机器翻译常见错误类型总结_x0002_.doc

1、1机器翻译常见错误类型总结 1- CWMT2013 机器翻译人工评测结果再分析赵红梅 刘群中国科学院智能信息处理重点实验室 中科院计算所 北京 100190E-mail：zhaohongmei, 摘 要：本文在 CWMT2013 人工评测的基础上，对人工评测中有关错误类型的评测结果进行了总体分析，重点、细致地分析和统计了英汉机器翻译最常见的几种错误类型以及产生这些错误的原因等，同时深入分析和比较了基于规则的系统和基于统计的系统在这几种错误类型上的表现差异，旨在更全面、深刻地揭示机器翻译目前存在的主要问题，进而为机器翻译系统质量的提升提供较为全面、客观、细致的数据参考。关键字：机器翻译、常见错误

2、类型、译文选词错误、实词译文缺失、词序不对、译文和原文意思相反Common Error Analysis of Machine Translation OutputHongmei Zhao and Qun LiuKey Lab of Intelligent Information Processing of Chinese Academy of Sciences (CAS), Institute of Computing Technology, CAS, Beijing 100190, China E-mail：zhaohongmei, Abstract: Based on the manua

3、l evaluation for the 9th China Workshop on Machine Translation, this paper gives a further detailed analysis and statistics on several common error types appearing in the generated translations, and discloses the main sources of these errors. Meanwhile, this paper also presents the performance diffe

4、rences on each common error type between rule-based MT system and statistical MT system. Keywords: Machine translation, common error type, incorrect words, missing content words, wrong word order, translation with the meaning contrary to the original.1 引言第九届全国机器翻译研讨会（CWMT2013）机器翻译评测在英汉和维汉新闻机器翻译项目上设置

5、了人工评测。人工评测采用由参评单位参与的“众包”的方式。每个评测结果分别由三位评测者从忠实度和流利度两个方面进行打分。同时还要求评测者对所打分的句子进行错误分析，即对以下选项进行单选或多选：1）译文选词错误；2）实词译文缺失；3）词序不对；4）译文和原文意思相反；5）命名实体问题；6）数量词/时间词问题；7）其它错误； 8）没有错误。最终评测结果表明：在两个项目上，前三种错误类型最为常见。关于CWMT2013 人工评测的具体内容请参考CWMT2013 机器翻译评测报告赵红梅等，2013 。本文作者在以上人工评测的基础上，分别对基于统计和基于规则的英汉机器翻译系统的译文进行分析。重点抽样考察了被

6、判断有上述前四种错误的机器翻译译文。针对这些译文的错误展开了进一步的分类和统计，揭示了这些错误发生的原因，以期能更全面、细致地了解机器翻译的现存问题，从而为业界同行改善机器翻译系统质量提供有意义的数据参考。2 错误类型的确立及定义作者在确立错误类型方案之前，特意对不同翻译方法/模型的英汉机器翻译译文进行了实际的错误分析和统1基金项目：国家自然科学基金（61379086）2计，并参考以往研究工作的知识和经验、英汉和维汉机器翻译的具体特点以及研究者们比较关心的错误类型等，制定了英汉和维汉人工评测错误类型分类方案。方案出来后经过几位专家的认真讨论而最终得以确立。对于七种错误类型以及“没有错误”的判断

7、，我们分别定义如下：1) 译文选词错误：指原文单词有对应译文，但译文错误或者不准确；2) 实词译文缺失：指缺少应有的实词译文，主要包括以下几种情形：1 译文消失：指实词原文缺少必须翻译出来的相应译文；2 原文照搬：实词译文为不符合翻译要求的原文照搬；3 省略未译：没有根据翻译需要翻译出原文中省略的实词。3) 词序不对：指原文中有的单词或单词串的意思虽然翻译出来了，但在译文中出现的位置不正确，导致译文不流畅或令人费解；4) 译文与原文意思相反：指译文有的单词或单词串的含义与原文完全相反，这是在信息传递中最不能让受众接受的错误之一；5) 命名实体问题：指原文中的命名实体（包括人名、地名、机构名、组

