
15. ステップ（ｅ）は、前記組の補助の用例のために、前記入力不一致部分（２９−１〜２９−４）に対応する該補助の用例の一部分を識別し、該補助の用例と対をなす前記翻訳の対応部分を用いて前記選択候補の前記可能性のある翻訳のうち１つを形成するステップを包含する、請求項１から請求項１４のいずれか一項に記載の方法。
16. 前記所定の選択アルゴリズムは、前記選択候補の少なくとも１つの翻訳のそれぞれについて、該翻訳が導かれる少なくとも１つの補助の用例に基づいて決定される選好値を該翻訳に割り当てるステップを包含する、請求項１から請求項１５のいずれか一項に記載の方法。
17. 選好値は、前記入力シーケンスと前記少なくとも１つの補助の用例のそれぞれとの比較に基づいて決定される、請求項１６に記載の方法。
18. 選好値は、重みを前記比較またはそのような比較のそれぞれに割り当て、かつ、該割り当てられた重みを所定の方法で組み合わせることによって決定される、請求項１７に記載の方法。
19. 重みは、データ項目の数または前記比較中の前記入力シーケンスと前記補助の用例とに共通のデータ項目の変数に基づいて割り当てられる、請求項１８に記載の方法。
20. 重みは、前記入力シーケンスと前記補助の用例とに共通のデータ項目に関する１つ以上の下記の性質：該共通のデータ項目の順繰りの位置、所定のコーパスの該共通のデータ項目の頻度、前記入力不一致部分と該共通のデータ項目の共起頻度、および該共通のデータ項目と該入力不一致部分（２９−１〜２９−４）との該頻度から予測されるものからの該共起頻度の逸脱、に基づいて割り当てられる、請求項１８または請求項１９のいずれか一項に記載の方法。
21. 重みは、前記不一致部分（２９−１〜２９−４）に対して前記共通のデータ項目の前記順繰りの位置に基づいて割り当てられる、請求項２０に記載の方法。
22. 前記割り当てられた重みは加算によって総合される、請求項１８から請求項２１のいずれか一項に記載の方法。
23. 前記入力不一致部分（２９−１〜２９−４）における前記データ項目は前記比較に含まれない、請求項１７から請求項２２のいずれか一項に記載の方法。
24. 選好値は前記翻訳基礎と、前記少なくとも１つの補助の用例のそれぞれと対である前記翻訳との比較に基づいて決定される、請求項１６から請求項２３のいずれか一項に記載の方法。
25. 前記所定の選択アルゴリズムは、割り当てられた選好値に基づいて前記選択候補から翻訳を選択するステップをさらに包含する、請求項１６から請求項２４のいずれか一項に記載の方法。
26. 選好値は、前記選択候補における前記翻訳または各翻訳に割り当てられる、請求項１６から請求項２５のいずれか一項に記載の方法。
27. 前記選好値は、前記翻訳が導かれる前記補助の用例または各補助の用例に基づいて決定される、請求項１６から請求項２６のいずれか一項に記載の方法。
28. 前記所定の選択アルゴリズムは、手動介入が前記選択された翻訳に影響を与えることを可能にする、請求項１から請求項２７のいずれか一項に記載の方法。
29. 適切な翻訳がステップ（ｆ）で選択され得ない場合、前記入力不一致部分（２９−１〜２９−４）を複数の入力不一致部分に再分割し、対応するそれぞれの基本用例不一致部分を識別し、かつ、不一致部分毎にステップ（ｃ）からステップ（ｆ）を行うステップを包含する、請求項１から請求項２８のいずれか一項に記載の方法。
30. 適切な基本用例がステップ（ａ）で見つけられない場合、前記入力シーケンス（３）を複数の入力サブシーケンスに再分割し、そのようなサブシーケンス毎にステップ（ａ）からステップ（ｆ）を行い、かつ、該ステップ（ｆ）からの結果を組み合わせることによりステップ（ｇ）で前記出力シーケンスを生成するステップを包含する、請求項１から請求項２９のいずれか一項に記載の方法。
31. 前記記憶部（１７）は、ステップ（ａ）とステップ（ｄ）とでそれぞれ用いるための別個の記憶部を備える、請求項１から請求項３０のいずれか一項に記載の方法。
32. 記憶部（１７）を用いて第１のフォーマットのデータ項目の入力シーケンス(３)を第２のフォーマットのデータ項目の出力シーケンス（１５）に翻訳する装置であって、該記憶部（１７）は該第１のフォーマットの複数の用例シーケンスを備え、該複数の用例シーケンスのそれぞれは該第２のフォーマットの翻訳と対になっており、
    該装置は、
    該入力シーケンス（１５）を該記憶部（１７）からの複数の用例シーケンスのそれぞれと比較することに基づいて該記憶部（１７）から基本用例シーケンスを選び、その対の翻訳を翻訳基礎として用いる手段（７、９）と、
    該入力シーケンス（１５）の一部分（２９−１〜２９−４）が該基本用例シーケンスの対応する一部分（２９−１〜２９−４）と異なることを識別する手段（９、１１）であって、これら部分はそれぞれ入力不一致部分および基本用例不一致部分と指定される手段と、
    該翻訳基礎の一部分（３１−１〜３１−４）を該基本用例不一致部分（２９−１〜２９−４）に応じて位置決めする手段（１１）と、
    該入力不一致部分（２９−１〜２９−４）を用いて該記憶部（１７）から一組の補助の用例シーケンスを選択する手段（１３）と、
    該一組の補助の用例シーケンスから該入力不一致部分（２９−１〜２９−４）に対応する可能性のある翻訳の選択候補を決定する手段（１３）と、
    所定の選択アルゴリズムに基づいて該選択候補から翻訳を選択し、かつ、該選択された翻訳を用いて該位置決めする手段（１１）によって位置決めされた該部分を置換する手段（１３）と、
    該選択する手段（１３）の結果をデータ項目の該出力シーケンス（１５）の基礎として用いる手段（１３）と
    を備える装置。
33. 請求項３２に記載の装置を備える、翻訳メモリシステム。
34. コンピュータ上で実行されると、該コンピュータに請求項１から請求項３１のいずれか一項に記載の方法を実行させる、コンピュータプログラム。
35. コンピュータにロードされると、該コンピュータが請求項３２に記載の装置または請求項３３に記載のシステムになることを引き起こす、コンピュータプログラム。
36. キャリア媒体上で実行される、請求項３４または請求項３５のいずれか一項に記載のコンピュータプログラム。
37. 前記キャリア媒体は伝送媒体である、請求項３６に記載のコンピュータプログラム。
38. 前記キャリア媒体は記憶媒体である、請求項３６に記載のコンピュータプログラム。

Images