利用周末时间细读了Och和Ney在02年ACL上发表的一篇关于Machine Translation的文章，做个笔记。

Discriminative training and maximum entropy models for statistical macine translation

1. ME 模型是在噪声信道模型的基础上改进而来的。

2. Source-Channel Model 被称为“Fundamental Equation of Statistical MT”，即，机器翻译的基本方程式。

3. 噪声信道模型存在的几个问题：

（1）噪声信道模型中，当翻译模型和语言模型只有在语料上的实际值等于理论值的时候，翻译结果才能达到最优；如果有一种更好的能将LM和TM进行结合的方法，那么翻译效果会有很大的提升。

（2）噪声信道模型不能通过直接扩展可对MT产生帮助性作用的特征和信息来扩展统计MT 系统。

（3）噪声信道模型的翻译模型具有可对称性特点。p(f|e)与p(e|f)在模型中可产生相当的作用，都可以与语言模型一起在信道模型中产生作用。虽然在噪声信道理论框架中难以对这种现象进行分析解释，不过产生的翻译效果却极具有可比性。在实际的统计翻译中，可以通过比较其作用好坏，按需选择来使用。

ME Translation Model

由于噪声信道模型能够融入的信息较为有限，Och 等人提出了采用ME 来进行统计翻译的方法，这主要是由于ME 具有可将多种信息进行有效结合从而为翻译提供支撑的特点。ME 方法是对噪声信道模型的改进。在该理论中，可以将N个信息同时考虑在MT 的过程之中，每一个信息被视为一个特征（或者叫做特征函数function），每个特征对应一个参数a，翻译概率的计算就跟这些特征函数和参数有关。（详细计算公式见论文第3页）

实际上，噪声信道模型的MT方法是包含在ME 方法框架之内的，当特征1：

h1(e,f) = log p (e)

特征2：

h2(e,f) = log p (f|e)

并取参数a1=a2=1的时候，ME 表现出来的框架其实就是噪声信道。

Alignment Model and Maximum Approximation

另外，在翻译的过程中还有一个很重要的因子------对齐。不管是噪声信道还是ME，在翻译过程中都需要计算源语言到目标语言的对齐，这个贯彻翻译概率计算过程的始末。

Och等在当年的系统中采用的是Alignment Templates的方法。即，只有源语言短语、目标语言短语的短语表，i.e.，短语表。

Training （a参数的训练）

文中采用的是GIS 算法（Darroch and Ratcliff，1972）。