8、织名等）翻译有错误或没有翻译；6) 数量词/时间词问题： 指原文中的数量词或时间词翻译有错误或没有翻译；7) 其它错误：我们把译文中出现的不属于上面任何一类的错误均归为“其它错误” ，在评测打分工具中，鼓励评测者对此类错误进行简单的书面描述。以上七种错误中，前三种类型是比较概括的类型。实际上，一般翻译错误主要属于这三大类型（“出现多余译文”的错误很少，故我们没有加进来。虚词缺失的现象一般也不明显，所以我们只重点关注了“实词译文缺失”）。其后的三种错误类型则主要是研究者们一直比较关注和重视的错误类型。除了“译文与原文意思相反”以及“数量词/时间词问题 ”之外，我们的错误类型分类以及最常见的几种类

9、型在评测提交译文中出现的错误比例与国际上其他同行的机器翻译错误分类David et al., 2006; Ariadna et al., 2005及评测结果David et al., 2006是基本一致的。在人工评测的实际操作中，我们允许评测者在对译文打分时采用多选的方式，这是因为一个句子可能包含多种错误，而且前六种错误类型并不是相互独立的，前三种和后三种之间有可能存在交叉，比如“命名实体问题”就有可能同时属于“实词译文缺失”或者 “译文选词错误”或者“词序不对”。8) 没有错误：指译文与原文意思完全吻合，译文表达完整，挑不出错误。我们在对人工评测结果进行统计时人为规定：只有当三个评测者对某一

10、句话都判断为“没有错误”时，才记之为“没有错误” 。3. 错误类型评测结果的粗分析在对评测结果进行分析之前，我们先定义以下四个概念：1） 词错率词错率 = 实错词数 / 总词数其中，实错词数是指一段原文中发生某类翻译错误的单词个数，总词数是指这段原文的单词总数。2） 句错率句错率 = 实错句数 / 语料规模其中，实错句数是指一段语料中实际发生某类翻译错误的句子数量，语料规模是指这段语料的句子总数。CWMT2013 机器翻译评测英汉和维汉的人工评测语料规模为 500 句（内容分别选自 CWMT2011 的英汉新闻测试语料和 CWMT2013 的维汉新闻测试语料） 。每个句子都由三名评测者分别进行

11、打分。这样对一个系统来说，每类错误出现的最大频次为 500*3 次，而每类错误的实错句数最多为 500 句（语料规模） 。3）判断一致性句错率的大小除了受语料本身的影响，还受评测者判断一致性的影响，如果不同评测者判断分歧大、判断一致性低的话，句错率可能会产生虚高的现象。而某类错误出现的频次与其实错句数的比例越高，说明评测者对该错误类型判断的一致性越高（此次评测中最高值为 3） 。我们将这个比例进行归一化处理（即除以每句被判断的次数，此次评测为 3） ，得到的比值便可作为评测者对错误类型判断一致性的衡量指标（简称为“判断一致性” ）：3判断一致性 = 错误频次 / （实错句数 * 判断次数）4）

12、误判率人工评测存在一定的主观性，也可能会出现一些判断失误的情况，在重新检查人工打分情况时，我们将被误判为某一错误类型的句数与被判断为该类错误的总句数的比值，作为衡量该错误类型判断准确性的一个指标：误判率 = 被误判为某类错误的句数 / 被判为该类错误的总句数本小节错误类型分析中的句错率数据是建立在 CWMT2013 机器翻译人工评测基础上的一种粗分析数据。“粗”的原因是：1) CWMT2013 人工评测是以句而不是以词为单位，所以涉及到词的错误被放大到句子一级了，比如“译文选词错误” 、 “实词译文缺失”等，显然结果被严重放大了；2）人工打分的误差因素没有考虑进来。所以本小节涉及的句错率数据仅

13、具有相对意义，更深入细致的分析数据请参考第 4 节的内容。3.1 不同项目错误类型的表现差异此次人工评测各错误类型的句错率及判断一致性如表一。表一 CWMT2013 机器翻译评测英汉和维汉项目各错误类型的句错率及判断一致性英汉 维汉判断类型出现频次 实错句数 句错率 判断一致性 出现频次 实错句数 句错率 判断一致性译文选词错误 9212 4056 0.90 0.76 8081 3839 0.85 0.70 实词译文缺失 6436 3297 0.73 0.65 8536 4006 0.89 0.71 词序不对 6094 3158 0.70 0.64 3008 2136 0.47 0.47 译文

