序
語(yǔ)料庫(kù)是語(yǔ)言知識(shí)的可靠來(lái)源（代序）
第三屆漢語(yǔ)中介語(yǔ)口語(yǔ)語(yǔ)料庫(kù)國(guó)際會(huì)議致辭
馮志偉
首先祝賀第三屆漢語(yǔ)中介語(yǔ)口語(yǔ)語(yǔ)料庫(kù)國(guó)際會(huì)議在北京召開(kāi)。漢語(yǔ)中介語(yǔ)口語(yǔ)語(yǔ)料庫(kù)是獲取語(yǔ)言知識(shí)、發(fā)現(xiàn)語(yǔ)言偏誤、提高語(yǔ)言習(xí)得水平的重要手段。
我是一個(gè)自然語(yǔ)言處理的研究者，早在1957年，我就對(duì)語(yǔ)言的研究產(chǎn)生了濃厚的興趣，夢(mèng)想著打破人類的語(yǔ)言障礙，后來(lái)我知道了美國(guó)在1954年就研制成功俄英機(jī)器翻譯，受到極大的鼓舞，決心投身機(jī)器翻譯研究，實(shí)現(xiàn)自己的科學(xué)夢(mèng)想。19791981年我在法國(guó)格勒諾布爾理科醫(yī)科大學(xué)留學(xué)時(shí)，曾經(jīng)研制過(guò)一個(gè)把漢語(yǔ)自動(dòng)翻譯為法語(yǔ)、英語(yǔ)、日語(yǔ)、俄語(yǔ)和德語(yǔ)5種外語(yǔ)的機(jī)器翻譯系統(tǒng)，叫作FAJRA系統(tǒng)，提出了多叉多標(biāo)記樹(shù)形圖模型（multiple-branched and multiple-labeled tree model, MMT），這是一個(gè)基于短語(yǔ)的機(jī)器翻譯模型（phrasebased machine translation, PBMT）。
當(dāng)時(shí)我采用的方法是基于語(yǔ)言規(guī)則的理性主義方法。我用了3年時(shí)間，編寫(xiě)了漢語(yǔ)分析規(guī)則5 000條左右，法語(yǔ)、英語(yǔ)、日語(yǔ)、俄語(yǔ)和德語(yǔ)的轉(zhuǎn)換規(guī)則和生成規(guī)則各3 000條左右，一共20 000多條規(guī)則，此外，我還編制了若干部機(jī)器可讀的、代碼化的機(jī)器翻譯詞典。由于工作量大，我每天工作時(shí)間都超過(guò)10小時(shí)，扎扎實(shí)實(shí)苦干了3年，于1981年11月在IBM 4341大型計(jì)算機(jī)上輸出了法語(yǔ)、英語(yǔ)、日語(yǔ)、俄語(yǔ)和德語(yǔ)等5種語(yǔ)言的機(jī)器翻譯譯文。這是世界上個(gè)把漢語(yǔ)自動(dòng)翻譯成多種外語(yǔ)的機(jī)器翻譯系統(tǒng)。
這個(gè)系統(tǒng)研制成功之后，在有限規(guī)模的語(yǔ)言范圍內(nèi)，翻譯的正確率還比較高，而當(dāng)擴(kuò)大語(yǔ)言范圍時(shí)，對(duì)于任意的漢語(yǔ)句子，翻譯的正確率只能達(dá)到70%左右，這樣的機(jī)器翻譯系統(tǒng)顯然是難以實(shí)用的。我在1982年回國(guó)之后，又相繼研制了法漢、英漢、日漢和德漢機(jī)器翻譯系統(tǒng)，翻譯正確率都沒(méi)有超過(guò)70%。
我耗費(fèi)了如此巨大的精力，卻得到了很不理想的結(jié)果，在嚴(yán)峻的考驗(yàn)面前，我少年時(shí)代的機(jī)器翻譯夢(mèng)想遭到了挫敗。我沒(méi)有得到多少成功的經(jīng)驗(yàn)，卻留下了大量失敗的教訓(xùn)。我為此感到困惑，有一種難言的失落感。
