giza++ 短语表中的计数是什么意思？

Question

我一直在官网（和pdf手册）中搜索giza++短语表输出中数字的含义： http://www.statmt.org/moses/?n=FactoredTraining.ScorePhrases

这就是我的想法。

假设这是短语表中的一行

načiniti na koji ||| way in which ||| 0.833333 * 0.33333 * ||| * ||| 12 3 1

意思是：

e = "načiniti na koji"
f = "way in which"

count(e) = 12
count(f) = 3
count(e, f) = 1

p(f|e) = count(f, e) / count(e) = 1/12 = 0.833333
p(e|f) = count(f, e) / count(f) = 1/3 = 0.333333

这些都说得通。

但是，如果我使用文本编辑器进行文本搜索，我会得到：

count("načiniti na koji") = 4
count("way in which") = 9

即完全不同的数字。

还有一个奇怪的地方是：

osnivanje i ||| the ||| 0.000124085 * 1 * ||| 0-0 ||| 8059 1 1

所以，考虑到官网的解释，

count("the) = 1,

和

count("osnivanje i") = 8059.

一种解释可能是正好相反。

但是，真正的 count("the") 是 21466。

还有其他一些教程/手册可以更好地阐明 giza++ 输出文件的内容吗？

Answer 1

所以，我想应该是这样的：

• 吉萨贯穿平行语料库

• 每当两个短语对齐时，它们就会被刷新到文本文件中，我们将其命名为 f_phrases

符号可能是：

e - 外国吉萨会员

f - 英语吉萨会员

完成后，f_phrases 进行两种排序，这样我们就得到了两个表格文件

1. extract.o.sorted

对对进行排序，以便某个外语短语 (e) 的所有英文翻译彼此相邻，例如

analiza i      analysis and
analiza i      analysis and
analiza i      analysis and
analiza i      analysis and
analiza i      analysis and
analiza i      analysis and
analiza i      analysis and
analiza i      analysis and
analiza i      analysis and
analiza i      analysis and
analiza i      analysis and
analiza i      analysis and
analiza i      analysis and
analiza i      and
analiza i      evaluation and
analiza i      the analysis and
analiza i      through evaluation and

因此我们得出结论

count(e) = count("analiza i") = 17

然后，对对进行排序，以便某个母语短语 (f) 的所有外语翻译彼此相邻，例如

1. extract.inv.sorted

analysis and              Analysis and
analysis and              analiza i
analysis and              analiza i
analysis and              analiza i
analysis and              analiza i
analysis and              analiza i
analysis and              analiza i
analysis and              analiza i
analysis and              analiza i
analysis and              analiza i
analysis and              analiza i
analysis and              analiza i
analysis and              analiza i
analysis and              analiza i

我们看到count(f) = count("analysis and") = 14

考虑到是同一张表，只是以其他方式排序，我们看到count("analysis and", "analiza i") = count("analiza i", "analysis and") = 17

生成的短语表如下所示：

analiza i|||analysis and|||     14      |||             17|||               13

e       ||| f        ||| count(f) ||| count(e)   ||| count(e, f) = count(f, e)

当计算条件概率时，使用相反的顺序，因为顺序在短语表中：

p(e|f) = p(e, f) / p(f) phrase translation probability 
p(f|e) = p(f, e) / p(e) inverse phrase translation probability