1、這篇論文的工作專注于提高基于層次短語的翻譯模型的重排性能。主要包括三個方面：
　　一是提出了一個新穎的方法來裁剪已有對齊模型中錯誤的功能詞對齊。翻譯模型是在詞對齊的平行語料上學習的，所以詞對齊質量對翻譯質量起決定性作用。功能詞在不同的語言中不像實詞一樣具有明確的對應關系，實詞的錯誤對齊可以通過詞對本身識別，但是功能詞對齊的正誤要依靠上下文來判斷。所以功能詞對齊質量通常比實詞的對齊更差，并且錯誤的功能詞對齊更多的會影響重排性能。我們

2、的方法首先利用功能詞的特殊性質包括各種單語和雙語的頻率統(tǒng)計數(shù)據(jù)來識別功能詞。對于一個功能詞的對齊，如果與這兩個功能詞句法相關的實詞不存在對齊關系，此功能詞對齊就會被裁掉。我們通過提高功能詞對齊的精度來改善重排性能。
　　二是引入了一個簡單有效的翻譯區(qū)間學習模型。在平行的句對上，根據(jù)詞對齊結果如果在源語言句子某一區(qū)間上可以抽離短語翻譯規(guī)則，那么這個區(qū)間就是翻譯區(qū)間。換句話說，翻譯區(qū)間就是在翻譯過程中可以被應用翻譯規(guī)則的區(qū)間。當把翻譯

3、規(guī)則應用到非翻譯區(qū)間的源語言區(qū)間上時會引起不正確的重排。此模型從對齊的平行語料上訓練獲得然后用于解碼時為輸入的句子預測翻譯區(qū)間。我們提出的模型是第一個用于直接學習翻譯區(qū)間的統(tǒng)計模型。
　　三是設計了一個高性能的詞重排模型。我們用一系列的子模型為不同距離的源語言詞對進行重排。實驗和分析展示了只有對短距離詞對重排的模型能夠明確的提高翻譯性能。對比之前的用一個統(tǒng)一模型來學習所有詞對的重排，我們的模型學習過程會高效得多。所以我們能利用更多