正當(dāng)我愁眉不展之際，1993年7月在日本神戶召開(kāi)的第四屆機(jī)器翻譯高層會(huì)議（MT Summit IV）上，英國(guó)著名學(xué)者哈欽斯（J.Hutchins）在他的特約報(bào)告中指出，自1989年以來(lái)，機(jī)器翻譯的發(fā)展進(jìn)入了一個(gè)新紀(jì)元。這個(gè)新紀(jì)元的重要標(biāo)志是在基于規(guī)則的技術(shù)中引入了語(yǔ)料庫(kù)方法。這種建立在大規(guī)模（largescale）真實(shí)文本（authentic text）處理基礎(chǔ)上的機(jī)器翻譯，是機(jī)器翻譯研究史上的一場(chǎng)革命，它會(huì)把自然語(yǔ)言的計(jì)算機(jī)處理推向一個(gè)嶄新的階段。
把語(yǔ)料庫(kù)方法引入到機(jī)器翻譯中，改變了機(jī)器翻譯研究者獲取知識(shí)的手段，由于語(yǔ)料庫(kù)是大規(guī)模的真實(shí)文本，人們就可以得到更加完善的統(tǒng)計(jì)性的語(yǔ)言知識(shí)，因此，也就大大地提高了機(jī)器翻譯的質(zhì)量，加快了機(jī)器翻譯系統(tǒng)的研制周期。
語(yǔ)言知識(shí)究竟在哪里？語(yǔ)言知識(shí)固然存在于語(yǔ)法書(shū)里，存在于各種類型的詞典里，存在于汗牛充棟的語(yǔ)言學(xué)論文里，但是，更加全面、客觀的語(yǔ)言知識(shí)應(yīng)當(dāng)存在于大規(guī)模的真實(shí)文本語(yǔ)料庫(kù)里，語(yǔ)料庫(kù)是語(yǔ)言知識(shí)可靠的來(lái)源。
語(yǔ)料庫(kù)改變了機(jī)器翻譯的命運(yùn)，基于短語(yǔ)的機(jī)器翻譯發(fā)展成為統(tǒng)計(jì)機(jī)器翻譯（statistical machine translation, SMT），機(jī)器翻譯走向了商品化和實(shí)用化的新階段。
隨著互聯(lián)網(wǎng)的迅速發(fā)展，我們進(jìn)入了大數(shù)據(jù)時(shí)代。數(shù)據(jù)挖掘成為計(jì)算機(jī)科學(xué)的一個(gè)重要研究領(lǐng)域，數(shù)據(jù)挖掘中采用的機(jī)器自動(dòng)學(xué)習(xí)的方法，對(duì)于統(tǒng)計(jì)機(jī)器翻譯具有重要的價(jià)值。
機(jī)器自動(dòng)學(xué)習(xí)的方法主要有三種類型：有指導(dǎo)的學(xué)習(xí)、無(wú)指導(dǎo)的學(xué)習(xí)、半指導(dǎo)的學(xué)習(xí)。
有指導(dǎo)的學(xué)習(xí)實(shí)際上是對(duì)于數(shù)據(jù)進(jìn)行分類，首先使用事先定義好的類別或范疇標(biāo)記對(duì)數(shù)據(jù)的實(shí)例進(jìn)行標(biāo)注，作為訓(xùn)練數(shù)據(jù)，機(jī)器根據(jù)這些標(biāo)注好的訓(xùn)練數(shù)據(jù)進(jìn)行自動(dòng)學(xué)習(xí)，再根據(jù)學(xué)習(xí)得到的知識(shí)對(duì)于新的數(shù)據(jù)進(jìn)行分類。