14、与原文意思相反 744 570 0.13 0.44 248 205 0.05 0.40 命名实体问题 2005 1343 0.30 0.50 1540 1000 0.22 0.51 数量词/时间词问题 468 319 0.07 0.49 677 490 0.11 0.46 其它错误 1040 936 0.21 0.37 148 141 0.03 0.35 没有错误 177 59 0.01 1 342 114 0.03 1注：1)“没有错误”类的“实错句数”及“句错率”应为 “实际句数”与“出现比例” ；2) 英汉和维汉项目各有 9 个系统参加 CWMT2013 机器翻译人工评测。从表一可以看出

15、：1) 在英汉和维汉两个项目上， “译文选词错误” 、 “实词译文缺失”和“词序不对”均为最常见的错误类型；2) 三个最常见的错误类型中，除了维汉项目的“词序不对”之外，评测者的判断一致性均高于或接近于0.66，这意味着在这三个错误类型上，三位评测者中差不多有两人意见是一致的，也就是说这样的错误类型判断是基本可靠的；3) 维汉新闻“词序不对”的句错率大大低于英汉新闻。通过后面的分析以及请教从事机器翻译的维族老师，我们发现：英文中存在位于中心词后面的修饰词（定语和状语） ，而汉语译文要求修饰词位于中心词之前，这二者词序不一致是导致英汉“词序不对”句错率偏高的主要原因。而维语中基本不存在这个问题（

16、维文中修饰成分一般位于中心词前面，与汉语一致） 。另外，尽管维文是主宾谓（SOV）结构，与汉语的主谓宾（SVO）结构不同，但是借助于统计机器翻译的语言模型，能够较好地解决维汉两种语言主谓宾结构不一致的问题，所以相对来说，维汉翻译中“词序不对”的错误较少；4) 维汉新闻“实词译文缺失 ”的句错率明显高于英汉新闻，这应该与两个因素有关： 1 英汉新闻项目评测组织方提供的训练语料规模为 500 万句对，而维汉新闻项目的训练语料规模仅为 11 万句对，二者相差悬殊；2 维语的词语形态变化比英语更为复杂丰富。43.2 不同翻译方法/模型错误类型的表现差异3.2.1 不同翻译方法/模型的总体表现差异表二中

17、给出了每个项目人工评测得分最高的前五个系统。其中，忠实度和流利度的评测打分采取五分制，具体打分标准和计算办法请参考CWMT2013 机器翻译评测报告赵红梅等，2013 。从表二中可以看出：1）基于规则的系统在英汉新闻项目的人工评测忠实度指标上具有一定的优势；2）基于统计的系统中，采用系统融合方法的系统（系统融合系统）得分高于层次短语系统，层次短语系统得分高于短语系统。表二 CWMT2013 不同机器翻译方法/模型的人工评测结果（前五）英汉新闻 维汉新闻系统 忠实度 流利度 系统 忠实度 流利度EC 规则系统 3.26 3.01 UC 系统融合系统 3.42 3.11 EC 系统融合系统 3.1

18、1 2.97 UC 层次短语系统 A 3.30 3.03 EC 层次短语系统 A 3.00 2.86 UC 层次短语系统 B 3.12 2.83 EC 层次短语系统 B 2.98 2.80 UC 短语系统 A 3.12 2.82 EC 短语系统 2.93 2.76 UC 短语系统 B 3.10 2.77 3.2.2 不同翻译方法/模型在错误类型上的差异我们仍以表二中列出的每个项目的前五个系统为例，图一和二给出了每种不同的方法/模型在每类错误上的句错率（如果同一项目上两个系统采用的是同一种翻译模型，则给出的是二者句错率的平均值） ，从图二中可以看出：英汉项目中规则式机器翻译系统“实词译文缺失”的

19、比例明显低于统计式机器翻译系统， “其它错误”的比例则大大高于统计式机器翻译系统，在“译文选词错误”和“命名实体问题”上规则式系统不具备优势。图一 英汉机器翻译不同翻译方法/模型句错率的对比图5图二 维汉机器翻译不同翻译方法 /模型句错率的对比图4 英汉新闻项目四种错误类型的进一步分析4.1 译文选词错误4.1.1 同一段语料不同系统的“译文选词错误”对比作者任意选取了英汉新闻项目测试集中一段语料对采用不同方法的机器翻译译文进行考察，此段语料（简称为 A 语料）原文共有 51 句（含 1224 个单词） ，规则系统和系统融合系统在此段语料上分别有 50 句（含 1205个单词）和 47 句（含

