JP2003141115A

JP2003141115A - 単語間の翻訳関係を計算する方法

Info

Publication number: JP2003141115A
Application number: JP2002180457A
Authority: JP
Inventors: Robert C Moore; シー．ムーアロバート
Original assignee: Microsoft Corp
Current assignee: Microsoft Corp
Priority date: 2001-06-20
Filing date: 2002-06-20
Publication date: 2003-05-16
Anticipated expiration: 2022-06-20
Also published as: EP1308851A3; US20060116867A1; EP1308851A2; JP4491187B2; US20020198701A1; EP1308851B1; ES2604752T3; US7191115B2; US7366654B2

Abstract

(57)【要約】【課題】実装が複雑でなく、実行する時間の効率が高
い単語間の翻訳関係を計算する方法を提供する。【解決手段】並行２カ国語トレーニングコーパスを構
文解析し、内容語に分ける（３００〜３０２）。他の単
語が出現する言語Ｌ２のセンテンスに対し２カ国語コー
パスで整合処理したセンテンス内に出現する、言語Ｌ１
の単語からなる内容語の各ペアの単語関連性スコアを付
ける（３０４）。単語のペアは、ペアの一方が他方の単
語と、センテンス内のすべての単語のうち最も高い関連
性を持つ場合に、整合処理されたセンテンスのペアにお
いて「リンク」されているとみなされる。複合語の出現
は、処理されスコアが付けられたトレーニングデータ内
の整合済みセンテンスの各ペア内の、リンクされた単語
の最大の接続集合を識別することにより、トレーニング
データ内で仮定される（３０６）。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、単語間の翻訳関係
を計算する方法に関する。より詳しくは、異なる言語の
単語間の翻訳関係を学習する統計的手法である単語間の
翻訳関係を計算する方法及び機械翻訳システムをトレー
ニングする方法に関する。

【０００２】

【従来の技術】機械翻訳システムは、ある言語のテキス
ト入力を受け取り、それを第２の言語に翻訳し、その第
２の言語のテキスト出力を供給するシステムである。そ
うする際に、このようなシステムは、通常、翻訳用語集
を使用して、学習時に取得した内容語間の対応関係、つ
まり翻訳関係を取得する。

【０００３】経験的データから翻訳用語集（ｔｒａｎｓ
ｌａｔｉｏｎｌｅｘｉｃｏｎ）を導出する一般的なア
プローチは、並行２カ国語コーパス（ｐａｒａｌｌｅｌ
ｂｉｌｉｎｇｕａｌｃｏｒｐｕｓ）の整合処理した
（ａｌｉｇｎｅｄ）センテンスで第１の言語Ｌ１の単語
と第２の言語Ｌ２の単語との間の関連性の程度の測定基
準を選択する作業を伴う。単語の組（Ｌ１の単語とＬ２
の単語からなる）は、選択された関連性の測定基準によ
るランクで順序付けられる。しきい値を選択し、翻訳用
語集を関連性の程度がそのしきい値を超える単語のすべ
ての組で構成する。

【０００４】たとえば、ある従来技術のアプローチで
は、類似性距離（ｓｉｍｉｌａｒｉｔｙｍｅｔｒｉ
ｃ）（単語間の関連性の程度の測定基準）は単語が整合
処理した並行テキストコーパスの対応する領域（たとえ
ば、センテンス）内に同時に出現する頻度に基づく。単
語の異なる組に対する関連性スコア（ａｓｓｏｃｉａｔ
ｉｏｎｓｃｏｒｅｓ）が計算され、それらの単語の組
は、その関連性スコアの降順で並べ替えられる。再び、
しきい値が選択され、関連性スコアがしきい値を超える
単語の組が翻訳用語集内のエントリになる。

【０００５】しかし、このタイプの方法には欠点があ
る。問題の１つは、関連性スコアは通常、互いに無関係
に計算されるという点である。たとえば、ｋを言語Ｌ１
の異なる単語を表す整数として言語Ｌ１の単語を記号Ｖ
_ｋで表し、ｋを言語Ｌ２の異なる単語を表す整数として
言語Ｌ２の単語をＷ_ｋで表すものとする。そこで、Ｖと
Ｗの並びで、整合処理した２つのテキストセグメントを
表す。Ｗ_ｋおよびＶ_ｋが類似２カ国語文脈（たとえば、
整合処理したセンテンス内）に出現した場合、妥当な類
似性距離があれば、それらの間に高い関連性スコアが得
られ、これは、分布の相互依存性を反映する。

【０００６】ただし、Ｖ_ｋおよびＶ_ｋ＋１はさらに、類
似の文脈（たとえば、同じセンテンス内）にも現れる。
その場合、Ｖ_ｋとＶ_ｋ＋１の分布間に強い相互依存性も
ある。そのため、Ｗ_ｋとＶ_ｋが類似の文脈内に現れ、Ｖ
_ｋとＶ_ｋ＋１が類似の文脈内に現れた場合、Ｗ_ｋとＶ
_ｋ＋１も類似の文脈内に現れるという問題が生じる。こ
れは、Ｗ_ｋとＶ_ｋとの関連性およびＶ_ｋ＋１とＶ_ｋとの
関連性によってのみ生じるため間接的関連（ｉｎｄｉｒ
ｅｃｔａｓｓｏｃｉａｔｉｏｎ）と呼ばれている。互
いに無関係に関連性スコアを計算する従来の方法では、
直接的関連（たとえば、Ｗ_ｋとＶ_ｋの間の）と間接的関
連（たとえば、Ｗ_ｋとＶ_ｋ＋１の間の関連）を区別でき
ない。このため、間接的関連でいっぱいの翻訳用語集が
生成され、正しくない場合もあることは驚くべきことで
はない。

【０００７】間接的関連の具体的例として、主にコンピ
ュータソフトウェアの翻訳されたマニュアルからなる並
行フランス語英語コーパスを考える。このコーパスで
は、英語の用語「ｆｉｌｅｓｙｓｔｅｍ」と「ｓｙｓ
ｔｅｍｆｉｌｅｓ」は出現頻度の非常に高いものであ
る。同様に、対応するフランス語の用語

【０００８】

【外１】

【０００９】もまた出現頻度が非常に高い。これらの１
カ国語のコロケーション（ｃｏ−ｌｏｃａｔｉｏｎ）は
共通なので、ｆｉｃｈｉｅｒ／ｓｙｓｔｅｍと

【００１０】

【外２】

【００１１】の偽翻訳ペア（ｓｐｕｒｉｏｕｓｔｒａ
ｎｓｌａｔｉｏｎｐａｉｒｓ）も、関連性スコアがか
なり高くなる。これらのスコアは、実際、多くの真の翻
訳ペアのスコアよりも高くなることがある。

【００１２】この欠点は、いくつかの従来の手法で対処
してきた。たとえば、Ｍｅｌａｍｅｄ著「Ａｕｔｏｍａ
ｔｉｃＣｏｎｓｔｒｕｃｔｉｏｎｏｆＣｌｅａｎ
Ｂｒｏａｄ−ＣｏｖｅｒａｇｅＴｒａｎｓｌａｔｉ
ｏｎＬｅｘｉｃｏｎｓ」（ＳｅｃｏｎｄＣｏｎｆｅ
ｒｅｎｃｅｏｆｔｈｅＡｓｓｏｃｉａｔｉｏｎｆ
ｏｒＭａｃｈｉｎｅＴｒａｎｓｌａｔｉｏｎｉｎ
ｔｈｅＡｍｅｒｉｃａ′ｓ（ＡＭＴＡ１９９
６）、ＭｏｎｔｒｅａｌＣａｎａｄａ）はこの問題を
取り上げている。

【００１３】Ｍｅｌａｍｅｄは、関連性の高い単語ペア
が、同じ単語の一方または両方を伴う関連性がなおいっ
そう高いペアがある整合処理されたセンテンスから導出
された場合に、関連性の高い単語ペアを翻訳として無視
することによりこの問題に対処している。つまり、関連
性は強いほど信頼性が高く、そのため直接的関連性は間
接的関連性よりも強いということになる。したがって、
Ｖを含むセグメント（またはセンテンス）とＷおよび
Ｗ′の両方を含むセグメント（またはセンテンス）とを
整合処理した場合、エントリ（Ｖ，Ｗ）および（Ｖ，
Ｗ′）は両方とも、翻訳用語集内に現れてはならない。
もし現れた場合、少なくとも１つが不正である可能性が
ある。直接的関連は間接的関連よりも強い傾向があると
仮定しているため、最も高い関連性スコアを持つエント
リは、正しい関連と選択されたスコアである。

