有没有关于giza++的教程？

Question

其“readme”文件中的Urls无效(http://www.fjoch.com/mkcls.html和http://www.fjoch.com/GIZA++.html)。有没有关于giza++的好教程？或者，是否有一些替代方案具有完整的文档？

Answer 1

以下内容摘自我为一堂课准备的教程。(注意:这里假设您已在*nix系统上成功安装了GIZA++-v2。)

1. 从两个数据文件开始，其中包含已标记化的平行句子，每行一个句子。例如，一对平行的英语-法语文件可能如下所示。

示例1- train.en

I gave him the book . 
He read the book . 
He loved the book .

示例2- train.fr

Je lui ai donne/ le livre .
Il a lu le livre .
Il aimait le livre .

1. 通过plain2snt.out运行这些文件，以获得目标和源词汇表文件(*.vcb)以及句子对文件(*.snt).

从GIZA++目录中，运行：

./plain2snt.out TEXT1 TEXT2

其中TEXT1和TEXT2是步骤1中描述的数据文件。

这将在与TEXT1和TEXT2相同的目录中生成四个文件(假设它们位于同一目录中)：

• TEXT1_TEXT2.snt
• TEXT1.vcb
• TEXT2_TEXT1.snt
• TEXT2.vcb

vocab文件包含文本中每个单词的唯一(整数) ID (NB:非标记化/词汇化)、单词/字符串以及该字符串出现的次数。这些字符由单个空格字符分隔。

句子文件包含数字。对于每个句子对，有三行:第一行是该句子对在语料库中出现的次数的计数，第二行和第三行是一个(空格分隔的)数字字符串，对应于词汇文件中的单词条目。根据*.snt文件的命名约定，假设第一个文件是源文件，第二个文件是目标语言。例如，在文件TEXT1_TEXT2.snt中，第一行将是第一个句子对在语料库中出现的次数的计数，第二行将是与TEXT1.vcb文件中的单词相对应的数字字符串，第三行将是与TEXT2.vcb文件中的单词相对应的数字字符串。

1. 现在可以将TEXT1.vcb、TEXT2.vcb和两个*.snt文件中的任何一个用作GIZA++的输入，以生成对齐。

例如：

./GIZA++ -s TEXT1.vcb -t TEXT2.vcb -c TEXT1_TEXT2.snt

但请注意，当我尝试运行此命令时，为了获得正确的输出，我必须将TEXT1_TEXT2.snt重命名为名称中不带下划线的名称。

Answer 2

这个Powerpoint教程对我很有效：http://www.tc.umn.edu/~bthomson/wordalignment/GIZA.ppt

Answer 3

这个非常有用：http://fabioticconi.wordpress.com/2011/01/17/how-to-do-a-word-alignment-with-giza-or-mgiza-from-parallel-corpus/

IIT-B学者已经为GIZA++和MOSES的设置和使用提供了良好和详细的演示文稿。

其中一些是：http://www.cse.iitb.ac.in/~pb/cs712-2013/potpouri/kashyap-giza-mozes-jan2013.pdf

http://www.cse.iitb.ac.in/~anoopk/publications/presentations/moses_giza_intro.pdf

http://www.cfilt.iitb.ac.in/Moses-Tutorial.pdf