句子对齐是将源语言文本中的句子映射到目标语言文本中对应翻译的过程,作为构建和扩充平行语料库的核心技术,其性能的优劣影响着平行语料库的质量。本文集中于通过神经网络建模句对间的词对关系、词对重要性以及融入词典知识来改进句子对齐性能的研究,主要内容如下:(1)基于词对建模的句子对齐。考虑到相互对齐的两个句子中通常含有大量相互对齐的词对这一事实,本文探索源语言句子和目标语言句子之间的词对关系,并提出了基于词对建模的句子对齐方法。该方法首先利用双向循环神经网络来编码输入的句对,然后使用门关联网络来计算句对中词对的语义关系,并通过多层感知器进一步融合语义关系来判断该句对是否对齐。(2)带多视角注意力的基于词对驱动句子对齐。考虑到对齐的句对中包含多个对齐的词对,而这些词对在句对语义关系中又扮演着不同重要程度的角色,本文探讨了建模词对重要性及其关系的句子对齐方法。首先通过融合三种相似性度量方法的词对关联网络从三种角度获取词对间语义关系,然后利用多视角注意力网络同样地从三种角度对词对重要性进行建模,最后通过二者结合来确定句对是否对齐。(3)融入词典知识的基于词对驱动句子对齐。受大部分借助外部词典的句子对齐方法的启发,本文探索了如何将词典知识有效地融入到句子对齐的神经网络模型中。具体地,提出了三种跨语言编码器来融入单词翻译信息:混合编码器,将单词及其翻译交替输入到编码器中;特征编码器,直接拼接单词及其翻译的词向量作为编码器的输入;门控编码器,使用门机制有选择地控制输入编码器中的单词翻译信息量。基于公开评测的中英翻译NIST MT数据集和电影字幕OpenSubtitles2018数据集,实验表明本文提出的方法能够明显地改善句子对齐性能。