机器翻译的发展历经词典匹配的方法、与语言学科知识相结合的方法、与语料库相结合的统计机器翻译方法、神经机器翻译方法等几个阶段,逐渐走向成熟。机器译文的自动评价是机器翻译技术中的一项重要研究内容,可以通过机器翻译评价来发现翻译系统中存在的缺陷,进一步促进翻译系统的发展。译文的质量主要可以通过人工和计算机两种方式来进行评价。人工评价是出现时间较早,该方式评价的结果比较准确,但极大地耗费了人力资源,而且一般需要较长时间。人工评价的另一个问题是带有一定的主观性。例如,评估同一句话时,不同的评估者给出的结果可能会有差别,缺乏一致性。而自动评价方法的出现恰好弥补了人工评价的不足,它能够快速地评测出一个机器翻译结果的好坏,与人工评价的方法相比,该方式成本低,可以更高效地对机器翻译作出评价。通过比较机器译文和参考译文的相似程度来判断译文质量是多数自动评价方法所使用的策略。因此,参考译文数量的多少以及对其信息利用的程度是影响评价方法性能的两个主要因素。本文通过扩展参考译文、两端依存分析算法一致性等方法对现有机器翻译评价方法DPF(Metric based on Dependency Parsing and F-score of Unigram)进行改进,主要研究内容包括以下三个方面。(1)参考译文由人工给出,个数比较少,在机器翻译评价方法的评测中一般给出的参考译文的个数为一个或四个。例如,在评价方法DPF中只有一个参考译文。一般来说,参考译文数量越少,所覆盖的信息越少,而参考译文所覆盖信息的程度将影响评价方法的性能。针对参考译文数量少的问题,本文提出了基于扩展参考译文和依存分析模型的评价方法Ex DPF(Extend DPF),该方法对参考译文进行扩展,增加了原参考译文所覆盖的信息,并且把扩展后的参考译文加入到基于依存分析模型的评价方法DPF中,以得到性能更好的评价方法。(2)参考译文信息是一定的,对其利用越充分,评价方法的性能会越好,反之,性能越差。现有评价方法DPF在评价过程中需要用到参考译文和机器译文两端的依存树,在获取依存树时,DPF在这两端分别使用了不同的依存分析算法,两端算法的不一致性使得该评价方法不能充分利用参考译文信息,对机器译文依存树的质量有一定影响,进而对评价方法的性能产生影响。针对DPF方法对参考译文信息利用不充分的问题,本文提出了基于最大熵依存分析模型的评价方法MDPF(Maxmum entropy DPF)。该方法在获取参考译文和机器译文两端的依存树时都使用了最大熵依存分析算法,两端算法一致,使得评价方法对参考译文信息的利用更加充分。实验结果证明,MDPF方法在目标端为英语的语言对上获得了比DPF更好的性能。(3)为了同时解决DPF方法中参考译文数量少以及对参考译文信息利用不充分的问题,本文提出了结合扩展参考译文和最大熵依存分析模型的评价方法——MEx DPF(Maxmum entropy Extend DPF),该方法首先对参考译文进行扩展,然后在对机器译文和参考译文两端获取依存树时,都采用了基于最大熵的依存分析模型。参考译文的扩展增加了其所覆盖信息的程度,并且两端依存分析算法的一致性可以使多个参考译文的信息得到充分地利用。实验表明,该方法获得了比Ex DPF和MDPF更好的性能。