【００１４】上述の例では、フランス語側の「ｆｉｃｈ
ｉｅｒ」と

【００１５】

【外３】

【００１６】および英語側の「ｆｉｌｅ」と「ｓｙｓｔ
ｅｍ」を含む並行な英語とフランス語のセンテンス内
で、ｆｉｃｈｉｅｒ／ｓｙｓｔｅｍおよび

【００１７】

【外４】

【００１８】の関連は無視されるが、それは「ｆｉｃｈ
ｉｅｒ／ｆｉｌｅ」および

【００１９】

【外５】

【００２０】の関連性の度合いが同じ整合処理済みセン
テンスにおいてかなり高くなる可能性があるからであ
る。

【００２１】このアプローチは、高精度の出力を以前に
報告されていたののよりもかなり高い対象範囲レベルに
拡張すると報告されているが、これは欠点である。たと
えば、実装する作業はきわめて複雑で、面倒であり、実
行もまたかなり時間を要すると思われる。

【００２２】単語間の翻訳関係を学習する際に遭遇する
問題点としてはほかに、複合語（ｃｏｍｐｏｕｎｄ）
（または、複合語を形成する多単語シーケンス）が挙げ
られる。このような複合語は、他の言語では単一の単語
に翻訳され、また別の言語では複数の単語に翻訳され
る。従来の手法では、語彙翻訳関係には単一の単語のみ
が関わると想定していた。もちろん、次の複合語のリス
トからわかるように、このように想定することは明らか
に正しくない。Ｂａｓｅ＿ｄｅ＿ｄｏｎｎｅｅｓ／ｄａｔａｂａｓｅＭｏｔ＿ｄｅ＿ｐａｓｓｅ／ｐａｓｓｗｏｒｄＳａｕｖｅｇａｒｄｅｒ／ｂａｃｋ＿ｕｐＡｎｎｕｌｅｒ／ｒｏｌｌ＿ｂａｃｋＯｕｖｒｉｒ＿ｓｅｓｓｉｏｎ／ｌｏｇ＿ｏｎ

【００２３】上記の最初の４つのペアで、一方の言語の
複合語は他方の言語の単一の単語として翻訳される。た
だし、最後の例では、一方の言語の複合語は他方の言語
の複合語として翻訳され、複合語の個々の構成要素のそ
れぞれは、他方の複合語の個々の構成要素の１つに意味
のある形で翻訳することはできない。たとえば、「ｏｕ
ｖｒｉｒ」は通常「ｏｐｅｎ」と翻訳されるが、「ｌｏ
ｇ」または「ｏｎ」として適切に翻訳することはできな
い。同様に、「ｓｅｓｓｉｏｎ」は通常「ｓｅｓｓｉｏ
ｎ」として翻訳されるが、これもまた、「ｌｏｇ」とも
「ｏｎ」とも適切に翻訳することはできない。

【００２４】このような問題に対処しようとする従来の
試みの１つについては、Ｍｅｌａｍｅｄによる「Ａｕｔ
ｏｍａｔｉｃＤｉｓｃｏｖｅｒｙｏｆＮｏｎ−Ｃ
ｏｍｐｏｓｉｔｉｏｎａｌＣｏｍｐｏｕｎｄｓｉｎ
ＰａｒａｌｌｅｌＤａｔａ」（Ｃｏｎｆｅｒｅｎｃ
ｅｏｎＥｍｐｉｒｉｃａｌＭｅｔｈｏｄｓｉｎ
ＮａｔｕｒａｌＬａｎｇｕａｇｅＰｒｏｃｅｓｓ
ｉｎｇ（ＥＭＮＬＰ９７）Ｐｒｏｖｉｄｅｎｃｅ、Ｒｈ
ｏｄｅＩｓｌａｎｄ（１９９７））でも説明されてい
る。Ｍａｌａｍｅｄは、候補複合語（ｃａｎｄｉｄａｔ
ｅｃｏｍｐｏｕｎｄ）を伴う試行翻訳モデル（ｔｒｉ
ａｌｔｒａｎｓｌａｔｉｏｎｍｏｄｅｌ）およびそ
うでない基本翻訳モデル（ｂａｓｅｔｒａｎｓｌａｔ
ｉｏｎｍｏｄｅｌ）という２つの翻訳モデルを誘導して
いる。Ｍｅｌａｍｅｄの目的関数の値が基本モデルより
も試行モデルでのほうが大きい場合に、複合語は有効で
あるとみなされる。そうでない場合は、候補複合語は無
効であるとみなされる。ただし、Ｍｅｌａｍｅｄが潜在
的複合語を選択するために使用している方法は、きわめ
て複雑であり、計算コストが高いが、それは、試行翻訳
モデルの構築による検証の方法だからである。

【００２５】

【発明が解決しようとする課題】上述のように、従来の
単語間の翻訳関係を学習する方法は、複雑で実行のため
のコストが高いという点において、未だ改善の余地があ
った。

【００２６】本発明は、このような問題に鑑みてなされ
たもので、その目的とするところは、実装が複雑でな
く、実行する時間の効率が高い単語間の翻訳関係を計算
する方法を提供することにある。

【００２７】

【課題を解決するための手段】並行２カ国語トレーニン
グコーパスを構文解析し、内容語に分ける。他の単語が
出現する言語Ｌ２のセンテンスに対し２カ国語コーパス
で整合処理したセンテンス内に出現する、言語Ｌ１の単
語からなる内容語の各ペアの単語関連性スコアを付け
る。単語のペアは、単語の一方がセンテンス内の単語の
うち、他方の単語と最も関連性が高い場合に整合処理セ
ンテンスのペア内で「リンク」されているとみなされ
る。複合語の出現は、処理されスコアが付けられたトレ
ーニングデータ内の整合済みセンテンスの各ペア内の、
リンクされた単語の最大の接続集合を識別することによ
り、トレーニングデータ内で仮定される。これら最大の
接続集合の１つが言語の一方または両方で複数の単語を
含む場合に、その言語内の単語のサブセットは複合語と
して仮定される。元の入力テキストは書き換えられ、仮
定された複合語は単一の融合したトークンで置き換えら
れる。関連性スコアは、複合語（融合トークンで置き換
えられている）と入力テキスト内の残りの個々の単語つ
いて再計算される。関連性スコアを再度計算するが、た
だし、このときは、等しく強いまたはより強い他の関連
性がトレーニングコーパス内の整合処理センテンスの特
定のペア内にない場合のみ、関連性スコアを計算する際
に同時出現を考慮する。

【００２８】翻訳ペアは、関連性スコアを最後に計算し
た後、しきい値よりも高い関連性スコアを持つ単語ペア
またはトークンペアとして識別できる。

【００２９】もちろん、本発明は単に、整合処理された
２カ国語コーパスを含むトレーニングデータに複合語の
出現を仮定する方法またはシステムとして実現すること
もできる。

【００３０】同様に、本発明は、「キャプトイド（ｃａ
ｐｔｏｉｄｓ）」の翻訳を識別する方法を含み、これに
より、タイトルまたはその他の特別なフレーズを意味
し、それらの単語はすべて先頭を大文字で始める。（キ
ャプトイドの翻訳の検索ではフランス語やスペイン語な
どの言語において特別な問題が生じ、それらは規則によ
り、このような項目の最初の単語のみが先頭が大文字
で、キャプトイド翻訳の範囲は決定しにくい。）その実
施形態では、複合語はまず、ソース言語（ｓｏｕｒｃｅ
ｌａｎｇｕａｇｅ）（たとえば英語）で識別される。
これは、最初の単語が大文字で始まり、連続する文字列
内の後のトークンは小文字で始まらない、テキストの文
字列を検索することで行う。次に、複合語がターゲット
テキスト内にあると仮定するが、そのために、大文字で
始まる単語を検索し、対応する複合語の可能な開始位置
としてフラグを立てる。次に、ターゲットテキストを左
から右に走査し、ソーステキスト内で識別された複合語
内の単語に最も強く関連付けられている後続の単語にフ
ラグを立てるが、最も関連性の高い単語が続く限り、所
定の数まで（たとえば２）、連続する最も関連性が高い
わけではない単語を許容する。

【００３１】左から右への走査は、ソーステキスト内で
識別された複合語において単語に対する関連性が最も高
いわけではない、所定の数を超える（たとえば、２より
も多い）連続する単語が見つかるまで、または関連性が
最も高い単語がターゲットテキストに存在しなくなるま
で、または句読点に達するまで続けることができる。

【００３２】

【発明の実施の形態】以下、図面を参照して本発明の実
施形態を詳細に説明する。なお、各図面において同様の
機能を有する箇所には同一の符号を付している。

【００３３】以下、図１の説明が簡単に述べてられてい
るが、本発明を適用できる図解した１つの環境であっ
て、本発明は他の環境でも使用できる。

【００３４】図１は、本発明の一実施例によるコンピュ
ータ２０のブロック図である。図１および関連する説明
は、本実施形態を実施できる適当なコンピューティング
環境について簡潔に述べた一般的な説明である。必要で
はないが、本実施形態は、少なくとも一部は、パーソナ
ルコンピュータによって実行されるプログラムモジュー
ルなどのコンピュータ実行可能命令の一般的状況におい
て説明される。一般に、プログラムモジュールには、特
定のタスクを実行する、あるいは特定の抽象データ型を
実装するルーチン、プログラム、オブジェクト、コンポ
ーネント、データ構造などが含まれる。さらに、当業者
には、本実施形態が、携帯型デバイス、マルチプロセッ
サシステム、マイクロプロセッサベースのまたはプログ
ラム可能な家電製品、ネットワークＰＣ、ミニコンピュ
ータ、メインフレームコンピュータなど、他のコンピュ
ータシステム構成でも実施できることは明白であろう。
本実施形態は、さらに、通信ネットワークを介してリン
クされているリモート処理デバイスによってタスクが実
行される分散コンピューティング環境で実用することも
できる。分散コンピューティング環境では、プログラム
モジュールをローカルとリモートの両方のメモリ記憶デ
バイスに配置できる。