20、 1109 个单词）有“译文选词错误” ，表三和四给出了针对这两个系统这些语句存在的“译文选词错误”的具体分类统计。作者根据分析的具体情况，将所有的“译文选词错误”按产生的原因分为以下几类：1）消歧错误：此类错误是指词本身存在歧义，机器翻译在歧义词的译文选择时出现了错误。如：原文：The soldiers took bin Ladens body with them. 机器译文：(这些)士兵带上本拉登的身体; 遗体. 此例中， “body”有“身体” 、 “尸体”和“遗体”等多种译文，机器应当选择“尸体” 。上例为此次参评的规则系统的译文，该系统的消歧策略之一是：当很难解决词的歧义问题时，系统

21、就采用中括号的方式将多个译文用分号并列呈现。不过，作者在进行译文错误分析时只参考中括号内的第一个译文。2）兼类错误：此类错误是指原文单词的兼类现象造成的译文错误。如：原文：Environmental scientist Chris Bowser pulled a tiny shrimp-like creature from the muck in an eel trap as teenagers in chest waders surrounded him in the rushing Fall Kill, where they were collecting transparent baby

22、 eels.机器译文：环境学家克理斯加油车作为青少年的箱子;胸部拉一种微小类似小虾的来自一条鳝鱼 困住;引诱的凑钱的生物涉水者;高统靴 秋季在慌乱中包围他引起死亡 ,他们(在)哪里;那里(正在) 收集透明幼小的鳝鱼.参考译文：环境科学家克里斯鲍泽将一条小虾一样的生物从鳗鱼陷阱的淤泥中拉出来,而穿着及胸防水裤的几位十几岁的青少年正围着他站在名为 Fall Kill 的湍急的溪流中,他们正在这里收集透明的鳗鱼幼崽。此例中的 trap 应该翻译成它的名词形式（译文为“陷阱” ） ，但误译为其动词形式“困住;引诱 ”。3）固定搭配错误：此类错误是指原文中存在的固定搭配所造成的译文翻译错误。错误表现在：

23、有的是将固定搭配按单个单词拆开进行翻译，有的是固定搭配本身有歧义导致翻译错误，还有的是不应该理解成固定搭配却被当作固定搭配来翻译，等等。如：原文：If she lives as long as her mother she could go another 15 years, 16 years, which will put Charles around about 78, Dickie Arbiter, former press secretary to the Queen, told the Royal Diary.机器译文：“如果她能去生活,只要她母亲的另一个 15 年, 16 年来,将

24、“查尔斯大约有 78 迪基自己的仲裁者、前新闻秘书告诉皇家日记。as long as 在此句中不应当作固定搭配。原文：On Friday, President Obama gave the order for the U.S. military to carry out the mission to take out Osama 6bin Laden.机器译文：上周五,奥巴马总统命令,美国军方执行本拉登拿出来的任务。take out 在此句中应该译为“除掉” 。由于固定搭配涉及到几个单词，作者考察了部分固定搭配的翻译情况，发现组成固定搭配的单个单词一般翻译都不正确，所以我们在统计固定搭配的“出

25、错词数”时按它们所涉及的单词总数来计算。表三 规则式系统在 A 语料上“译文选词错误”的分类统计错误类型 词错率 具体分类 出错词数 词错率 举例名词 39 0.032 protocals, body, scales动词 15 0.012 see, follow, started, promoting命名实体 9 0.007 Bowser， Reyes-Bravo，Pastor，ICC形容词 6 0.005 most, prospective, common, accepted副词（WH 词） 4 0.003 what, when, where, whatever副词（普通） 1 0.001

26、globally介词 4 0.003 off, as, with, to消歧错误 0.064连词 1 0.001 so固定搭配错误 0.012 15 set their minds, take out，one-day runs（6 个）兼类错误 0.003 4 trap总 0.079误判句数 9 误判率 9/50=18%表四 系统融合系统在 A 语料上“译文选词错误”的分类统计错误类型 词错率 具体分类 出错词数 词错率 举例名词 34 0.028 capital, awareness, compound, match动词 20 0.016 started, banned, practicin

