Gale与Church的句子配对分析方法解析

Gale与Church于1993年提出了一种基于长度的句对齐算法，并在附录中公布了C语言源代码。这篇论文具有极高的学术价值，以至于后续关于句对齐的研究大多会引用它。论文的标题为《A Program for Aligning Sentences in Bilingual Corpora》。然而，该论文内容较为晦涩，主要原因在于其中涉及的专业术语和研究目标缺乏明确的定义。本文旨在对该论文进行解读，并同时解析一个Python实现版本。

论文指出，对齐过程分为两个阶段：第一阶段是段落之间的对齐，第二阶段则是段落内部句子层面的对齐。尽管段落对齐相对简单且重要性较高，但真正具有挑战性的是段落内部的句对齐问题。因此，本文将重点探讨在已知段落对齐的前提下，如何实现段落内部句子的精准匹配。首先需要明确一些基本概念，这些定义在整篇论文中具有关键作用，并且所有符号均与定义中的内容相对应。

• 段落： 指语文中自然形成的文本单位。可分为源语言L_{1}所对应的原文段落与目标语言L_{2}所对应的译文段落。
• 句子： 以句号、问号、感叹号或省略号结尾的一组文字；或由分号及双引号构成的对话内容。
• 句块： 包含一个或多个连续句子组成的文本片段，对应于论文中的portion of text。
• 句块对： 指原文段落中的一个句块与译文段落中的一个句