讓格書寫下統計式台華翻譯初探

An Initial Study of Statistical Translation of Taiwanese and Mandarin in LangGeh Orthography

楊佩琦(Pei-Ci Yang)

指導教授 ： 江永進

國立清華大學/理學院/統計學研究所/碩士(2009年)

https://doi.org/10.6843/NTHU.2009.00563

摘要

對 台文 與 華文 來說， 「讓格書寫」 是 新提議的 書寫方式。 有別於英文的 分詞書寫 與 台華文傳統的 分句書寫， 「讓格書寫」 主要是以 分簡單詞組的 方式 來書寫。 在 讓格書寫 下， 我們 製作了 台華 平行語料庫。 本文 仿效 Brown et. al.(1990, 1993)的 統計式 翻譯方法， 使用 此 平行語料庫 初探 台華對譯 問題。 而 由於 台華 對譯文 之間， 有 兩個 共同特徵： 相同 漢字寫法 的 詞組 多、 詞組的順序 也 大多相同。 基於 這兩個 特徵， 我們 提出 「香腸詞組」 來簡化 翻譯問題。 此方法的好處 就是 實作概念 簡單， 且 計算量少。

關鍵字

台文 ； 台語 ； 中文 ； 華語 ； 平行語料庫 ； 讓格 ； 對齊 ； 機器翻譯 ； 香腸詞組

並列摘要

“LangGeh” is a new orthography for languages using Chinese character such as Taiwanese or Mandarin. Similar to word separation in English orthography, LangGeh proposes simple phrase separation. Based on LangGeh, We build a Taiwanese-Mandarin parallel corpus and use it to study the translation between Taiwanese and Mandarin using the statistical machine translation framework of Brown et. al. (1990, 1993). There are at least two common characteristics between Taiwanese and Mandarin that one can utilize in translation: many common phrases and word orders are similar. We simplify the translation framework using the concept of “Sausage Phrase”. It has the advantage of being conceptual simple and easy to calculate.

並列關鍵字

Taiwanese ； Mandarin ； Parallel Corpus ； LangGeh ； Alignment ； Machine Translation ； Sausage Phrase

參考文獻

[8] 林淑卿(2009)。「從台華平行語料庫擷取對應詞組典」，國立清華大學統計學研究所碩士論文，2009。

[1] 江永進、張春凰、呂菁菁(2009)。「讓格書寫：意義、理由gah簡則」，台灣風物，59卷1期，2009。

[2] Peter F. Brown, John Cocke, Stephen A. Della Pietra, Vincent J. Della Pietra, Fredrick Jelinek, John D. Lafferty, Robert L. Mercer, and Paul S. Roossin(1990). “A Statistical Approach to Machine Translation,” Computational Linguistics Volume 16, Number 2, June 1990.

[3] Peter F. Brown, Stephen A. Della Pietra, Vincent J. Della Pietra, Robert L. Mercer(1993). “A Statistical Approach to Machine Translation,” Association for Computational Linguistics, 1993.

[4] Dekai Wu and Xuanyin Xia(1994). “Learning An English-Chinese Lexicon from A Parallel Corpus,” Association for Machine Translation in the Americas, Columbia, pp.206-213, Oct. 1994.