复述是含义相同而表达方式不同的词、短语和句子。例如,英文单词“film”和“movie”为单词级别复述又称同义词或近义词;英文短语“take care of”和“look after”为复述短语;英文句子“China grows fast in economy.”和“China’s economic growth is fast.”为复述句对。复述现象在自然语言中大量存在,这一方面增强了语言表达的灵活多样性,另一方面也给自然语言处理带来了新的挑战。其中,在机器译文自动评价时,为了匹配同义词和近义词,复述的自动抽取方法尤其引起学者们的重视。在机器译文自动评价中,传统的方法是利用枢轴法从双语平行语料中抽取复述,然而双语平行语料不仅构建成本高,而且对少数语言对难以大量获取。针对这个问题,我们提出了通过构建词项Markov网络,从目标语言的单语文本中抽取复述的方法,并利用该复述提高机器译文自动评价方法与人工评价方法的相关性。由于单语文本不仅在网络中大量存在,而且容易获取,这大大增加了复述抽取的数量,提高了抽取方法的泛化性。为了验证我们提出的方法,本文利用词项Markov网络分别提取英语、法语、德语、俄语、捷克语、印度语等六种语言的复述表。并将复述表应用在机器译文自动评价方法METEOR和TER上进行复述匹配,以对这六种语言的机器译文进行自动评价。在WMT’14 Metrics task上的实验结果表明,我们从单语文本中提取复述方法的性能与从双语平行语料中提取复述方法的性能具有很强的可比性。这些实验结果和抽取复述的详细分析揭示基于Markov网络模型抽取的复述具有较高的质量。