机器翻译是自然语言处理领域的一个重要分支,它是指借助计算机自动地把一种自然语言翻译成另一种自然语言的过程。基于短语的统计机器翻译模型是应用最广泛的统计机器翻译模型,它具有优异的翻译性能和较高的鲁棒性,是目前统计机器翻译的研究热点。解码器是基于短语的统计机器翻译系统中最为核心的模块,翻译的具体过程就是通过解码器完成的。解码器的设计与实现直接影响翻译系统的翻译性能和解码速度。在解码的过程中,由于只能看到局部翻译假设,根据局部翻译假设的得分进行剪枝就很有可能造成搜索错误,即把未来可能更好的翻译假设剪掉。本文研究的主要内容是对基于短语的统计机器翻译系统中的解码进行优化,目的是减少解码的搜索错误,提高翻译系统的翻译性能。具体分为以下两个方面:(1)解码算法优化:对于栈解码算法,本文使用调序距离限制和标点符号限制改进了原始栈解码算法的解码速度和翻译性能。同时,本文提出分组剪枝策略,使得更可比的翻译假设分到同一个组中,然后对各个假设分组分别进行剪枝。根据各个假设分组在高质量候选集合中的分布,设置相应假设分组将要保留的翻译假设个数。(2)动态区分性翻译模型:本文提出动态区分性翻译模型,目的是利用更多的上下文信息,动态地评价短语对之间翻译的可能性,从而使得翻译系统选择更适合上下文信息的正确翻译片段。动态区分性翻译模型的核心是利用双语句对间的词对齐信息产生大量区分性特征,同时利用翻译解码过程中产生的错误进行正负例区分性学习。本文使用神经网络训练动态区分性翻译模型。在大规模数据上的实验结果显示,本文所提出的解码优化技术,可以在一定程度上减少解码的搜索错误,提高了基于短语的统计机器翻译系统的翻译性能。