27、g, engaging命名实体 7 0.006 人名:5 国名:1 缩写:1形容词 4 0.003 relevant, rushing, common副词（WH 词） 2 0.002 who, where副词（普通） 1 0.001 after介词 1 0.001 for消歧错误 0.059连词 2 0.002 after固定搭配错误 0.016 19 brings together, as long as, take out（ 8 个）兼类错误 0.001 1 vowed总 0.076误判句数 9 误判率 9/47=19%4.1.2 不同语料同一系统的“译文选词错误”对比为了研究不同的语料对

28、“译文选词错误”造成的影响，作者在系统融合系统的翻译结果中选择了另外一段语料（原文 60 句，共 1218 个单词，简称 B 语料） ，系统融合系统在此段语料中有 50 句（含 1089 个单词）出现“译文选词错误” 。表五给出了系统融合系统在这段语料上“译文选词错误”的分析情况。表五 系统融合系统在 B 语料上“译文选词错误”的分类统计7错误类型 词错率 具体分类 出错词数 词错率 举例名词 17 0.014 American, British, anyone动词 14 0.011 Dominated，betting，crumble命名实体 2 0.002 Discover，Ridgelin

29、e形容词 9 0.007 deepest, anal, thinning副词（WH 词） 1 0.001 what副词（普通） 1 0.001 secondarily介词 1 0.001 by消歧错误 0.037连词 0 0.000 固定搭配错误 0.019 23 letslide, knock off, given way to（10 个词组）兼类错误 0.003 4 what, as, perfect, barrel总 0.059 误判句数 8 误判率 8/50=16%各种不同原因造成的不同语料、不同翻译系统的“译文选词错误”的词错率还可以参考图三。从表三、表四、表五和图三可以看出：1）

30、“译文选词错误”的词错率随语料的不同而发生变化，在以上两段语料中为 5%8% 左右；语料不同，不同原因造成的错误分布也不相同，语料对错误原因分布的影响比翻译方法的影响更大。2）在“译文选词错误”产生的原因中，词的歧义占大多数，其次是固定搭配；3）词的歧义错误主要来源于名词和动词这两大类，名词歧义造成的错误比动词歧义更多；4）相对于统计系统，规则系统的“消歧错误”和“兼类错误”更多，而“固定搭配错误”较少（这应该与规则系统自带较成熟的知识库有关） ，规则系统在“译文选词错误”上不具备优势；5）此类错误误判率为 16% 19%。图三 各种不同原因造成的不同语料、不同翻译系统的“译文选词错误”的词错

31、率4.2 实词译文缺失作者任意选择了英汉测试集原文的一段连续语料（共 75 句，1502 个单词，简称语料 C）来考察不同机器翻译系统的“实词译文缺失”错误。在这段语料中，规则系统和统计式系统（仍以系统融合系统为例）分别有48 句（共 1105 个单词）和 50 句（共 1092 个单词）被判断有“实词译文缺失”的错误。我们仍然以有译文缺失的原文实词的单词数与这段语料的单词总数（即 1502，为方便计算，作者在此处没有采用这段语料中实词的总数，这样计算的“实词译文缺失”的词错率比实际的的词错率略低）的比值作为“实词译文缺失”的词错率。我们考察的“实词译文缺失”错误主要有以下几类：81）译文消失

32、：单词有原文，无译文，且翻译要求译文必须出现；2）原文照搬：单词有原文，有原文形式的译文，但不符合一般翻译要求。该类又分为命名实体（简称“原文照搬-NE ”）和普通词（简称“原文照搬-OD” ）两个小类；3）省略未译：单词原文省略，无译文，但翻译要求译文翻译出原文中省略的词。表六 规则式系统在语料 C 上“实词译文缺失”错误的分类统计判断情况词错率 具体分类缺失词数 词错率举例及说明（第一行为原文，第二行为机器译文，第三行括号内容为错误说明）原文照搬-NE 17 0.011 原文：Are Beyonc and Co. to blame?Beyonc 那帮家伙应负责任吗 ?. .（Beyonc

