bug fix

Chapter6/chapter6.tex

@@ -21,7 +21,7 @@
 %	CHAPTER 6
 %----------------------------------------------------------------------------------------
 
-\chapter{基于扭曲度和繁衍率的翻译模型}
+\chapter{基于扭曲度和繁衍率的模型}
 
 {\chapterfive}展示了一种基于单词的翻译模型。这种模型的形式非常简单，而且其隐含的词对齐信息具有较好的可解释性。不过，语言翻译的复杂性远远超出人们的想象。有两方面挑战\ \dash\ 如何对“ 调序”问题进行建模以及如何对“一对多翻译”问题进行建模。调序是翻译问题中所特有的现象，比如，汉语到日语的翻译中，需要对谓词进行调序。另一方面，一个单词在另一种语言中可能会被翻译为多个连续的词，比如，汉语“ 联合国”翻译到英语会对应三个单词“The United Nations”。这种现象也被称作一对多翻译，它与句子长度预测有着密切的联系。
 

Chapter7/chapter7.tex

@@ -21,7 +21,7 @@
 %	CHAPTER 7
 %----------------------------------------------------------------------------------------
 
-\chapter{基于短语的翻译模型}
+\chapter{基于短语的模型}
 
 \parinterval 机器翻译的一个基本问题是要定义翻译的基本单元是什么。比如，可以像{\chapterfive}介绍的那样，以单词为单位进行翻译，即把句子的翻译看作是单词之间对应关系的一种组合。基于单词的模型是符合人类对翻译问题的认知的，因为单词本身就是人类加工语言的一种基本单元。另一方面，在进行翻译时也可以使用一些更“复杂”的知识。比如，很多词语间的搭配需要根据语境的变化进行调整，而且对于句子结构的翻译往往需要更上层的知识，如句法知识。因此，在对单词翻译进行建模的基础上，需要探索其他类型的翻译知识，使得搭配和结构翻译等问题可以更好地被建模。
 

Chapter8/chapter8.tex

@@ -21,7 +21,7 @@
 %	CHAPTER 8
 %----------------------------------------------------------------------------------------
 
-\chapter{基于句法的翻译模型}
+\chapter{基于句法的模型}
 
 人类的语言是具有结构的，这种结构往往体现在句子的句法信息上。比如，人们进行翻译时会将待翻译句子的主干确定下来，之后得到译文的主干，最后形成完整的译文。一个人学习外语时，也会先学习外语句子的基本构成，比如，主语、谓语等，之后用这种句子结构知识生成外语句子。
 

ChapterPreface/chapterpreface.tex

@@ -64,7 +64,7 @@
 \vspace{0.5em}
 \item 第一部分：机器翻译基础
     \begin{itemize}
-    \item 第一章\ 机器翻译简介
+    \item 第一章\ 机器翻译的前世今生
     \item 第二章\ 统计语言建模基础
     \item 第三章\ 词法分析和语法分析基础
     \item 第四章\ 翻译质量评价
@@ -73,14 +73,14 @@
 \item 第二部分：统计机器翻译
     \begin{itemize}
     \item 第五章\ 基于词的机器翻译建模
-    \item 第六章\ 基于扭曲度和繁衍率的翻译模型
-    \item 第七章\ 基于短语的翻译模型
-    \item 第八章\ 基于句法的翻译模型
+    \item 第六章\ 基于扭曲度和繁衍率的模型
+    \item 第七章\ 基于短语的模型
+    \item 第八章\ 基于句法的模型
     \end{itemize}
 \vspace{0.5em}
 \item 第三部分：神经机器翻译
     \begin{itemize}
-    \item 第九章\ 人工神经网络和神经语言建模
+    \item 第九章\ 人工神经网络基础及神经语言模型
     \item 第十章\ 基于循环神经网络的模型
     \item 第十一章\ 基于卷积神经网络的模型
     \item 第十二章\ 基于自注意力的模型