摘要

本文介绍了一种基于机器翻译性能预测（MTPP）的方法来识别英语中两个词在特定上下文中的相似性。通过使用参照翻译机器（RTM），该方法能够在分级词相似性在上下文（GWSC）任务中取得顶尖结果。GWSC任务涉及在两个不同上下文（c1和c2）中对两个词的相似性进行连续尺度评分，并预测当上下文从c2变为c1时词对相似性（wps）的变化。本文通过无监督学习方法，利用RTM模型和堆叠机器学习模型，有效地预测了词对在不同上下文中的相似性及其变化，展示了在自然语言处理领域的应用潜力。

原理

本文的核心技术是参照翻译机器（RTM），它通过一个共同的表示方式来处理训练和测试数据集，并结合堆叠机器学习模型来预测词对在特定上下文中的相似性。RTM模型通过选择与任务实例接近的平行和单语数据（称为解释子）来推导特征，这些特征用于衡量测试句子与训练数据的接近程度、翻译难度以及在任何两个数据集之间识别翻译行为。此外，RTM模型还利用了机器翻译性能预测系统（MTPPS）来构建预测模型。通过这种方式，RTM能够在不同领域和任务中，无论是单语还是双语设置下，都能有效地预测词对的相似性。

流程

论文详细描述了RTM模型的工作流程，包括数据准备、特征提取、模型训练和预测阶段。首先，RTM从WMT新闻翻译任务的语料库中选择解释子，这些解释子包括用于构建语言模型的单语句子和用于MTPPS推导特征的平行句子对。接着，RTM使用这些解释子来推导特征，并将训练和测试数据映射到同一空间。在预测阶段，RTM预测词对的内上下文词相似性（intra-cwps）和外上下文词相似性（inter-cwps）分数，这些分数用于评估词对在不同上下文中的相似性和相似性变化。通过这一流程，RTM能够有效地预测词对在特定上下文中的相似性及其变化。

应用

本文提出的RTM模型在自然语言处理领域具有广泛的应用前景，特别是在词相似性评估、情感分析和语义判别等任务中。RTM模型不仅能够提高机器翻译系统的性能，还能在社交媒体分析、文本挖掘和信息检索等领域发挥重要作用。随着模型的进一步优化和扩展，预计RTM将在更多复杂的语言处理任务中展现出其强大的应用潜力。