33、碧昂丝，有此类错误的词包括人名 14 个，地名 2 个，车名 1个）原文照搬-OD 3 0.002 And there was no lack of self-lovin in the 80s.没有缺乏自身-lovin在 80 年代.正确判断 0.014省略未译 1 0.001 Tornadoes devastate South, killing at least 290龙卷风摧毁南方,杀害至少 290 个.（译文缺量词“人 ”）译文选词错误 15 0.010 Brain types booze more - are you surprised?大脑类型狂饮更多-你感到吃惊( 吗)?. .可不

34、译 7 0.005 In addition to Sundays television broadcast , Logan will also appear in an interview on 60 Minutes webcast, 60MinutesO.除了星期天的电视广播以外,洛根也将在 60 分钟的网络广播上出现在一次面试;采访, 60MinutesO.（有此类错误的词包括公司的网站名 6 个，如 Facebook，链接 1 个）误判词序不对 5 0.003 She reported without incident for nearly an hour before her inte

35、rpreter heard words in the Arabic-speaking crowd that gave him pause.她在她的翻译之前没有遇到麻烦报告近一个小时在讲阿拉伯的人群(其使他停下来想一想)里听见言语.误判句数 27 误判率 27/48=56%表七 系统融合系统在语料 C 上“实词译文缺失”错误的分类统计判断情况词错率 具体分类缺失词数 词错率举例及说明（第一行为原文，第二行为机器译文，第三行括号内容为错误说明）译文消失 9 0.006 The decision is made in a short story in “Action Comics“ No. 900.

36、这一决定是在很短的故事在“漫画行动” 900 号。（原文 made 的译文消失）原文照搬-NE 13 0.009 Last year, he launched the Thiel fellowship, which gives grants as large as $100,000 to 20 tech entrepreneurs who drop out of college by age 20 to pursue their own ideas.去年,他发起了 Thiel 奖学金,资助 10 万至 20 万美元大科技企业家大学辍学的 20 岁前去追求自己的想法。（有此类错误的词包括 11

37、个人名，2 个地名）正确判断 0.018原文照搬-OD 4 0.003 And there was no lack of self-lovin in the 80s.9通过表六和表七我们可以发现：在本段语料中，1） “实词译文缺失”的词错率为 1.4%1.8%；2） “实词译文缺失”类错误中，命名实体没有得到正确翻译的占较大比重，这个现象在规则系统中更为明显（词错率为 1.1%） ；3） 统计系统中“译文消失”的词错率较高（0.6%） ，而规则系统没有发现此类错误；4） “实词译文缺失”类错误误判率较高，为 46%56%。4.3 词序不对作者任意抽取了英汉测试集中的一段语料（共 83 句，含

38、1750 个单词，简称语料 D）考察“词序不对”错误。在这段语料中，规则系统和统计式系统（仍以系统融合系统为例）分别有 47 句（1199 个单词）和 50 句（1282 个单词）被判断为“词序不对” ，作者通过考察发现这两个系统被误判的句数分别为 8 句和 7 句(即实际出错句数分别为 39 和 43 句) ，由此计算出误判率分别为 17%和 14%。由于“词序不对”可能涉及到句子的多个部分，不方便计算词错率，所以只能计算规则系统和统计系统在这段语料上“词序不对”的句错率，分别为47.0%和 51.8%。通过对这些错句的逐个分析，作者发现规则系统和统计式系统分别有 66 处和 69 处“词序

39、不对”错误（有些句子存在多处“词序不对”的错误） 。表八和九中的比例为各分类在“词序不对”错误中所占的比值。在错误分析过程中，我们借鉴了 David Vilar 等人的做法David et al., 2006，为每个词序错误区分了两个维度：1）错误长度：发生词序错误的长度，这个长度只取两个值：单词或者词串；2）错误距离：发生词序错误的词离正确位置的距离，这段距离只取两个值：长距离或者短距离。长短距离没有绝对的界限，作者的定义是：如果词序只是在同一个简单的语法成分中发生错位（比如：在没有较复杂修饰关系的名词词组内部） ，就称之为短距离词序错误，反之就是长距离词序错误。具体的统计结果请见表十。另外

40、，状语除了语法分类外，还增加了语义分类（区分了时间、地点和其它） 。作者在分析“词序不对”的错误时，具体分到哪一子类，主要依据：1）词序错误产生的原因；2）发生词序错误的词/词串在句中所担任的语法成分或者结构。大部分情况下这两个依据是一致的，小部分情况下二者不一致，这时作者一般将词序发生错误的原因作为分类的依据，如下例：原文：The way you design and maintain your home could play a role in whether you pack on the pounds or keep them off. 机器译文：你设计并且维持 ;坚持你的家( 庭)的

