回答邹老师的题目

文章比较长，主要是有图。三个部分。除了评论Bing的翻译，还顺便比较了下Google的。

1,Bug的分类

先把Bug分成两类。

高级Bug：

——多义词的翻译

这应该是机器翻译的核心问题，出Bug可以理解。主要有两种，分别举例如下：

“delivery”表示“投递”，结果被翻成了另一个意思“分娩”；“editor”表示“编辑”，结果翻成了“编辑器”。（看来训练集里的计算机词汇足够多啊J）这类错误没有明显的上下文提示，但是有大环境——一个新闻商业网站，是不大可能专门提到分娩问题的。

原因应该是翻译时候忽视了词汇出现的位置，也没有检查背后的链接。（这个关于链接的想法会再次出现）

这里面主要是对“学分”（credit）、“学位”（degree）、“推理”（reason）的翻译。这是有明显的上下文提示的。比如，有“college”、“student”等等相关词汇。还有邹老师提到的UW。

原因是忽视了词汇出现的前后语境（和网页中的位置不同）。

——语序语法问题

这个问题主要出现在动词和介词方面，虽然词汇翻译正确，意义还是错误了。举例如下：

“达芙妮科勒表示”（said D K）被翻成了“表示达芙妮科勒”。这说明语料库标注的不够好，这样的模式化错误应该可以避免。

“达成协议”（entered into agreements）和后面的“扩大供应”（to expand offering）混搭了——“进入产品”。这可能是因为有“固定搭配”和“目的状语从句”出现，扰乱了翻译机的视听。

“the two say”作为从句出现时，机器也搞错了，把前面的“new way”拿过来当动词“say”的宾语，翻成了“两个说的新方式”。真是可惜。这说明要专门对从句的语法规则修改翻译机。

——代词问题

这是也机器翻译最根本的问题。有些代词，连人也分不太清楚。人分辨代词的时候，也不完全靠的是推理。比如”Mary fears Lily because she is strange.”大家倾向于认为“she”指代的是Lily，但是如果理解成“Mary”其实也是解释的通的。“she”、“he”之类的代词还好，关键是碰到上述的“the two”和下面的“none”这样的，把“两位（教师）”翻成“两个”，把“没有任何一个（课程）”翻成“没有一人”，就错的离谱了。

其实，我想，困难之一，除了了解指代的是“谁”之外，还要进一步知道中文中的“量词”，在结果中添加。比如要知道是“两条（鱼）”而不是“两头（鱼）”才能正确地翻译代词。

——修辞问题

对于原文中的比喻、省略、口语化、情景化的词汇，翻译都不理想。

比如，文中的“改变高等教育的现状”（the face of higher education），用face比喻现状，但是大概是直译成“脸”不太合适，就索性翻成动词“面临了”。

比如，同一个图中，读者留言“awesome”是口语中的“很棒”，被翻成了“令人敬畏的”。（google更离谱，翻成“可怕的”，感情色彩完全反了）。

“分类（广告）”（classifieds）翻成了“分类”，没有把广告的意思翻出来。这个还可以忍受。

而把“Breaking news email”翻成“打破新闻邮件”就有让人匪夷所思了。“Follow us（on facebook）”翻成“跟随我们”也不容易理解。

这个bug的原因应该和机器翻译的技术和语料库来源有关。（Google采用的是统计翻译的方法，我猜测微软的也是。）传言，这些训练语料来自多语言对应的联合国文件等官方文件。（不得不说这是个聪明的主意！）机器难免沾上讲“官话”的习惯。官话中很少比喻、口语、省略和生活情景化的词语，对这些现象的翻译质量当然会下降。

 

低级错误

这些错误不涉及机器翻译的核心问题，并且易于被“证明”是容易解决的。

——漏译

网页翻译的不完全。

——人名的翻译

翻译一半，或者翻译的不好。还不如不翻译。

不得不说，这方面应该向google学习。（对比见文章最后的图片。）

——翻译的排版错误

这个是我的猜想。因为相似的段落，翻译质量差太多了，应该是排版出错了。

——网页显示

网页缩小后，不能左右移动。（我用的是chrome。）

 