【００３５】図１では、本実施形態を実施するためのシ
ステム例は、従来のパーソナルコンピュータ２０の形態
の汎用コンピューティングデバイスを使用し、プロセッ
サ２１、システムメモリ２２、およびシステムメモリを
含む各種システムコンポーネントをプロセッサ２１に結
合するシステムバス２３を備える。システムバス２３に
は、メモリバスまたはメモリコントローラ、周辺機器バ
ス、およびさまざまなバスアーキテクチャを使用するロ
ーカルバスを含む数種類のバス構造がある。システムメ
モリは、読み取り専用メモリ（ＲＯＭ）２４およびラン
ダムアクセスメモリ（ＲＡＭ）２５を備える。起動時な
どにパーソナルコンピュータ２０内の要素間の情報伝送
を助ける基本ルーチンを含む基本入出力システム（ＢＩ
ＯＳ）２６は通常、ＲＯＭ２４に格納される。パーソ
ナルコンピュータ２０はさらに、ハードディスク（図に
は示されていない）への読み書きを行うハードディスク
ドライブ２７、リムーバル磁気ディスク２９への読み書
きを行う磁気ディスクドライブ２８、およびＣＤ−ＲＯ
Ｍまたはその他の光媒体などのリムーバル可能光ディス
ク３１への読み書きを行う光ディスクドライブ３０を備
える。ハードディスクドライブ２７、磁気ディスクドラ
イブ２８、および光ディスクドライブ３０は、ハードデ
ィスクドライブインタフェース３２、磁気ディスクドラ
イブインタフェース３３、および光ドライブインタフェ
ース３４によりそれぞれ、システムバス２３に接続され
る。ドライブおよび関連したコンピュータ読み取り可能
媒体は、コンピュータ２０用のコンピュータ読み取り可
能命令、データ構造、プログラムモジュール、およびそ
の他のデータを格納する不揮発性ストレージを備える。

【００３６】本実施形態で説明している環境例ではハー
ドディスク、リムーバル可能磁気ディスク２９、および
リムーバル可能光ディスク３１を採用しているが、当業
者であれば、磁気カセット、フラッシュメモリカード、
デジタルビデオディスク、ベルヌーイカートリッジ、ラ
ンダムアクセスメモリ（ＲＡＭ）、読み取り専用メモリ
（ＲＯＭ）などのコンピュータからアクセス可能なデー
タを格納できる他のタイプのコンピュータ読み取り可能
媒体もオペレーティング環境で使用できることも理解す
るであろう。

【００３７】ハードディスク、磁気ディスク２９、光デ
ィスク３１、ＲＯＭ２４またはＲＡＭ２５には、オ
ペレーティングシステム３５、１つまたは複数のアプリ
ケーションプログラム３６、その他のプログラムモジュ
ール３７、およびプログラムデータ３８などのプログラ
ムモジュールをいくつでも格納できる。ユーザは、キー
ボード４０およびポインティングデバイス４２などの入
力デバイスを介してパーソナルコンピュータ２０にコマ
ンドおよび情報を入力できる。他の入力デバイス（図に
示されていない）としては、マイク、ジョイスティッ
ク、ゲームパッド、衛星放送受信アンテナ、スキャナな
どがある。これらの入力デバイスやその他の入力デバイ
スは、システムバス２３に結合されているシリアルポー
トインタフェース４５を介してプロセッサ２１に接続さ
れることが多いが、サウンドカード、パラレルポート、
ゲームポート、またはユニバーサルシリアルバス（ＵＳ
Ｂ）などの他のインタフェースにより接続することもで
きる。モニタ４７やその他のタイプの表示デバイスも、
ビデオアダプタ４８などのインタフェースを介してシス
テムバス２３に接続される。モニタ４７に加えて、パー
ソナルコンピュータは通常、スピーカやプリンタ（図に
示されていない）などの他の周辺出力デバイスを備える
場合もある。

【００３８】パーソナルコンピュータ２０は、リモート
コンピュータ４９などの１つまたは複数のリモートコン
ピュータへの論理接続を使用してネットワーク環境で動
作することもできる。リモートコンピュータ４９は、他
のパーソナルコンピュータ、サーバ、ルータ、ネットワ
ークＰＣ、ピアデバイスまたはその他の共通ネットワー
クノードでもよく、通常は、パーソナルコンピュータ２
０に関係する上述の要素の多くまたはすべてを含むが、
メモリストレージデバイス５０のみが図１に示されてい
る。図１に示されている論理接続は、ローカルエリアネ
ットワーク（ＬＡＮ）５１とワイドエリアネットワーク
（ＷＡＮ）５２を含む。このようなネットワーキング環
境は、事務所、企業規模のコンピュータネットワーク、
イントラネットおよびインターネットではよくある。

【００３９】ＬＡＮネットワーキング環境で使用する場
合は、パーソナルコンピュータ２０はネットワークイン
タフェースまたはネットワークアダプタ５３を介してロ
ーカルエリアネットワーク５１に接続される。ＷＡＮネ
ットワーキング環境で使用する場合は、パーソナルコン
ピュータ２０は通常、モデム５４またはインターネット
などのワイドエリアネットワーク５２上で通信を確立す
るためのその他の手段を備える。モデム５４は、内蔵で
も外付けでもよいが、シリアルポートインタフェース４
６を介してシステムバス２３に接続される。ネットワー
ク環境では、パーソナルコンピュータ２０またはその一
部に関して述べたプログラムモジュールは、リモートメ
モリ記憶媒体に格納できる。図に示されているネットワ
ーク接続は例であり、コンピュータ間に通信リンクを確
立するのにその他手段を使用できることは理解されるで
あろう。

【００４０】本実施形態を利用すれば、実質的にいかな
る環境あるいは状況であっても、単語間の翻訳関係を導
出することができる。これから説明する機械翻訳アーキ
テクチャは、１つの環境または状況にすぎない。

【００４１】本実施形態には論理形式は不要であるが、
図２に示されている機械翻訳アーキテクチャに関連して
説明する。したがって、このアーキテクチャについて詳
述する前に、論理形式について簡単に説明すると役立つ
であろう。論理形式および論理形式を生成するためのシ
ステムと方法の詳細は、「ＭＥＴＨＯＤＡＮＤＳＹ
ＳＴＥＭＦＯＲＣＯＭＰＵＴＩＮＧＳＥＭＡＮＴ
ＩＣＬＯＧＩＣＡＬＦＯＲＭＳＦＲＯＭＳＹＮＴ
ＡＸＴＲＥＥＳ」という表題の１９９９年１０月１２
日に発行された、Ｈｅｉｄｏｒｎなどの米国特許第５９
６６６８６号に記載されている。ただし、簡単な論理形
式は、入力テキストに対して形態素解析を実行して、文
法関係で強化されている従来の句構造解析を出力するこ
とにより生成される。構文解析でさらに処理し、テキス
ト入力内の内容語間のラベル付き依存関係を記述するグ
ラフ構造である論理形式を導出する。論理形式では、あ
る種の構文代替（たとえば、能動／受動）を正規化し、
センテンス内の照応関係と長い距離の依存関係の両方を
解決する。

【００４２】特に、論理関係は、方向関係タイプにより
結合された２つの単語からなる（たとえば、部分、時
刻、上位語、論理的主語、原因、定義域、場所、方法、
資料、手段、修飾語句、プロセッサ、目的、準上位語、
同意語、論理的目的語、およびユーザ）。論理形式は、
センテンスなどの、単一テキスト入力を表す接続論理関
係のグラフである。主に、１つの論理関係で構成され
る。論理形式では、構造的関係（つまり、構文および意
味論的関係）、特に入力文字列内の重要な単語間の引数
および／または修飾関係を記述する。

【００４３】機械翻訳アーキテクチャの一実施例では、
構文解析から論理形式を構築する特定のコードは、機械
翻訳システムが動作するさまざまなソース言語およびタ
ーゲット言語間で共有される。共有アーキテクチャを使
用すると、異なる言語から論理形式セグメントの整合処
理をするタスクが簡素化されるが、それは、２つの言語
の表面上異なる構成は類似のあるいは同一の論理形式表
現に頻繁に圧縮されるからである。

