Niutrans 机器翻译系统的搭建

　　NiuTrans是一个开源的统计机器翻译系统，由中国的 东北大学 自然语言处理实验室 开发，相对于moses，笔者认为Niutrans更好搭建，比如Niutrans内嵌小巧、高效的N-元语言模型，无需其它软件（如SRILM）的外部支持。

    另外： NiuTrans支持多个统计机器翻译模型：
   a) 基于短语的模型
   b) 基于层次短语的模型
   c) 基于句法（树到串，串到树，树到树）的模型

    所以还是比较好的契合使用需求，关键是Niutrans在windows下也可很好使用，笔者是在32bit的windows下搭建的。

 

一、准备工作

　　在正式搭建Niutrans之前，应该保证机器上安装有：Visual Studio 2008，Cygwin，以及 perl（5.10.0 版本或更高）。这里主要是在安装Cygwin的时候遇见了点问题，先对Cygwin做一个简要介绍：

这是一个在windows 上模拟linux的软件，使用的命令与linux下的命令行相同，软件从http://www.cygwin.com/install.html 上下载，并按照步骤安装即可。

 

     安装成功之后，要配置环境变量，我当时在windows配置环境变量后，想在cygwin上运行perl脚本，发现显示“command not found”，这时使用echo $PATH命令查看安装路径——发现perl的安装路径不在其中，决定在cygwin上修改环境变量，具体方法如下：

修改cygwin.BAT文件如下
@echo off
D:
set CYGWIN=tty notitle glob
set PATH=%PATH%;d:\cygwin\bin;d:\cygwin\sbin;d:\cygwin\usr\bin;d:\cygwin\usr\sbin;d:\cygwin\usr\local\bin
set LD_LIBRARY_PATH=d:\cygwin\lib;d:\cygwin\usr\lib;d:\cygwin\usr\local\lib

chdir D:\cygwin\bin
bash --login -i
 
里面的路径改成你的安装路径

      PS：其次根据上面的方法便可以做到环境变量的修改，不过注意哦，一定要关闭cygwin环境，重新运行.bat文件，才会有修改。（寡人在这上面耗费了好长时间呢）

 

二、安装下载niutrans

　　点击 下载地址1 或 下载地址2 下载系统的源代码和样本数据。解压下载的软件包（假设安装目录是“NiuTrans”），按照如下说明安装系统。

  　　 - 在“NiuTrans\src\”下打开“NiuTrans.sln”
  　　 - 设置编译模式为“Release”
   　　- 设置平台模式为“Win32”（32位OS）或“x64”（64位OS）
   　　- 构建整体解决方案
　　 在“NiuTrans\bin\”目录下生成了所有的二进制文件。    

 

三、训练

_ 学习翻译模型learning translation model

_ 学习语言模型learning n-gram language model

 

 详细步骤可参见网站：http://www.nlplab.com/NiuPlan/NiuTrans.Phrase.ch.html

 

这里强调一点：要准备训练数据，这一点很关键

 

• a). 训练数据：双语句对以及对应的词对齐结果
  b). 开发数据：带有至少一个参考译文的源语句子集
  c). 测试数据：新句集
  d). 评价数据：测试数据集的参考答案
  NiuTrans软件包中提供了一些样本文件，供系统实验以及研究格式要求之用，位于"NiuTrans/sample-data/sample-submission-version"文件夹中。

sample-submission-version/
  -- TM-training-set/                   # 带有词对齐结果的双语句对集（共有100,000句对）
       -- chinese.txt                   # 源语句子集
       -- english.txt                   # 目标语句子集（英文全部转换为小写字符）
       -- Alignment.txt                 # 句对的词对齐结果
  -- LM-training-set/
       -- e.lm.txt                      # 单语语料，用于训练语言模型（100K目标语句子）
  -- Dev-set/
       -- Niu.dev.txt                   # 开发数据集，用于权重调优（400句子集）
  -- Test-set/
       -- Niu.test.txt                  # 测试数据集（1K句子集）
  -- Reference-for-evaluation/
       -- Niu.test.reference            # 测试数据集的参考译文（1K句子集）
  -- Recaser-training-set/
       -- english.keepcase.txt          # 单语语料，用于训练Recasing模型（10K句子集）
  -- description-of-the-sample-data     # 样本数据的描述

 

这个过程需要的时间可能较长，需耐心等待，另外，如果想用自己的句子做训练的话，可参照：http://www.nlplab.com/NiuPlan/NiuTrans.YourData.ch.html

 

四 使用自己的语料做测试

 

　　关于这点，东北大学NLP实验室已经做了很好的说明，这里列举一下，我在这个过程中遇见的问题，当我在测试我自己的数据时（我用汉语做的测试），我首先进行这样几个工作：

 

 1.单语乱码过滤（用于去掉训练语料中多余的行，并且对语料中出现的时间等格式进行规范）：

perl NiuTrans-monolingual.clear.illegal.char.pl\
-tgt ../sample-data/sample-submission-version/Test-set/chatWithFriend.txt \
-outTgt ../sample-data/sample-submission-version/Test-set/chatWithFriend.txt.clear \
-lang zh

 

2.中文测试集的处理(这里主要指的是分词 小编采用短语系统 只有分词完成后 才能翻译)：

perl NiuTrans-running-segmenter.pl \
	-lang ch \
	-input  ../sample-data/sample-submission-version/Test-set/chatWithFriend.txt.clear \
	-output  ../sample-data/sample-submission-version/Test-set/chatWithFriend.txt.pre \
	-method 11

　　

 3.进行翻译，翻译过程同原带测试数据的翻译方式相同：

perl NiuTrans-phrase-decoder-model.pl \
        -test   ../sample-data/sample-submission-version/Test-set/chatWithFriend.txt.clear \
        -c      ../work/NiuTrans.phrase.user.config \
        -output chatWithFriend1best.out.pro

　　看似一切顺利的过程，等小编查看结果时——惊呆了，翻译结果仍然是中文，于是花费很长时间狂找原因，下面提供给大家原因，希望不要走我走过的弯路，NiuTrans的测试数据的格式是“UTF-8 without BOM”，如果不是，就需要转换成这个编码方式才可以进行翻译，多说一句——常用的编辑软件大多都支持编码转换，小编用的是Notepad++ 帮忙转换的。之后就可以进行正常翻译了。

 

关于编码格式，啰嗦几句，推荐几个查到的资料做参考：

1.http://www.tamasoft.co.jp/en/general-info/unicode.html Unicode的编码表

2.http://www.cnblogs.com/mikecode/archive/2006/03/06/343919.html  Unicode编码，简要解释UCS、UTF、BMP、BOM等名词