论文部分内容阅读
平行语料库是对机器翻译、跨语言信息检索等应用技术具有重要支撑作用的基础数据资源。虽然互联网上的平行网页数量巨大且持续增长，但由于平行网站的异构性和复杂性，如何快速自动获取高质量的平行网页进而构造平行语料库仍然是巨大的挑战。该文提出了一种URL模式与HTML结构相结合的平行网页获取方法，首先利用HTML结构实现平行网页的递归访问，其次使用URL模式优化遍历平行网站的拓扑顺序，从而实现高效准确的平行网页获取。在联合国与香港政府0两个平行网站上的实验表明，该方法相对传统获取方法在获取时间上减少50％以上，准确率