【００４４】図２は、本発明の環境の一実施形態を定め
る機械翻訳システム２００のアーキテクチャのブロック
図である。システム２００は、構文解析コンポーネント
２０４および２０６、統計的単語関連学習コンポーネン
ト２０８（この環境で本発明の大部分が置かれてい
る）、論理形式整合処理コンポーネント２１０、語彙知
識ベース構築コンポーネント２１２、２カ国語辞書２１
４、辞書マージコンポーネント２１６、転送マッピング
データベース２１８、および更新された２カ国語辞書２
２０を含む。実行時に、システムは解析コンポーネント
２２２、照合コンポーネント２２４、転送コンポーネン
ト２２６、および生成コンポーネント２２８を利用す
る。

【００４５】一実施例では、２カ国語コーパスを使用し
て、システムのトレーニングを行う。２カ国語コーパス
は、整合処理された翻訳済みセンテンスを含む（たとえ
ば、英語などのソース言語またはターゲット言語の一方
のセンテンスと、スペイン語やフランス語などのソース
言語またはターゲット言語の他方の翻訳結果との整合処
理）。トレーニングのときに、整合処理された２カ国語
コーパスからシステム２００に、ソースセンテンス２３
０（翻訳すべきセンテンス）とターゲットセンテンス２
３２（ソースセンテンスの翻訳）を送る。構文解析コン
ポーネント２０４および２０６は、整合処理された２カ
国語コーパスからセンテンスを構文解析し、ソース論理
形式２３４とターゲット論理形式２３６を出力する。構
文解析時に、センテンス内の単語が正規化単語形式（題
句）に変換される。「題句（ｌｅｍｍａ）」という用語
は、ここでは、内容語の語幹または基語を意味する。た
とえば、「ｓｌｅｅｐ」は表層形式（ｓｕｒｆａｃｅ
ｆｏｒｍｓ）「ｓｌｅｅｐ」、「ｓｌｅｅｐｉｎｇ」、
および「ｓｌｅｐｔ」の題句である。ただし、本発明の
一実施形態は内容語題句に適用される一方で、他の実施
形態では本発明は代わりに表層形式に適用することがで
きるが、パフォーマンスが幾分落ちることがあることに
注意されたい。いずれの場合も、題句が統計的単語関連
性学習コンポーネント２０８に送られる。信頼できるそ
れぞれの集まりが得られるまで、単一単語と複数単語の
両方の関連が学習コンポーネント２０８により、繰り返
し仮定され、スコアが付けられる。統計的単語関連性学
習コンポーネント２０８は、学習した単一単語翻訳ペア
２３８と複数単語ペア２４０を出力する。

【００４６】複数単語ペア２４０が辞書マージコンポー
ネント２１６に送られ、このコンポーネントを使用し
て、追加エントリを２カ国語辞書２１４に加えて、更新
された２カ国語辞書２２０を形成する。新しいエントリ
は、複数単語ペア２４０を表す。

【００４７】単一単語ペア２３８は、ソース論理形式２
３４およびターゲット論理形式２３６とともに、論理形
式整合処理コンポーネント２１０に送られる。コンポー
ネント２１０はまず、ソース論理形式２３４とターゲッ
ト論理形式２３６のノード間の仮語彙対応関係を確立す
る。これは、統計的単語関連学習コンポーネント２０８
の単一単語翻訳ペア２３８で増強された２カ国語語彙
（または２カ国語辞書）２１４の翻訳ペアを使用して行
う。可能な対応関係を確立した後、整合処理コンポーネ
ント２１０は、語彙および構造特性の両方に応じて、論
理形式ノードの整合処理を行い、論理形式転送マッピン
グ２４２を作成する。

【００４８】基本的に、整合処理コンポーネント２１０
は、２カ国語辞書情報２１４と単一単語ペア２３８を使
用して論理形式間のリンクを描画する。ソース論理形式
２３４およびターゲット論理形式２３６で見つける頻度
に基づき転送マッピングをフィルタ処理し、語彙知識ベ
ース構築コンポーネント２１２に送る。

【００４９】一実施例では、転送マッピングが少なくと
も２回トレーニングデータ内に現れていない場合、転送
マッピングデータベース２１８の構築に使用されない
が、他の望ましい頻度をフィルタとして使用することも
できる。さらに、出現頻度以外の他のフィルタ処理手法
も使用できることに注意されたい。たとえば、入力セン
テンスの完全解析から形成するかどうかに基づき、また
転送マッピングを作成するために使用される論理形式の
完全整合処理を行うかどうかに基づき、転送マッピング
のフィルタ処理を行うことができる。

【００５０】コンポーネント２１２は、基本的に一方の
言語の論理形式またはその一部を第２の言語の論理形式
またはその一部にリンクする転送マッピングを含む転送
マッピングデータベース２１８を構築する。転送マッピ
ングデータベース２１８をこうして作成してから、シス
テム２００を実行時翻訳に合わせて構成する。

【００５１】実行時に、翻訳すべきソースセンテンス２
５０が解析コンポーネント２２２に送られる。解析コン
ポーネント２２２は、ソースセンテンス２５０を受け取
り、ソースセンテンス入力に基づいてソース論理形式２
５２を作成する。

【００５２】実施例が役立つと思われる。本実施形態の
実施例では、ソースセンテンス２５０は、スペイン語の
センテンス「Ｈａｇａｃｌｉｃｋｅｎｅｌｂｏ
ｔｏｎｄｅｏｐｃｉｏｎ」で、これは、英語の「Ｃ
ｌｉｃｋｔｈｅｏｐｔｉｏｎｂｕｔｔｏｎ」、ま
たは「Ｍａｋｅｃｌｉｃｋｉｎｔｈｅｂｕｔｔ
ｏｎｏｆｏｐｔｉｏｎ」に翻訳される。

【００５３】ソース論理形式２５２を照合コンポーネン
ト２２４に送る。照合コンポーネント２２４は、ソース
論理形式２５２と転送マッピングデータベース２１８の
論理形式と照合し、リンクされた論理形式２５４を取得
しようとする。複数の転送マッピングにより、ソース論
理形式２５２の一部の照合を行うことができる。照合コ
ンポーネント２２４は、照合題句、音声の一部、および
その他の特徴情報を持つデータベース２１８内の照合転
送マッピングの最良の集合を検索する。大きい（より具
体的な）転送マッピングは、図からわかるように、小さ
な（より一般的な）転送マッピングよりも好ましい。サ
イズの等しいマッピングで、照合コンポーネント２２４
では図からわかるように高い頻度のマッピングが好まし
い。マッピングはさらに、決して衝突しないとした場合
にソース論理形式２５２のオーバーラップする一部を照
合することもできる。

【００５４】照合転送マッピングの最適な集合が見つか
った後、照合コンポーネント２２４は、転送マッピング
が受け取る対応するターゲット論理形式セグメントのコ
ピーに対する、ソース論理形式２５２のノードのリンク
を作成し、リンクされた論理形式２５４を生成する。

【００５５】転送コンポーネント２２６は、照合コンポ
ーネント２２４からリンクされた論理形式２５４を受け
取り、ターゲット翻訳の基礎を形成するターゲット論理
形式２５６を作成する。そのためには、ソース論理形式
２５２のリンクが指しているターゲット論理形式セグメ
ントが組み合わされるリンクされた論理形式２５４の上
から下への横断を実行する。場合によっては複雑な複数
単語マッピングに対し論理形式セグメントを組み合わせ
て１つにした場合、個々のノード間で照合コンポーネン
ト２２４によって設定されるサブリンクを使用して、修
飾語などの正しい付加点（ａｔｔａｃｈｍｅｎｔｐｏ
ｉｎｔ）を求める。必要ならばデフォルトの付加点が使
用される。

【００５６】適用可能な転送マッピングが見つからない
場合、ソース論理形式２５２のノードとその関係が単に
ターゲット論理形式２５６にコピーされるだけである。
デフォルトの単一単語翻訳はそれでも、これらのノード
に対して転送マッピングデータベース２１８内に見つか
り、ターゲット論理形式２５６に挿入することができ
る。ただし、何も見つからなければ、翻訳は図からわか
るように、整合処理時に使用した更新された２カ国語辞
書２２０から取得できる。

【００５７】生成コンポーネント２２８は、図からわか
るように、ルールベースのアプリケーション独立の生成
コンポーネントであり、ターゲット論理形式２５６から
ターゲット文字列（または出力ターゲットセンテンス）
２５８にマップする。生成コンポーネント２２８には、
図からわかるように、入力論理形式のソース言語に関し
て何も情報がない場合があり、また転送コンポーネント
２２６により受け渡される情報のみを操作する。生成コ
ンポーネント２２８はさらに、図からわかるように、こ
の情報を１カ国言語（たとえば、そのターゲット言語
の）辞書とともに使用し、ターゲットセンテンス２５８
を出力する。そのため、一つの一般的な生成コンポーネ
ント２２８は、各言語に十分である。

