god bless us 为什么百度翻译是辛巴？ 第1页

先吐个槽，回答里没一个懂机器翻译的，更没一个有相关工业界经验的。无非是 diss 百度辣鸡嘛，有什么意思呢？然后开始正文，讲讲为什么会出现这种现象。

从算法上讲，@颜如玉 的答案没什么问题。现在还在商用的机器翻译系统基本上就两种：

• 统计机器翻译。主要应用在小语种上，针对平行语料数据量较少的情形。特点是翻译结果忠实度更高，流畅性不足。
• 神经网络机器翻译。随着平行语料数据量的增加，翻译质量会不断提高，因此主要用在各大主流语言上，特点是翻译结果流畅性很好，但忠实度不足，不耐噪音，例如输入的原文有一点小错误（引号不成对、有一个错别字等等）就可能会导致半句话从翻译结果里消失。

中英文都是大语种，再加上百度翻译的新闻稿，基本可以确定百度中英翻译使用的是神经网络机器翻译。除非你运气不太好，被百度 A/B 测试分到统计机器翻译的桶里去了；或者是神经网络机器翻译由于某种巧合出错了，系统返回了统计机器翻译的结果作为兜底。

但这个问题显然不是算法问题，而是工程问题。算法是需要平行语料训练的，数据从哪儿来？主要来源有：

       1、花钱买 2、自己标 3、公开数据集 4、爬虫爬     

1 要花钱，2 费时费力，3 各大厂商都可以用做不出来花，还剩啥？4。

爬虫怎么爬？一是直接找双语平行语料，例如有些机构的文章会用中英文双语写成（大多是篇章级别对齐的），爬下来以后再进行分段、分句、对齐，就得到了句级别的平行语料。二是找可比语料，例如我知道某个术语的中英文分别是什么，就去找它们的维基百科页面。虽然两个页面不一定互为翻译（往往英文页面的内容比中文页面丰富得多），但是常常能找到有一些句子是互为翻译的。把两个页面爬下来以后，再用现有的机器翻译系统或其他方法进行打分，置信度高的句对就认为是平行句对，可以加到训练语料中。

搜索“辛巴 god bless us”，可以找到一个豆瓣页面，里面有一行内容：

2011-08-05 10:10:19 辛巴 (god bless us)

所以……大概率是百度的爬虫把这位用户的用户名“辛巴”和个性签名"god bless us"当成平行句对加到自家的翻译系统里了。

同时，由于 God bless us 的翻译结果是正常的，我们还可以确定百度翻译的分词器是大小写敏感的（case-sensitive），而非先 lower case 再 recase。