摘要：随着网络的广泛应用和科技的高速发展，人们所接收信息急剧增加，机器翻译面临强大的市场需求。从现存文本资料中提取语言模型，是整个机器翻译系统的重点，决定了翻译系统的性能表现。用于特定领域的文本翻译系统，往往受到相关文本缺少的困扰，无法通过大规模语料库的建设来训练语言模型，由此而产生了严重的数据稀疏问题。通过实验研究了受限语料库下语言模型平滑算法的选择。实验结论表明，在语料库极度受限的情况下，Good-Turing能够发挥其低频词汇重估优势，良好解决训练语料库的数据稀疏问题。通过该方法，可以提高在语料受限条件下语言模型的性能。

原文链接:http://www.cqvip.com//QK/96101X/201012/36316486.html

送人玫瑰，手留余香~如您已下载到该资源，可在回帖当中上传与大家共享，欢迎来CDA社区交流学习。（仅供学术交流用。）