【００５８】上の状況を念頭におくと、ここでの説明
は、統計的単語関連学習コンポーネント２０８に関して
さらに具体的なものになる。現在の状況では論理形式で
機械翻訳アーキテクチャにより動作するコンポーネント
２０８を示しているが、これは必ずしも当てはまるわけ
ではないことに、再び注意されたい。むしろ、コンポー
ネント２０８は単に、トークン化されている整合処理さ
れている（または個々の単語に分割されている）コーパ
スで動作することができる。コンポーネント２０８はさ
らに、機械翻訳機で動作する以外に、他のタスクを実行
することもできる。たとえば、辞書作成にコンポーネン
ト２０８を使用したり、あるいは単に異なる言語の単語
間の単語関連性スコアまたは関係を生成することがで
き、機械翻訳機の状況で動作する必要はない。上では例
のみで説明している。

【００５９】図３は、コンポーネント２０８で翻訳ペア
（または異なる言語の単語のペア間の翻訳関係）を導出
する方法を示す流れ図である。まず、コンポーネント２
０８は、整合処理した２カ国語コーパスにアクセスす
る。これは、ブロック３００で示される。コーパスを構
文解析して、成分単語に分割する（たとえば、上述の題
句、ただし表層形式でも保持できる）。これは、ブロッ
ク３０２で示される。もちろん、上記の状況で、コンポ
ーネント２０４および２０６を構文解析してソース論理
形式２３４とターゲット論理形式２３６に分割すること
により整合処理されたコーパスを構文解析する。ただ
し、本実施形態は、構文解析で論理形式に変換されるテ
キスト入力での動作に限定されないが、その代わりに、
単に整合処理されたコーパスを構文解析で内容語に分け
る必要がある。さらに、パーサはさらに、いくつかの語
彙複合語を単一のユニットであるかのようにも識別でき
る。このような複数単語表現を用語集に入れた場合、特
定の意味または用途があるため、あるいは固有名詞、場
所の名前、時刻式、日付、測定式などの多数の一般的カ
テゴリに含まれるため、複数単語として識別される。

【００６０】コンポーネント２０８は次に、整合処理さ
れ、構文解析された２カ国語コーパスの個別単語ペアの
単語関連性スコアを計算する。これは、ブロック３０４
で示される。トレーニングコーパス内の単語ペア間の統
計的単語関連性を示すスコアを与える単語関連性距離を
使用することができるが、本実施形態では、Ｄｕｎｎｉ
ｎｇ「ＡｃｃｕｒａｔｅＭｅｔｈｏｄｓｆｏｒｔ
ｈｅＳｔａｔｉｓｔｉｃｓｏｆＳｕｒｐｒｉｓｅ
ａｎｄＣｏｉｎｃｉｄｅｎｃｅ，Ｃｏｍｐｕｔａｔ
ｉｏｎａｌＬｉｎｇｕｉｓｔｉｃｓ、１９（１）：６
１−７４（１９９３）」でＤｕｎｎｉｎｇが述べている
対数尤度比を使用する。この統計量を使用して、トレー
ニングデータ内の言語１（ＷＬ_１）の単語または題句の
全体的な頻度を、言語２（ＷＬ_２）の単語または題句が
与えられる言語１（ＷＬ_１）の単語または題句の頻度と
比較する（つまり、ＷＬ_２が出現するＬ２のセンテンス
と整合処理されるＬ１のセンテンス内にＷＬ_１が出現す
る頻度）。したがって、対数尤度比の統計値の適用は、
ＷＬ_１とＷＬ_２の間の観測された正の関連性が偶発的な
ものでない確率の測定基準となる。

【００６１】関連性スコアを計算する単語ペアのリスト
も切り詰めることができる。つまり、単語関連性スコア
を計算するプロセスで、大きなトレーニングコーパスの
多くの単語（または題句）ペアに対して関連性スコアを
生成する。したがって、一実施例では、単語ペアの集合
を切り詰めて、翻訳ペアとしてみなせる確率が少なくと
も少しはあるペアに後の処理を制限する。発見的手法の
一実施例では、このしきい値を同時出現１回とそれぞれ
他の出現１回を含む単語または題句のペアの関連性の度
合いに設定する。

【００６２】次に、コンポーネント２０８は、トレーニ
ングデータ内の複合語の出現を仮定し、仮定したコンポ
ーネントを単一のトークンで置き換える。これは、ブロ
ック３０６で示される。一般化された例は役立つ場合が
ある。

【００６３】図４（ａ）は、英語とフランス語の整合処
理センテンス内の単語の並びを示している。英語の並び
の単語は、Ｅ_ｘで表され、フランス語の並びの単語はＦ
_ｘで表される。英語の並びからフランス語の並びへの矢
印は、対応する英単語はフランス語の単語のうちどれと
最も強い関連性を持つかを示す。したがって、たとえ
ば、Ｅ_１はＦ_１と最も強い関連性を持つことがわかる。
フランス語の並びから英語の並びへの矢印は、単語関連
性スコアに基づき対応するフランス語単語が英単語のう
ちどの単語と最も強い関連性を持つかを示している。し
たがって、例では、Ｆ_１はＥ_１と最も強い関連性を持つ
こともわかる。各英単語は対応するフランス語単語と最
も強い関連性を持ち、そのフランス語単語は対応する英
単語と最も強い関連性を持つため、英語の単語の並びと
フランス語の単語の並びとの間に単純な１対１対応関係
があるといえる。

【００６４】同様に、図４（ｂ）はさらに、単語の並び
の間の１対１の対応関係を示している。図４（ｂ）は図
４（ａ）と幾分異なるが、それは、英単語Ｅ１はフラン
ス語単語Ｆ２と最も強い関連性を持ち、英単語Ｅ２はフ
ランス語単語Ｆ１と最も強い関連性を持つからである。
ただし、フランス語単語Ｆ１はさらに、英単語Ｅ２と最
も強い関連性を持ち、フランス語単語Ｆ２は英単語Ｅ１
と最も強い関連性を持つ。したがって、それでも単語の
並びの間に１対１の対応関係があるが、フランス語単語
の順序は、英単語の順序と少し異なる。

【００６５】ただし、図５は少し異なるケースを示して
いる。図５では、英単語Ｅ１およびＥ４はフランス語単
語Ｆ１およびＦ４とそれぞれ１対１の関連を持つ。しか
し、英単語Ｅ２はフランス語単語Ｆ２と最も強い関連性
を持ち、フランス語単語Ｆ２は英単語Ｅ２と最も強い関
連性を持ち、フランス語単語Ｆ３も英単語Ｅ２と最も強
い関連性を持つ。したがって、英単語Ｅ２およびＥ３、
フランス語単語Ｆ２およびＦ３は１対１の関係を持たな
い。このような１対１対応関係を欠いているということ
は、正しい翻訳を得るために複合語を仮定する必要があ
ることを強く示している。図６に関して詳しく説明して
いるように、英単語Ｅ２およびＥ３、フランス語単語Ｆ
２およびＦ３は複合語と仮定され、元の入力テキスト内
の融合したトークン（たとえば、Ｅ２＿Ｅ３とＦ２＿Ｆ
３）で置き換えられる。

【００６６】コンポーネント２０８は次に、書き換えた
入力テキスト（つまり、複合語と残りの個々の単語）の
関連性スコアを再計算する。これは、図３のブロック３
０８で示される。これは、基本的に、ブロック３０４で
示されるステップを繰り返しており、テキストは仮定し
た複合語に関して書き換えられる。

【００６７】次に、関連性スコアを再び計算する。ただ
し、このときに、整合処理されたセンテンス内に同じ強
さまたはさらに強い他の関連がない場合に同時出現のみ
を考慮する。これは、ブロック３１０で示される。つま
り、翻訳に必要な複合語すべてを正しく識別し、トレー
ニングデータで単一項目として正しく識別され再公式化
されていると仮定すると、トレーニングデータはすべて
の翻訳が１対１であるかのように取り扱うことができ
る。したがって、真の翻訳ペアは常に相互に所定の整合
処理されたセンテンスペアと最も強い関連性を持つとの
仮定に基づき、ランク付き翻訳ペアの最終集合を選択す
る。そこで、ブロック３１０で示される関連性スコアの
再計算は、ブロック３０８により示されているのとまっ
たく同じ方法で実行されるが、ただし、所定の整合処理
されたセンテンスペアに存在する単語（または題句また
は複合語題句）間で、ＷＬ_１がＷＬ_２と一意的に最も強
い関連性を持ち、ＷＬ_２がＷＬ_１と一意的に最も強い関
連性を持つ場合のみ異なる言語（ＷＬ_１およびＷＬ_２）
の単語は同時出現があるとみなされる。ステップ３０８
で計算された関連を使用して、この決定を下す。関連の
最終集合は関連性の強さの降順で並べ替えられる。

【００６８】最後に、最終リスト内で関連性スコアがし
きい値を超えている単語および／または複合語のペアは
互いの翻訳として識別される。これは、ブロック３１２
で示される。しきい値は、経験に基づいて選択するか、
または最終ペアリストにある結果の言語解析に基づいて
選択するか、または他の望ましい手法を使用して選択す
ることができる。

【００６９】図６は、図３のブロック３０６に示されて
いるように、複合語をどのように仮定するかについて詳
細に説明している流れ図である。整合処理されたセンテ
ンス内の元の単語の並びの直接的な１対１対応関係がな
い場合に図５に示されている例に関して説明する。

