双语语料

需要使用平行语料进行训练，例如，逐行对应的中文和英文语句（字幕组中英字幕等）

预处理

ref: http://blog.csdn.net/han_xiaoyang/article/details/10273221

滤除某些内容 滤除数字、日期、时间、网址等没有什么翻译意义的内容，可通过正则表达式进行处理。 中文分词 中文需要进行分词，可以采用传统基于词典的正向最大匹配法，来进行中文分词。 英文分词 英文主要是将大写字母改为小写字母等标准化，将某些标点符号与单词之间用空格分开。

词对齐

ref: http://blog.csdn.net/han_xiaoyang/article/details/10283995

不同语言之间的句子结构和语序都是不一样的，例如 今天天气真好 The weather is good today，需要对每一句话进行处理，做一个词对齐的操作，即额外记录下两种语言中同一个词的位置对应关系。

词对齐可使用GIZA++工具（是自动的过程，主要思想是观察发现两个词经常一起出现，则认为他们可以对应，参照 http://blog.csdn.net/dark_scope/article/details/8774000 ），GIZA++生成的是两个单向的词对齐结果（例如，中to英，英to中），可通过自己的方法进行词对齐对称化，即将两个单向的结果合并成双向的。

短语抽取

ref: http://blog.csdn.net/han_xiaoyang/article/details/10298821 http://blog.csdn.net/han_xiaoyang/article/details/10299787

仅仅有词与词的对应是不够的，需要更进一步抽取短语之间的对应，然后构建短语转移的概率。 通过这一步，得到了某个短语有多大概率翻译成另外语言中的某个短语。

进行翻译

ref: http://www.doc88.com/p-6751596228169.html

进行翻译的目标是，根据各种词和短语的对应关系，找出一种出现的可能性最大的翻译方式。 其中，有三个组成部分：①翻译模型：即上面某个短语翻译成另外语言中的某个短语的概率，②调序模型：即需要适当调整翻译后的语序，③语言模型，即n元组，看看翻译后的语言是否是通顺自然的表达。

上面过程可以生成翻译模型和调序模型，语言模型可通过其他方式生成。

通过beam search的方式，简化穷举的个数，避免过大的计算。

效果评价

BLEU http://blog.csdn.net/qq_31584157/article/details/77709454

实际案例

东北大学 NiuTrans统计机器翻译系统 参照其各个步骤，可以了解一下如何制作一个基于统计的翻译系统。 http://nlplab.com/NiuPlan/NiuTrans.ch.html http://nlplab.com/NiuPlan/NiuTrans.Phrase.ch.html