41、生活方式能在你是否储存(这些)( 英)镑中起着作用或避开他们.上例中发生词序错误的部分是“play a role”，但是发生错误的原因是 “or”导致的结构歧义，所以我们将这个词序错误归为“其它”错误中的“and/or”类。在 80 年代,就不缺少 self-lovin 。（ self-lovin 未译）译文选词错误 12 0.008 Why do smart kids grow up to be heavier drinkers?为什么聪明的孩子长大成为较重的饮酒者?可不译 6 0.004 Facebook may be bigger, but it “doesnt have the foc

42、us on coupons or local business relationships“ to knock off Groupon or LivingSocial.Facebook 可能会更大,但并没有把焦点放在券或本地业务关系”要减掉Groupon 或 LivingSocial 。（有此类错误的词包括 6 个公司网站名，如 Facebook）误判词序不对 5 0.003 Lara Logan breaks silence on Cairo assault拉拉劳根打破沉默的开罗攻击误判句数 23 误判率 23/50=46%10表八 规则系统在语料 D 上“词序不对”错误的分类统计分类 频次

43、 比例 具体分类 频次 举例及说明（第一行为原文，第二行为机器译文，第三行括号内容为错误说明）介词结构 15If your kids seem to be saying “I“ and “me“ with excessive frequency these days, you may want to check their iPods.如果你的小孩似乎说我和我带着 ;用过度频率目前,你可能想检查他们的 iPod.状语从句 4 who soon became separated from her team and bodyguard as the crowd swept her up.(其 马上

44、;不久与她的团队和保镖失散) 随着人群席卷她.其它 6 Logans story will be broadcast on “60 Minutes“ this Sunday, May 1 at 7 p.m. ET/PT.洛根的故事将在 60 分钟被广播这星期天,5 月 1 日下午 7 点 ET/PT.时间 10 略地点 2 略状语 25 0.38 其它 13 略定语从句 7But at least hes “challenging the cultural assumptions that cause a lot of people to make bad life decisions.“ 但

45、至少他(正在) 挑战文化假设( 致使许多人( 们)做糟糕的生活决定的). .介词结构 3 Instead of focusing on items like discounted clothing, 与其;非但不 像对服装打折扣一样集中在;关注项目;条款;产品,定语 18 0.27 其它 8Plus, Deals will create “real-world, non-virtual“ uses for Facebooks online currency called Credits.另外,交易将建立“真实世界,非虚拟”的用途的 Facebook 的在线货币叫做信贷。命名实体词组 7says

46、 Satoshi Kanazawaat at Psychology Today. 在心理学上 SatoshiKanazawaat 今天说.(此类错误包含人名 4 个，杂志名 2 个，会议名 1 个）标点 4Plus, Deals will create “real-world, non-virtual“ uses for Facebooks online currency called Credits.并且,交易将建立现实世界,因为 Facebook 网站(脸谱网) 的在线货币非虚拟的使用叫信任;荣誉;契约.(此处是 real-world 后的逗号引起的结构歧义。这类错误包括逗号、破折号带来的

47、结构歧义以及成对引号的利用问题）and/or 3but it “doesnt have the focus on coupons or local business relationships“ to knock off Groupon or LivingSocial.但是它没有对优惠券的关注或关系击败高朋团购或 LivingSocial 的 当地企业.（and/or 导致的结构歧义）其它结构歧义 3The death toll from Wednesdays storms seems out of a bygone era, 星期三的暴风雨的死亡人数由于远古时代好像发生了,（包括介宾结构做表

48、语被误分析为状语 2 例，双宾结构 1 例）主语相关 2Its smart for Facebook to emphasize social experiences rather than just compete to offer the deepest discounts,对 Facebook 网站(脸谱网)来说是聪明伶俐的强调社会经验而不是刚刚 ;只是竞争提供给高折扣的,（包括主语从句、主语的补充说明 2 例）其它 23 0.35其它 4 Firefighters searched one splintered pile after another for survivors Thursday,消防人员在(在) 星期四另外一个幸存者之后搜索一裂成碎片的绒毛;堆,