【００７０】まず、センテンスの整合処理されたペア内
の単語ごとに、コンポーネント２０８はそのペアの他の
センテンス内の最も強く関連付けられている単語を識別
する。つまり、コンポーネント２０８は、基本的に、図
５に示されているグラフまたはグラフの表現を構成す
る。これは、図６のブロック３２０で示される。

【００７１】コンポーネント２０８は、次に、グラフ内
の最大接続単語集合を見つける。これは、ブロック３２
２で示される。基本的に、コンポーネント２０８は、作
成されたグラフを調べて、グラフ内の項目をグループ化
（または円で囲む）でき、矢印がその領域の外に伸びて
いない領域を識別する。これは、図７で示されている破
線で表されている。破線の１つに囲まれている単語のグ
ループのそれぞれが、最大の接続集合として識別され
る。したがって最大接続集合内のすべての項目は、最大
接続集合内のその項目と最も強い関連性を持ち、最大接
続集合の外部の項目とさらに強い関連性を持つものはな
い。

【００７２】次にコンポーネント２０８は、最大接続集
合を２つの異なる言語に分割し、各言語内の最大接続集
合の複数単語コンポーネントが複合語であると仮定す
る。これは、ブロック３２４で示される。たとえば、図
８は図７の最大接続集合が、英単語の並びとフランス語
単語の並びを分ける水平線で分割されていることを示し
ている。そこでコンポーネント２０８では、各言語の最
大接続集合の複数単語コンポーネント（英語のコンポー
ネントＥ２およびＥ３とフランス語のコンポーネントＦ
２とＦ３）は複合語であると仮定する。これは、たとえ
ば、「ｏｕｖｒｉｒ＿ｓｅｓｓｉｏｎ」および「ｌｏｇ
＿ｏｎ」などの複合語を識別する。

【００７３】さらにコンポーネント２０８は、元の入力
ファイルを書き換えて、仮定されている複合語（Ｅ２と
Ｅ３、Ｆ２とＦ３）を融合トークンで置き換える。これ
は、ブロック３２６で示される。図９は、このステップ
を詳細に説明している。図９で、用語Ｅ２＿Ｅ３は、元
のテキスト内の項目Ｅ２およびＥ３に対応する英語のト
ークンを表し、用語Ｆ２＿Ｆ３は元のフランス語入力テ
キスト内の単語Ｆ２およびＦ３を表すトークンに対応す
る。こうしてトークンを仮定し書き換えると、複合語と
残りの個々の単語の単語関連性スコアを計算する場合に
処理は図３のブロック３０８に関して継続する。

【００７４】本実施形態はさらに、未処理の入力テキス
トの構文解析の際に生じる他の問題に対処するためにも
使用できる。さまざまな種類のテキスト、特にある種の
技術的なテキストでは、フレーズは通常の方法では使用
されず、その代わりに、その特定の定義域での何かの名
前として使用される。たとえば、センテンス「Ｃｌｉｃ
ｋｔｏｒｅｍｏｖｅｔｈｅＶｉｅｗＡｓＷ
ｅｂＰａｇｅｃｈｅｃｋｍａｒｋ．」は、非定形
動詞句の構文形式を持つ語句「ＶｉｅｗＡｓＷｅｂ
Ｐａｇｅ」を含む。しかし、このセンテンスでは、それ
が固有名詞であるかのように使用される。パーサがこの
フレーズの特別な使用を認識しない場合、実質的にセン
テンスを正しく構文解析することは不可能である。

【００７５】英語では、このタイプの表現は、直截的な
方法で取り扱うことができるが、それは主に、英語にお
ける先頭文字を大文字にする規則によりこのようなフレ
ーズを認識することが簡単になるからである。構文解析
する前に入力テキストをトークン化するために使用され
るトークナイザ（ｔｏｋｅｎｉｚｅｒ）は、「Ｖｉｅｗ
ＡｓＷｅｂＰａｇｅ」などの先頭文字が大文字の
単語の並びは、語彙化された複数単語表現として取り扱
うべきであると仮定する。複数単語のこのサブクラス
は、ここでは「キャプトイド」と呼ばれる。

【００７６】ただし、これらのキャプトイドの翻訳を識
別することは非常に難しい。これは主に、他の言語（た
とえば、フランス語やスペイン語など）の先頭文字を大
文字にする規則では、このような表現の最初の単語のみ
について、先頭文字を大文字にするからである。したが
って、キャプトイドの開始と終了の位置を決定すること
は英語では比較的直截的であるが、他の言語では非常に
難しい。

【００７７】本実施形態を使用して、キャプトイドの翻
訳を識別し、パーサで使用する、または機械翻訳システ
ムの他のさまざまな場所で使用する翻訳用語集に追加
し、キャプトイドを正確に翻訳できるようにする。本実
施形態は、英語のこのようなキャプトイドは直截的な方
法で識別できるという事実を利用し、また複合語を識別
するのに使用できる本実施形態の特徴を利用する。図１
０は、本発明の一実施形態によるキャプトイドの翻訳を
識別する方法をわかりやすく説明する流れ図である。

【００７８】まず、整合処理された２カ国語コーパスか
らのトレーニングデータを受け取る。これは、ブロック
３５０で示される。次に、トレーニングデータをトーク
ン化し、トレーニングデータ内のさまざまな異なる単語
を取得する。トレーニングデータを単語に切り分けられ
る市販のトークナイザを使用できる。これは、ブロック
３５２で示される。次に、キャプトイドを含む複数単語
複合語が識別される。これは、ブロック３５４で示され
る。一実施形態では、単語の並びの中の最初の単語の先
頭文字が大文字で始まり、単語の並びの中の後の単語は
小文字で始まらない場合、単語の並びを検索して英語の
キャプトイドを識別する。これにより、「３．０」など
の英字以外のもののキャプトイドを表示できる。キャプ
トイドを識別したら、各キャプトイドを構成する単語の
並びの中の単語はキャプトイドごとに単一のトークンと
してグループ化される。そのために、キャプトイドを形
成する各単語の並び内の単語の間に下線を入れる。

【００７９】次にコンポーネント２０８はトークナイザ
３５２が出力したトークンについて単語関連性スコアま
たは統計量を計算し、さらに識別されたキャプトイド内
の個々の単語について単語関連性スコアまたは統計量を
計算する。各キャプトイド内の個々の単語は、単にキャ
プトイドの要素を下線マークで区切ることにより、直截
的な方法で識別できる。単語関連性の計算は、図１０の
ブロック３５６で示される。

【００８０】さらにコンポーネント２０８は、トークナ
イザによってソース言語内で識別されるキャプトイドに
対応するターゲット言語内の対応する複合語を仮定す
る。これは、ブロック３５７で示される。識別されたキ
ャプトイドに対応する複合語を仮定することについて
は、図１１に関して詳細に説明する。

【００８１】次にコンポーネント２０８はトレーニング
データを書き換えて、仮定された複合語を単一のトーク
ンで置き換える。これは、図１０のブロック３５８で示
される。

【００８２】ソース言語（たとえば英語）内の項目また
はターゲット言語（たとえばフランス語）内の項目が大
文字から始まる複数単語である場合にトレーニングデー
タ内の項目のペアについて単語関連性スコアを再計算す
る。これは、ブロック３６０で示される。これは、図１
０に示されているプロセスはキャプトイドの翻訳を識別
することを目的にしているからである。したがって、ス
テップ３６０で、単語関連性スコアは、翻訳ペア内の項
目のうち少なくとも１つがキャプトイド（つまり、大文
字で始まる複数単語）である場合に項目について再計算
するだけでよい。その結果得られるペアは、関連性スコ
アの強さに応じて順序付けられる。

【００８３】さらにコンポーネント２０８は、リストの
フィルタ処理を行い、トレーニングデータ全体において
翻訳ペア内のいずれかの項目について強さが等しいまた
はより強い関連性がない翻訳ペアのみを含むようにす
る。これは、ブロック３６２で示される。このステップ
で適用される制限は、たとえば、図３のブロック３１０
で適用されるものよりも厳しいことがわかる。これは、
単一単語は異なる文脈で複数の翻訳を持つ場合がある
が、キャプトイドで表される複雑な複数単語の並べ替え
は通常、実質的にすべての文脈で同じ翻訳を受け取ると
期待できるからである。したがって、コーパス全体にわ
たって相互に一意的に最も強い関連性のあるキャプトイ
ドを伴う翻訳のみが受理される。

【００８４】最大の利益のケースに注目し、精度を高め
るために、他のフィルタを翻訳ペアの生成に対し配置で
きることも注意されたい。たとえば、翻訳ペアは、この
プロセスで構成された複数単語の１つであるターゲット
項目のみ（フランス語がターゲット言語であるフランス
語項目など）を含むものに制限できる。同様に、翻訳ペ
アを、英語項目が複数単語であり、成分単語のすべてが
大文字の先頭文字を持つもののみを含むように制限でき
る。さらに、フランス語は一般に、英語よりも冗長な言
語とみなされているため、翻訳ペアは、フランス語項目
が少なくとも英語項目と同じ数の単語を含むもののみを
含むように制限できる。もちろん、これらの制限を他の
言語に合わせて少し手直しすることもできる。