由于用來(lái)學(xué)習(xí)的訓(xùn)練數(shù)據(jù)是用事先定義好的標(biāo)記進(jìn)行過(guò)標(biāo)注的，機(jī)器學(xué)習(xí)的過(guò)程是在這些訓(xùn)練數(shù)據(jù)的指導(dǎo)下進(jìn)行的，所以叫作有指導(dǎo)的學(xué)習(xí)。在無(wú)指導(dǎo)的學(xué)習(xí)中，用來(lái)學(xué)習(xí)的數(shù)據(jù)沒(méi)有使用事先定義好的類別或范疇標(biāo)記進(jìn)行過(guò)標(biāo)注，要使用機(jī)器學(xué)習(xí)的算法來(lái)自動(dòng)地發(fā)現(xiàn)隱藏在數(shù)據(jù)中的特征、結(jié)構(gòu)或規(guī)律。這種無(wú)指導(dǎo)學(xué)習(xí)的一個(gè)關(guān)鍵技術(shù)是聚類，聚類技術(shù)根據(jù)數(shù)據(jù)實(shí)例的相同點(diǎn)或相異點(diǎn)，自動(dòng)地把它們聚類為不同的組合。
有指導(dǎo)的學(xué)習(xí)要求事先人工標(biāo)注大量的數(shù)據(jù)實(shí)例，需要付出巨大的人工勞動(dòng)量，費(fèi)力而又費(fèi)時(shí)。為了減少人工標(biāo)注的勞動(dòng)量，可以同時(shí)從標(biāo)注過(guò)的數(shù)據(jù)實(shí)例和沒(méi)有標(biāo)注過(guò)的數(shù)據(jù)實(shí)例中進(jìn)行學(xué)習(xí)，標(biāo)注過(guò)的數(shù)據(jù)實(shí)例的集合可以比較小，而沒(méi)有標(biāo)注過(guò)的數(shù)據(jù)實(shí)例的集合可以很大，這樣的模型叫作半指導(dǎo)的學(xué)習(xí)。
機(jī)器自動(dòng)學(xué)習(xí)的這些方法已經(jīng)成熟，而且廣泛地應(yīng)用于統(tǒng)計(jì)機(jī)器翻譯的研究中，這就從根本上改變了傳統(tǒng)的獲取語(yǔ)言知識(shí)的手段，從大規(guī)模的雙語(yǔ)對(duì)齊語(yǔ)料庫(kù)中，通過(guò)機(jī)器自動(dòng)學(xué)習(xí)的方法，去獲取語(yǔ)言的翻譯信息，對(duì)于機(jī)器翻譯的發(fā)展具有革命性的意義。
目前，基于多層神經(jīng)網(wǎng)絡(luò)的、以大數(shù)據(jù)作為輸入的深度學(xué)習(xí)（deep learning）方法引入到機(jī)器翻譯中。這是一種新型的機(jī)器自動(dòng)學(xué)習(xí)。深度學(xué)習(xí)的訓(xùn)練方式是無(wú)監(jiān)督的特征學(xué)習(xí)，使用多層神經(jīng)網(wǎng)絡(luò)的方法。這種多層神經(jīng)網(wǎng)絡(luò)是非線性的，可以重復(fù)利用中間層的計(jì)算單元，減少參數(shù)，計(jì)算機(jī)從海量的大數(shù)據(jù)中可以自動(dòng)地產(chǎn)生模型的特征和算法。
詞向量是多層神經(jīng)網(wǎng)絡(luò)的一種重要方法，詞向量把單詞映射為一個(gè)固定維度的向量，不同的詞向量構(gòu)成詞向量語(yǔ)義空間，在這個(gè)詞向量語(yǔ)義空間中，語(yǔ)義相似的單詞距離較近。
