从日语源估计英语翻译单词数量的算法

Question

我试着想出一种方法来估计从日语翻译出来的英语单词的数量。日语有三个主要的脚本-- 康吉、海拉加纳和片假名 --每个脚本的平均字符与单词的比率不同(汉字最低，片假名最高)。

示例：

• 计算机:コンピュータ(片假名-6个字符)；計算機(汉字:3个字符)
• 鲸鱼:くじら(Hiragana -- 3个字符)；鯨(汉字:1个字符)

作为数据，我有大量的日文词汇和他们的英语翻译，和相当大的匹配的日语源文件和他们的英语翻译。我想出一个公式来计算源文本中Kanji，Hiragana和Katakana字符的数量，并估计这可能变成的英语单词的数量。

Answer 1

我从线性近似开始：approx_english_words = a1*no_characters_in_script1 + a2 * no_chars_in_script2 + a3 * no_chars_in_script3，系数a1，a2，a3，用线性最小二乘法拟合数据。

如果这不是很好的近似，那么看看最坏的情况，因为他们不适合(专门的词汇，等等)。

Answer 2

以下是Borland (现在的Embarcadero)对英语和非英语的看法：

英文字符串的长度(以字符为单位)

Expected increase
1-5      100%
6-12      80%
13-20     60%
21-30     40%
31-50     20%
over 50   10%

我想你可以把这个(经过一些修改)应用于日语以外的非日语。

您可能需要考虑的另一个因素是语言的语气。在英语中，指令是祈使句，就像在“按OK”中一样。但在日语中，祈使句被认为是粗鲁的，你必须用敬语(或keigo)来表达指示，就像在“OKボタンを押してください”中那样。

小心三个字母的汉字组合。许多大字可以翻译成三个或四个字母的汉字组合，如国際化(国际化:20个字符)、高可用性(高可用性:17个字符)。

Answer 3

嗯，它比名词中的字符数要复杂一些，例如，与英语相比，日语也有一个不同的语法结构，所以某些句子会在日语中使用更多的单词，而其他的则会使用较少的单词。我不太懂日语，所以请原谅我以韩语为例。

在韩语中，句子往往比英语句子短，这主要是因为用上下文来填空所缺的单词会缩短句子的长度。例如，说“我爱你”可以和사랑해一样短("sarang“，简单地说是动词" love ")，或者只要完全限定句저는당신을살앙해요(I topic you topic you object love谓词+礼貌修饰语)。在一篇文章中，它的书写方式取决于上下文，而上下文通常是由段落前面的句子设置的。

无论如何，有一个算法来真正知道这类事情将是非常困难的，所以你可能会更好，仅仅使用统计。你应该做的是，在已知的日语文本和英语文本具有相同含义的情况下，使用随机样本。样本越大(越随机)越好.虽然如果它们真的是随机的，那么你已经超过几百次也不会有太大的区别。

现在，另一件事是，这一比例将完全改变的文本类型被翻译。例如，高技术文档的日文/英文长度比敏感小说高得多。

至于简单地使用你的逐字翻译词典--这可能行不通(而且很可能是错的)。同一词并不是每次在不同的语言中都翻译成同一个单词(虽然在技术讨论中发生的可能性要大得多)。例如，美丽这个词。我不仅可以用韩语指定一个以上的词(也就是有选择)，而且有时我会失去这个选择，就像在句子中(食物很美)，我的意思不是食物看起来很好。我的意思是它味道很好，我选择翻译这个词就变了。这是一个非常普遍的情况。

另一个大问题是最佳翻译。一些人真的很擅长的东西，和电脑更糟糕的东西。每当我校对了一份从另一篇文章翻译成英文的文件，我总能看到各种方法来把它剪得更短。

所以，尽管有了统计数据，你可以计算出一个很好的翻译长度的平均比例，但是如果所有的翻译都是最佳的话，这将是非常不同的。