【００８５】再び、もちろん、前述の実施形態のよう
に、しきい値を決定し、そのしきい値を満たす単語関連
性スコアを持つ翻訳ペアのみを互いの翻訳とみなし、残
りを破棄することができる。

【００８６】キャプトイドの翻訳を識別した後、これら
の翻訳は図からわかるように、構文解析コンポーネント
２０４および２０６で使用する翻訳用語集にフィードバ
ックされる。また、複数単語ペア２４０としてフィード
フォワードし、更新された２カ国語辞書２２０を得るた
めに、辞書マージコンポーネント２１６により２カ国語
辞書２１４に追加することができる。

【００８７】図１１は、図１０のブロック３５７に示さ
れているように、識別されたキャプトイドに対応する複
合語がどのように仮定されているかを示す詳細な流れ図
である。図１１に示されているプロセスでは、ソース言
語（たとえば英語）のキャプトイドがすでに識別されて
いると想定する。したがって、図１１に示されているプ
ロセスは、キャプトイドがすでにソース言語内で識別さ
れている場合に、ターゲット言語でキャプトイドの翻訳
のみを識別しようとするという点で、単方向性であると
みなせる。

【００８８】また、入力テキスト（識別されたキャプト
イドと、単一ユニットとしてみなされるキャプトイド内
の個々の単語）を表すトークンについて単語関連性スコ
アを計算した後、複合語を仮定するこのプロセスが実行
されることにも注意されたい。一実施例では、ターゲッ
ト単語（たとえばフランス語の単語）とソース複数単語
の成分単語（たとえば、英語の複数単語内の成分単語）
との関連性スコアがターゲット言語の単語とソース言語
内の複数単語全体との関連性スコアよりも高い場合、前
記の最も高いスコアを使用して、ターゲット言語の単語
（たとえばフランス語の単語）とソース言語の複数単語
（たとえば、英語の複数単語）との関連性の程度を表
す。

【００８９】さらに、特定の整合処理センテンスペア内
で先頭文字が大文字の単語で始まるソース複数単語と最
も強い関連性のある、ターゲット単語（たとえばフラン
ス語の単語）の集合のみが複合語の基準として検討する
ために予約される。

【００９０】このときに、コンポーネント２０８は対象
となる整合処理ペアのターゲット言語でセンテンスを走
査する作業を左から右に開始する。これは、ブロック３
７０で示される。この走査は、大文字で始まる単語を検
索するために実行される。これは、ブロック３７２で示
される。このような単語が見つかり、センテンス内の最
初の単語である場合、識別された複合語（たとえば英語
の複数単語）内の単語に最も密接に関連するかどうかを
判別する。そのような場合、識別されたキャプトイドの
翻訳である対応する複合語の可能な開始位置としてフラ
グが立てられる。これは、図１１のブロック３７４で示
される。

【００９１】ブロック３７２に置かれている単語が最初
の単語でない場合（つまり、センテンスの最初の単語で
ない場合）、キャプトイド（たとえば、英語の複数単
語）の翻訳の可能な開始位置としてフラグが立てられ
る。これは、ブロック３７６で示される。

【００９２】最初の単語が見つかると、コンポーネント
２０８は左から右へターゲットテキストを走査し、識別
されたキャプトイド内の単語と最も強い関連性を持つ後
続の単語にフラグを立てる。そうする際に、コンポーネ
ント２０８では、識別されたキャプトイド内の単語と最
も高い関連性を持つ単語が後に続く限り、識別されたキ
ャプトイド内の単語と最も高い関連性を持つわけではな
い最大２つまでの隣接する単語を許容する。これは、ブ
ロック３７８で示される。このためシステムは、ソース
複数単語内の何かと高い関連性を持たない可能性のある
機能単語（フランス語の機能単語など）を説明できる。
これら条件が満たされている限り、ターゲットセンテン
ス内のそれぞれの後続単語はターゲット複数単語に追加
される（ソーステキスト内の識別されたキャプトイドの
翻訳）。

【００９３】コンポーネント２０８は、識別されたキャ
プトイド内の単語と最も高い関連性を持たないターゲッ
トテキスト内の２つよりも多い隣接する単語を見つける
か、または識別されたキャプトイド内の単語と最も高い
関連性を持つターゲットテキスト内の単語がそれ以上な
いか、または句読点記号に遭遇するまでこの走査を続け
る。これは、ブロック３８０で示される。

【００９４】こうして、複合語をキャプトイドの可能な
翻訳として仮定すると、トレーニングデータを書き換え
て、仮定した複合語を単一のトークンで置き換え、関連
性スコアを再計算し、翻訳ペアをフィルタ処理した場合
に、図１０のブロック３５８から処理が再び継続され
る。これは、ブロック３５８、３６０、および３６２で
示されており、上で詳細に説明している。

【００９５】このようにして、本実施形態により、単語
ペアと複合語の間の翻訳関係を導出する簡単な統計的ア
プローチが得られる。本実施形態は、その手法の実装が
あまり複雑でなく、実行する時間も資源もあまり必要な
いという点で従来システムに勝っている。本実施形態
は、さらに、複合語とキャプトイドの翻訳関係を導出す
る機能を高めている。

【００９６】本発明は、特定の実施形態を参照しながら
説明したが、当業者は本発明の趣旨と範囲を逸脱するこ
となく形式と詳細に変更を加えられることを認識するで
あろう。

【００９７】

【発明の効果】以上説明したように本発明によれば、単
語ペアと複合語の間の翻訳関係を導出する簡単な統計的
アプローチが得られ、また、その手法の実装があまり複
雑でなく、実行する時間も資源もあまり必要ないという
効果を奏する。

【図面の簡単な説明】

【図１】本発明を使用できる一般的状況のブロック図で
ある。

【図２】本発明を使用できる一般的機械翻訳アーキテク
チャの詳細ブロック図である。

【図３】整合処理した２カ国語コーパス内の単語間の翻
訳関係を導出する一実施形態を説明する流れ図である。

【図４】２つの異なる言語の単語間の異なる統計的単語
関連性の関係を示す図で、（ａ）は英語とフランス語の
整合処理センテンス内の単語の並び、（ｂ）は単語の並
びの間の１対１の対応関係を示す図である。

【図５】２つの異なる言語の単語間の異なる統計的単語
関連性の関係を示す図である。

【図６】仮定した複合語を識別する一実施形態を示す流
れ図である。

【図７】トレーニングデータ内の整合処理されたセンテ
ンスのペア内の単語の最大接続集合を識別する動作を説
明する図である。

【図８】図７に示されている最大接続集合から複合語を
仮定する動作を説明する図である。

【図９】単一トークンを使用して仮定した複合語を表す
書き換えた入力文字列の図である。

【図１０】キャプトイドの翻訳を識別する動作を説明す
る流れ図である。

【図１１】識別されたキャプトイドに対応する複合語を
仮定する方法を説明する流れ図である。

【符号の説明】

２０パーソナルコンピュータ２１プロセッサ２２システムメモリ２３システムバス２４読み取り専用メモリ（ＲＯＭ）２５ランダムアクセスメモリ（ＲＡＭ）２６基本入出力システム２７ハードディスクドライブ２８磁気ディスクドライブ２９、３１リムーバル可能磁気ディスク３０光ディスクドライブ３２ハードディスクドライブインタフェース３３磁気ディスクドライブインタフェース３４光ドライブインタフェース３５オペレーティングシステム３６アプリケーションプログラム３７プログラムモジュール３８プログラムデータ４０キーボード４２ポインティングデバイス４３マイク４５シリアルポートインタフェース４６シリアルポートインタフェース４７モニタ４８ビデオアダプタ４９リモートコンピュータ５０メモリストレージデバイス５１ローカルエリアネットワーク（ＬＡＮ）５２ワイドエリアネットワーク（ＷＡＮ）５３ネットワークアダプタ５４モデム２００機械翻訳システム２０４、２０６構文解析コンポーネント２０８統計的単語関連学習コンポーネント２１０論理形式整合処理コンポーネント２１２語彙知識ベース構築コンポーネント２１４２カ国語辞書２１６辞書マージコンポーネント２１８転送マッピングデータベース２２０更新された２カ国語辞書２２２解析コンポーネント２２４照合コンポーネント２２６転送コンポーネント２２８生成コンポーネント２３０ソースセンテンス２３２ターゲットセンテンス２３４ソース論理形式２３６ターゲット論理形式２３８学習した単一単語翻訳ペア２４０複数単語ペア２４２論理形式転送マッピング２５０翻訳すべきソースセンテンス２５２ソース論理形式２５４リンクされた論理形式２５６ターゲット論理形式２５８ターゲット文字列