2，创新的建议

按照邹老师的模型，列一下。我觉得可以先加上“who”来区分用户团体，所以写上了。

Who：按照我的观察，英语水平到研究生阶段（高级用户），看英文网页应当不需要整页翻译了。（小语种的可能有，但是情况不多。）英语水平到初中阶段，看英文网页的需求好像不会很大。（这个值得商榷，先假设是这样。）那我们翻译整页的用户群体应该是英语水平在高中到本科阶段的人。（四、六级水平？）他们可能有足够的语法知识和推理能力，但是欠缺的是词汇和固定表达（英语中的修辞和中文不同，文化氛围也不同，即使词汇全部掌握也未必完全理解）。假设主要的目的是“看看外国网站”“锻炼英文阅读”，他们的需求是——娱乐、新闻、学习。设为用户A。

另外，我们没有考虑到网页翻译之外的需求——即使通过了GRE等测试，英语水平足够好，中国人阅读英文的速度大概也没有中文的一半。因此，“高级用户”虽然嫌机器翻译质量不高，却也不能大范围、快速地“浏览”英文网页。这是他们扩大英文阅读量的瓶颈。

还有，一些企业，可能也有关注某一个行业的世界行情的需要。这些商业信息，一方面不断更新，数量巨大，另一方面因为影响力不够而不被主流的中文媒体引进。他们要么雇人专门去做统计，要么依靠机器翻译。

后两种的需求其实差不多，是关于工作的——关注、统计、摘要。设为用户B。

Need：

A：对于指定的网页，给出必要的辅助，使他理解大意，可以按照网站的提示，进行浏览。

B：对于特定的领域，帮助他们从外文的海洋中定位有效信息。

Approach & Delivery：

这个来不及细想。

我觉得，针对用户A需求制作UI可能很重要。比如当鼠标放在特定的词语（用户根据自己需要，选择标准，比如——六级词汇以外）或者句子上时候，给出可能的翻译。让用户做个选择题。（这比google做问答题要简单。）这些结果可以一方面为用户保留，作为英文学习的资料；另一方面，上传给服务器，作为语料标注的结果。

针对用户B，单纯的翻译可能不是最重要的，更重要的是信息的理解和概括。暂时没什么特别的想法。

Benefit：

用户A，可以找个学外语的拐杖，并且，语言内容是不受限制的、新的、Native的——不会局限在一本书（比如什么外语读本）。这个拐杖要顺手。

用户B：信息就是金钱。

Competitors：

Google在做相似的翻译。但是大家翻译质量半斤八两，商业模式也相似。给张图，红色是翻译比较好，黑色是比较差。

另外，美国有一些做自然语言理解的公司。服务对象是特定领域和行业。但是，中文的翻译，好像还没人做。

3，关于众包

虽然众包是个好想法（我觉得wiki和Linux是众包的例子），但是我认为在这个修复Bug的问题上可能不是最好选择。

根据我们刚才的分析，低级的bug应该可以很快修复，也不多，用不了太多人。用众包可能成本比较高（要开源，要审查质量等等），效率反而低。高级的bug是当前学术界正在研究的问题，不像是大家都可以帮上忙的——这和修复一个成品软件中的bug好像不太一样。

但是，除了程序方面，我们也许可以用众包的方式去鼓励大家报告bug、标注语料库、推广使用我们的程序。这是劳动密集型的工作。

========分割线，以下是梦话========

如果我们可以利用网站的链接来区别多义词的话该多好！这也不是不可能的。看图：

如果打开链接，就会发现“vet”是“老兵”而不是“兽医”，“shooting”是名词“枪击案”而不是形容词“开枪的”或者名词“拍照片”。但是，打开链接可能影响效率。

另外，如果众包给大家标注语料库，可以直接有统一的货币（或者等价物）在线支付给大家多好。积极性一定高。

另外，如果那么多电子书、杂志也可以将中英文版收集起来，当语料库，训练的结果也会更好吧！其实这样的话，找到中英文对应的网页也行。找到网友们自发翻译的“经济学人”“科学美国人”的结果，输入进去也行。