minor updates of section 4

Book/Chapter4/Figures/example-of-translation-black-tea-2.tex

@@ -33,8 +33,8 @@
 
 
 \begin{pgfonlayer}{background}
 \begin{pgfonlayer}{background}
 {
 {
-\node [rectangle,draw=red,thick,inner sep=0.2em,fill=white,drop shadow] [fit = (t3) (t4)] (problemphrase) {};
-\node [anchor=north,red,text width=8em,align=left] (problemlabel) at (problemphrase.south) {\begin{spacing}{0.8}\scriptsize{``红 茶''为一种搭配，应该翻译为``black tea''}\end{spacing}};
+\node [rectangle,draw,thick,inner sep=0.2em,fill=white,drop shadow] [fit = (t3) (t4)] (problemphrase) {};
+\node [anchor=north,text width=8em,align=left] (problemlabel) at (problemphrase.south) {\begin{spacing}{0.8}\scriptsize{``红 茶''为一种搭配，应该翻译为``black tea''}\end{spacing}};
 }
 }
 \end{pgfonlayer}
 \end{pgfonlayer}
 
 

Book/Chapter4/chapter4.tex

@@ -17,7 +17,7 @@
 %---------4.1翻译中的结构信息
 %---------4.1翻译中的结构信息
 \section{翻译中的结构信息}\index{Chapter4.1}
 \section{翻译中的结构信息}\index{Chapter4.1}
 
 
-\parinterval 首先，回顾一下基于单词的统计翻译模型是如何完成翻译的。图\ref{fig:example-of-translation-base-word}展示了一个实例。其中，左侧是一个单词的``翻译表''，它记录了源语言（中文）单词和目标语言（英文）单词之间的对应关系，以及这种对应的可能性大小（用P表示）。在翻译时，会使用这些单词一级的对应，生成目标语译文。比如，图\ref{fig:example-of-translation-base-word}右侧就展示了一个基于词的模型生成的翻译结果，其中\textbf{s}和\textbf{t}分别表示源语言和目标语言句子，单词之间的连线表示两个句子中单词一级的对应。
+\parinterval 首先，回顾一下基于单词的统计翻译模型是如何完成翻译的。图\ref{fig:example-of-translation-base-word}展示了一个实例。其中，左侧是一个单词的``翻译表''，它记录了源语言（中文）单词和目标语言（英文）单词之间的对应关系，以及这种对应的可能性大小（用P表示）。在翻译时，会使用这些单词一级的对应，生成目标语言译文。比如，图\ref{fig:example-of-translation-base-word}右侧就展示了一个基于词的模型生成的翻译结果，其中\textbf{s}和\textbf{t}分别表示源语言和目标语言句子，单词之间的连线表示两个句子中单词一级的对应。
 
 
 %----------------------------------------------
 %----------------------------------------------
 % 图4.1
 % 图4.1
@@ -31,7 +31,7 @@
 \end{figure}
 \end{figure}
 %-------------------------------------------
 %-------------------------------------------
 
 
-\parinterval 图\ref{fig:example-of-translation-base-word}的例子体现一个典型的基于单词对应关系的翻译方法。它非常适合组合性翻译（Compositional Translation）的情况，也就是通常说的直译。不过，自然语言作为人类创造的高级智能的载体，远比想象的复杂。比如，即使是同一个单词，词义也会根据不同的语境产生变化。图\ref{fig:example-of-translation-black-tea}给出了一个新的例子。如果同样使用概率化的单词翻译对问题进行建模，对于输入的句子``我\ 喜欢\ 红\ 茶''，翻译概率最大的译文是``I like red tea''。显然，``red tea''并不是英文中``红\ 茶''的说法，正确的译文应该是``black tea''。
+\parinterval 图\ref{fig:example-of-translation-base-word}体现的是一个典型的基于单词对应关系的翻译方法。它非常适合{\small\bfnew{组合性翻译}}（Compositional Translation）的情况，也就是通常说的直译。不过，自然语言作为人类创造的高级智能的载体，远比想象的复杂。比如，即使是同一个单词，词义也会根据不同的语境产生变化。图\ref{fig:example-of-translation-black-tea}给出了一个新的例子。如果同样使用概率化的单词翻译对问题进行建模，对于输入的句子``我\ 喜欢\ 红\ 茶''，翻译概率最大的译文是``I like red tea''。显然，``red tea''并不是英文中``红\ 茶''的说法，正确的译文应该是``black tea''。
 
 
 %----------------------------------------------
 %----------------------------------------------
 % 图4.2
 % 图4.2

Book/mt-book-xelatex.tex

@@ -95,7 +95,6 @@
 \noindent 曹润柘、曾信、孟霞、单韦乔、姜雨帆、王子扬、刘辉、许诺、李北、刘继强、张哲旸、周书涵、周涛、张裕浩、李炎洋、林野、刘晓倩、牛蕊 \\
 \noindent 曹润柘、曾信、孟霞、单韦乔、姜雨帆、王子扬、刘辉、许诺、李北、刘继强、张哲旸、周书涵、周涛、张裕浩、李炎洋、林野、刘晓倩、牛蕊 \\
 }
 }
 
 
-
 %----------------------------------------------------------------------------------------
 %----------------------------------------------------------------------------------------
 %	TABLE OF CONTENTS
 %	TABLE OF CONTENTS
 %----------------------------------------------------------------------------------------
 %----------------------------------------------------------------------------------------
@@ -112,13 +111,13 @@
 %	CHAPTERS
 %	CHAPTERS
 %----------------------------------------------------------------------------------------
 %----------------------------------------------------------------------------------------
 
 
-\include{Chapter1/chapter1}
-\include{Chapter2/chapter2}
-\include{Chapter3/chapter3}
+%\include{Chapter1/chapter1}
+%\include{Chapter2/chapter2}
+%\include{Chapter3/chapter3}
 \include{Chapter4/chapter4}
 \include{Chapter4/chapter4}
-\include{Chapter5/chapter5}
-\include{Chapter6/chapter6}
-\include{ChapterAppend/chapterappend}
+%\include{Chapter5/chapter5}
+%\include{Chapter6/chapter6}
+%\include{ChapterAppend/chapterappend}