深度學(xué)習(xí)研究者米克羅夫（Tomas Mikolov）發(fā)現(xiàn)，如果用意大利這個(gè)單詞的屬性向量來(lái)減去羅馬這個(gè)單詞的屬性向量，再加上巴黎這個(gè)單詞的屬性向量，我們就能得到法國(guó)這個(gè)單詞或者相近的屬性向量。類似地，如果用國(guó)王的屬性向量減去男人的屬性向量，再加上女人的屬性向量，就能得到王后的屬性向量。這是非常令人振奮的結(jié)果，因?yàn)槊卓肆_夫事先并沒(méi)有刻意地做這樣的安排。
2007年以來(lái)，采用深度學(xué)習(xí)的方法，以大規(guī)模的雙語(yǔ)對(duì)齊的口語(yǔ)語(yǔ)料庫(kù)作為語(yǔ)言知識(shí)的來(lái)源，從雙語(yǔ)對(duì)齊的口語(yǔ)語(yǔ)料庫(kù)中獲取翻譯知識(shí)，統(tǒng)計(jì)機(jī)器翻譯又進(jìn)一步發(fā)展成了神經(jīng)機(jī)器翻譯（neural machine translation, NMT），口語(yǔ)神經(jīng)機(jī)器翻譯正確率已經(jīng)超過(guò)了90%，針對(duì)日�？谡Z(yǔ)的神經(jīng)機(jī)器翻譯基本上可以付諸實(shí)用了。
但是，在這種神經(jīng)機(jī)器翻譯中，語(yǔ)言之間的翻譯細(xì)節(jié)還是一個(gè)黑箱（black box），盡管翻譯的結(jié)果不錯(cuò)，我們對(duì)于其中的語(yǔ)言處理機(jī)制仍然是不清楚的，在語(yǔ)言學(xué)理論上，我們還難以做出科學(xué)的解釋。
近，深度學(xué)習(xí)向神經(jīng)網(wǎng)絡(luò)中融入記憶機(jī)制，把基于理性主義的知識(shí)驅(qū)動(dòng)與基于經(jīng)驗(yàn)主義的數(shù)據(jù)驅(qū)動(dòng)結(jié)合起來(lái)，架起了符號(hào)主義與聯(lián)接主義之間的橋梁。這應(yīng)當(dāng)是今后神經(jīng)機(jī)器翻譯發(fā)展的新方向。
可以看出，由于在機(jī)器翻譯中引入了語(yǔ)料庫(kù)技術(shù)，機(jī)器翻譯已經(jīng)獲得了巨大的進(jìn)步，這是令人可喜的。不論是書(shū)面語(yǔ)文本語(yǔ)料庫(kù)還是口語(yǔ)語(yǔ)料庫(kù)，都是機(jī)器翻譯得以發(fā)展進(jìn)步的關(guān)鍵性因素。語(yǔ)料庫(kù)對(duì)于機(jī)器翻譯的發(fā)展具有舉足輕重的作用。
目前，漢語(yǔ)中介語(yǔ)語(yǔ)料庫(kù)建設(shè)已經(jīng)取得了很大的成績(jī)。北京語(yǔ)言大學(xué)、南京師范大學(xué)、魯東大學(xué)、暨南大學(xué)、中山大學(xué)、上海交通大學(xué)、廈門(mén)大學(xué)、臺(tái)灣師范大學(xué)先后建立了不同規(guī)模的漢語(yǔ)中介語(yǔ)語(yǔ)料庫(kù)。香港中文大學(xué)、新疆醫(yī)科大學(xué)還建立了漢語(yǔ)口語(yǔ)習(xí)得語(yǔ)料庫(kù)。
在這些中介語(yǔ)語(yǔ)料庫(kù)的基礎(chǔ)上，研究者們進(jìn)行了卓有成效的研究，成果斐然。第三屆漢語(yǔ)中介語(yǔ)口語(yǔ)語(yǔ)料庫(kù)國(guó)際會(huì)議為交流這些成果提供了一個(gè)很好的交流機(jī)會(huì)，我衷心祝賀這次國(guó)際會(huì)議成功。