───────────────────────────────────────────────────── フロントページの続き (72)発明者ロバートシー．ムーアアメリカ合衆国 98040 ワシントン州マーサーアイランドファーンクロフトロード 4509 Ｆターム(参考） 5B091 CA05 EA24

Claims

【特許請求の範囲】

【請求項１】単語間の翻訳関係を計算する方法であっ
て、コーパス内の整合処理された２カ国語ユニットの複数の
集合それぞれの中で単語の同時出現に基づいて、単語ペ
アについて単語関連性スコアを計算するステップと、前記単語関連性スコアに基づいて前記ユニット内の仮定
した複合語を識別するステップと、前記仮定した複合語を与えられて、前記単語関連性スコ
アを再計算するステップと、再計算された前記単語関連性スコアに基づいて翻訳関係
を取得するステップとを備えたことを特徴とする方法。
【請求項２】前記整合処理された２カ国語ユニットは
センテンスを含むことを特徴とする請求項１に記載の方
法。
【請求項３】前記整合処理された２カ国語ユニットは
論理形式を含むことを特徴とする請求項１に記載の方
法。
【請求項４】翻訳関係を取得するステップは、単語のペア、複合語のペア、および複合語／単語のペア
を含む、ペアの同時出現を考慮して、整合処理されたユ
ニットのペア内の単語関連性スコアを再計算するステッ
プを、整合処理されたユニットのペア内のすべての単語
間で前記ペアが互いに一意的に最も強い関連性を持つ場
合にのみ、繰り返して、最終的な単語関連性スコアを求
めるステップを含むことを特徴とする請求項１に記載の
方法。
【請求項５】翻訳関係を取得するステップは、前記最終的な単語関連性スコアに基づいてペアをランク
付けするステップをさらに含むことを特徴とする請求項
４に記載の方法。
【請求項６】翻訳関係を取得するステップは、対応する前記最終的単語関連性スコアがしきい値レベル
を超えている場合に、互いの翻訳としてペアを選択するステップをさらに含む
ことを特徴とする請求項５に記載の方法。
【請求項７】前記仮定した複合語が与えられると、前
記単語関連性スコアを再計算するステップは、各仮定した複合語をトークンで置き換えて書き換えられ
たコーパスを取得するステップと、前記書き換えられたコーパス内の前記整合処理されたユ
ニットについて前記単語関連性スコアを再計算するステ
ップとを含むことを特徴とする請求項１に記載の方法。
【請求項８】仮定した複合語を識別するステップは、第１の言語の第１のユニットと第２の言語の第２のユニ
ットとを持つ整合処理されたユニットペアを選択するス
テップと、前記第１のユニット内の単語と前記第２のユニット内の
単語との１対１対応関係を示すことができない前記単語
関連性スコアに基づいて、仮定した複合語を識別するス
テップとを含むことを特徴とする請求項１に記載の方
法。
【請求項９】１対１対応関係を示すことができない前
記単語関連性スコアに基づいて、仮定した複合語を識別
するステップは、前記第１のユニット内の単語ごとに、前記第２のユニッ
ト内で最も関連性の強い単語を識別するステップと、前記第２のユニット内の単語ごとに、前記第１のユニッ
ト内で最も関連性の強い単語を識別するステップとを含
むことを特徴とする請求項８に記載の方法。
【請求項１０】１対１対応関係を示すことができない
前記単語関連性スコアに基づいて、仮定した複合語を識
別するステップは、第１と第２のユニット内の識別された最も関連性の強い
単語に基づき、第１と第２のユニット内の単語の最大接
続集合を識別するステップをさらに含むことを特徴とす
る請求項９に記載の方法。
【請求項１１】仮定した複合語を識別するステップ
は、第１および第２のユニットのそれぞれで、各複数単語最
大接続集合内の単語を、仮定した複合語として識別する
ステップをさらに含むことを特徴とする請求項１０に記
載の方法。
【請求項１２】単語関連性スコアを計算する前に、前
記コーパスにアクセスするステップをさらに備えたこと
を特徴とする請求項１に記載の方法。
【請求項１３】前記コーパスを構文解析して個々の単
語を取得するステップをさらに備えたことを特徴とする
請求項１２に記載の方法。
【請求項１４】単語関連性スコアを計算した後、単語
関連性スコアに基づきさらなる処理の対象にならないよ
うに単語ペアを切り詰めるステップをさらに備えたこと
を特徴とする請求項１に記載の方法。
【請求項１５】切り詰めるステップは、単語関連性スコアが所定のしきい値スコアを下回る場合
に、さらに処理されることのないように単語ペアを除く
ステップを含むことを特徴とする請求項１４に記載の方
法。
【請求項１６】単語関連性スコアを計算するステップ
は、前記整合処理された２カ国語ユニットのそれぞれの単語
の表層形式に基づいて、前記単語関連性スコアを計算す
るステップを含むことを特徴とする請求項１に記載の方
法。
【請求項１７】単語関連性スコアを計算するステップ
の前に、前記整合処理された２カ国語ユニットのそれぞ
れの単語を題句に変換するステップを備えたことを特徴
とする請求項１に記載の方法。
【請求項１８】機械翻訳システムをトレーニングする
方法であって、整合処理した２カ国語複数単語ユニットのコーパスを取
得するステップと、前記整合処理したユニット内の単語の同時出現に基づい
て、前記コーパス内の単語ペアについて単語関連性スコ
アを計算するステップと、前記整合処理したユニット内の単語間の１対１対応関係
がないことに基づいて、仮定した複合語を識別するステ
ップと、前記単語関連性スコアと前記仮定した複合語に基づい
て、前記機械翻訳システムをトレーニングするステップ
とを備えたことを特徴とする方法。
【請求項１９】仮定した複合語を識別するステップ
は、第１の言語の第１のユニットと第２の言語の第２のユニ
ットとを持つ整合処理されたユニットペアを選択するス
テップと、前記第１のユニット内の単語と前記第２のユニット内の
単語との１対１対応関係を示すことができない前記単語
関連性スコアに基づいて、仮定した複合語を識別するス
テップとを含むことを特徴とする請求項１８に記載の方
法。
【請求項２０】１対１対応関係を示すことができない
前記単語関連性スコアに基づいて、仮定した複合語を識
別するステップは、前記第１のユニット内の単語ごとに、前記第２のユニッ
ト内で最も関連性の強い単語を識別するステップと、前記第２のユニット内の単語ごとに、前記第１のユニッ
ト内で最も関連性の強い単語を識別するステップとを含
むことを特徴とする請求項１９に記載の方法。
【請求項２１】１対１対応関係を示すことができない
前記単語関連性スコアに基づいて、仮定した複合語を識
別するステップは、第１と第２のユニット内の識別された最も関連性の強い
単語に基づいて、第１と第２のユニット内の単語の最大
接続集合を識別するステップをさらに含むことを特徴と
する請求項２０に記載の方法。
【請求項２２】仮定した複合語を識別するステップ
は、第１および第２のユニットのそれぞれで、各複数単語の
最大接続集合内の単語を、仮定した複合語として識別す
るステップをさらに含むことを特徴とする請求項２１に
記載の方法。
【請求項２３】仮定した複合語を識別した後に、前記仮定した複合語を与えられて、前記単語関連性スコ
アを再計算するステップをさらに備えたことを特徴とす
る請求項１８に記載の方法。
【請求項２４】単語ペア、複合語ペア、および複合語
／単語ペアを含む、ペアの同時出現を考慮して、整合処
理されたユニットのペア内の単語関連性スコアを再計算
するステップを、整合処理されたユニットのペア内のす
べての単語間で前記ペアが互いに一意的に最も強い関連
性を持つ場合にのみ、繰り返して、最終的に単語関連性
スコアを求めるステップをさらに備えたことを特徴とす
る請求項２３に記載の方法。
【請求項２５】最終的な単語関連性スコアに基づいて
ペアをランク付けするステップをさらに備えたことを特
徴とする請求項２４に記載の方法。
【請求項２６】対応する前記最終的単語関連性スコア
がしきい値レベルを超えている場合に、互いの翻訳とし
てペアを選択するステップをさらに備えたことを特徴と
する請求項２５に記載の方法。
【請求項２７】前記仮定した複合語が与えられると、
前記単語関連性スコアを再計算するステップは、各仮定した複合語をトークンで置き換えて書き換えられ
たコーパスを取得するステップと、前記書き換えられたコーパス内の前記整合処理されたユ
ニットについて前記単語関連性スコアを再計算するステ
ップを含むことを特徴とする請求項２３に記載の方法。
【請求項２８】前記単語関連性スコアと前記仮定した
複合語に基づいて前記機械翻訳システムをトレーニング
するステップは、選択した翻訳に基づき言語の一方のユニットを言語の他
方のユニットにマッピングする転送マッピングを生成す
るステップを含むことを特徴とする請求項２６に記載の
方法。
【請求項２９】単語関連性スコアを計算する前に、単
語を題句に変換するステップをさらに備えたことを特徴
とする請求項１８に記載の方法。
【請求項３０】単語が該単語の表層形式であることを
特徴とする請求項１８に記載の方法。