百度翻译研发500天幕后：团队曾经迷茫一个月

【TechWeb消息】7月12日消息，继百度翻译6月30日上线后，其研发负责人日前披露了产品背后的故事。百度翻译由百度自主投入，历时一年多时间打造，也曾遭遇过长达一个月的迷茫期。　　去年组建顶尖机器翻译团队　　2010年初，百度组建了由世界级机器翻译专家王海峰博和吴华博士领衔的机器翻译核心研发团队。他们二人皆有着10年以上的机器翻译研发经验，曾成功开发过机器翻译产品，也曾在国际机器翻译评测中以绝对优势获得第一，并发表过数十篇高水平机器翻译论文。　　在王海峰和吴华博士的组织下，一个由3名正式员工和1名实习生组成的百度初始机器翻译核心研发团队成立。随后一年，团队展开了百度机器翻译的研发。　　调研、规划、语料抓取、训练工具、解码器等工作也由此全面铺开。　　曾经迷茫1个多月　　在百度做机器翻译，一个重要优势就在于，百度强大的海量计算平台和丰富的海量互联网数据处理经验，可以支撑机器翻译团队从海量互联网数据中挖掘超大规模的双语语料。　　随着工作的开展，双语语料数量也迅速增加，当达到1000万句对的规模时，团队成员们都十分振奋，从事机器翻译工作多年的他们，从未使用这么大规模的双语语料训练过系统。不过，当看到基于这1000万语料训练的系统的翻译结果时，大家一下子都沉默了，翻译质量远比预期要低！　　接下来的一个月，大家反复地分析、开发及实验，但又一次次陷入迷茫和困惑，大量被同行证明行之有效的方法一时间都失灵了，成功过滤的低质语料不足 10%。经过这个过程，大家逐渐看清了一点，解铃还须系铃人，要想有效处理与传统的文本数据差别非常大的互联网数据，还要更多地将传统文本处理技术与互联网技术相结合。　　于是1个月后，一套全新的互联网双语语料挖掘技术方案出炉了。基于这套技术，1000万句对被有效过滤到约400万。令大家兴奋的是，过滤过的400万语料训练出来的系统，其质量远远好于基于1000万句对训练的系统。新的互联网双语语料挖掘技术成功了。　　之后的时间里，高质量双语语料不断增加，翻译系统质量得以一路攀升。　　更本地化 擅长网络流行语　　仅仅一年多的时间里，百度翻译即以令业界惊叹的速度上线发布，并获得大量用户的肯定。与业界同类产品相比，百度翻译具有四大技术亮点：机器翻译核心技术、语料挖掘和过滤技术、海量计算技术、可靠的web前端技术。　　依托于百度在中文互联网技术上的优势，百度翻译尤其对中文网络语言有着独特的应对能力。如翻译“有木有、我勒个去、神马都是浮云”等网络流行语，百度都能准确翻译。从评测结果来看，百度翻译在应对日常用语和网络语言方面优势明显，尤其在翻译结果忠实反映原文语义及符合目标语言习惯这两项指标上表现出色。　　百度翻译相关负责人表示，期待更多用户使用体验和反馈，以不断提升翻译质量和产品功能。(天羽)