趋势分析之机器翻译

我们目前已发布了11期分析内容，具体如下：

• 趋势分析之人工智能

• 趋势分析之自动驾驶技术

• 趋势分析之大数据

• 趋势分析系列之区块链

• 趋势分析之计算机视觉

• 趋势分析之数据挖掘

• 趋势分析之深度学习

• 趋势分析之数据建模

• 趋势分析之图数据库

• 趋势分析之网络

• 趋势分析之神经网络

机器翻译（Machine Translation）是利用计算机将一种自然语言(源语言)转换为另一种自然语言(目标语言)的过程。随着经济全球化及互联网的飞速发展，机器翻译技术在促进政治、经济、文化交流等方面起到越来越重要的作用。

下面我们将用Trend analysis分析机器翻译技术领域内的研究热点。

下图是当前该领域的热点技术趋势分析，通过Trend analysis分析挖掘可以发现当前该领域的热门研究话题有：

• speech recognition

• hidden markov models

• language model

• statistical machine translation

• word error rate

• pattern recognition

根据Trend analysis的分析我们可以发现，无论是从早期还是到现在，speech recognition的话题热度都较为稳定；20世纪80年代到21世纪初，pattern recognition研究热度再逐渐下降，21世纪初期热度迅速回升后又开始下降，近期则是出现了逐渐上升的趋势。

早期的模式识别研究着重在数学方法上。20世纪50年代末，F．罗森布拉特提出了一种简化的模拟人脑进行识别的数学模型——感知器，初步实现了通过给定类别的各个样本对识别系统进行训练，使系统在学习完毕后具有对其他未知类别的模式进行正确分类的能力。

1957年，周绍康提出用统计决策理论方法求解模式识别问题，促进了从50年代末开始的模式识别研究工作的迅速发展。1962年，R．纳拉西曼提出了一种基于基元关系的句法识别方法。1982年和1984年，J．荷甫菲尔德发表了两篇重要论文，深刻揭示出人工神经元，网路所具有的联想存储和计算能力，进一步推动了模式识别的研究工作，短短几年在很多应用方面就取得了显著成果，从而形成了模式识别的人工神经元网络方法的新的学科方向。

宾夕法尼亚大学的Chris Callison-Burch教授是该领域的代表学者之一，出版过100多部作品，被引用次数超过10000次。他于2013年发表的“Semi-Markov Phrase-based Monolingual Alignment”一文中引入了一种新的判别模型，用于使用半马尔可夫CRF进行基于短语的单语对齐。这种模型在两个基于短语的对齐数据集（RTE和释义）上实现了最先进的对齐精度，同时在非相同对齐和仅短语对齐方面明显优于其他强基线。

随着互联网的出现和普及，数据量激增，统计方法得到充分应用。互联网公司纷纷成立机器翻译研究组，研发了基于互联网大数据的机器翻译系统，从而使机器翻译真正走向实用，例如“百度翻译”，“谷歌翻译”等。近年来，随着深度学习的进展，机器翻译技术的到了进一步的发展，促进了翻译质量的快速提升，在口语等领域的翻译更加地道流畅。