分段多语言并行文本答案

【问题标题】：Segment multilanguage parallel text分段多语言并行文本
【发布时间】：2014-05-25 06:46:13
【问题描述】：

我有多语言文本，其中包含翻译成多种语言的消息。例如：

English message
Russian message
Ukrainian message

顺序不准确。我想设计一种有监督/无监督的学习算法来自动进行分割，并提取每个翻译以创建一个并行的数据语料库。

您能推荐任何论文/方法吗？我无法获得用于谷歌搜索的正确关键字。

【问题讨论】：

您能否详细说明您的目标和/或举个例子？我不确定我是否了解您要查找的内容。
给定一个包含 3 种语言消息的文件，我会得到 3 个包含相应语言消息的文件（称为 en、ru、ua）。在我看来，聚类算法可能会起作用。

标签： algorithm machine-learning nlp supervised-learning unsupervised-learning

【解决方案1】：

解决问题的最基本方法是从文档中生成bag of words。总而言之，一个词袋是一个矩阵，其中每一行是文档中的一行，每一列是一个不同的词。

例如，如果您的文档是这样的：

hello world
привет мир
привіт світ

你会得到这个矩阵：

     hello | world | привет | мир | привіт | світ
l1 | 1     |    1  |   0    | 0   |   0    | 0
l2 | 0     |    0  |   1    | 1   |   0    | 0
l3 | 0     |    0  |   0    | 0   |   1    | 1

然后您可以根据需要应用分类算法（例如 k-means 或 svm）。

有关更多详细信息，我建议阅读this paper，它提供了一个很好的技术总结。

关于谷歌搜索的关键字，我会说text analysis、text mining 或information retrieval 是一个好的开始。

【讨论】：

【解决方案2】：

您为什么不尝试一些语言识别软件？他们报告的准确率 > 90%：

langid.py https://github.com/saffsd/langid.py
TextCat http://odur.let.rug.nl/~vannoord/TextCat/
扁面条http://www.jmis-web.org/articles/v16_n3_p71/index.html

【讨论】：