基于实例的机器翻译（EBMT）是一种机器翻译方法，它在运行时依赖双语平行文本语料库作为其主要知识库。它本质上是一种类比翻译，可以视为基于案例推理方法在机器学习中的实现。与需要深度语言分析的基于规则的系统不同，EBMT通过将源句子分解为短语、使用语料库中的实例翻译这些短语，然后将翻译后的片段组合成目标句子来进行翻译。
该方法最早由Makoto Nagao于1984年提出，他认为这种方法特别适用于两种差异很大的语言之间的翻译，例如英语和日语。在这种情况下，一个句子可能映射到目标语言中的多个结构良好的句子，使得深度语言分析变得不那么有用。此后，EBMT被探索为统计方法和基于规则方法的替代方案，并且它与统计机器翻译共享对双语语料库的使用。
类比翻译
EBMT的核心原则是类比翻译。这一思想拒绝了人类翻译者会对每个句子进行深度语言分析的观点。相反，它假设翻译者会将句子分解为短语，通过类比先前遇到的翻译来翻译每个短语，然后将翻译后的短语组合成一个连贯的整体。在EBMT中，这一原则通过训练语料库中存储的实例翻译来编码。系统从语料库中检索类似的实例，以指导新输入的翻译。
历史与发展
Makoto Nagao于1984年引入了EBMT，强调了它在结构差异很大的语言对（如英语和日语）中的潜力。他的见解是，对于这样的语言对，一个句子通常可以呈现为目标语言中的多个结构良好的句子，使得深度语言分析不如基于实例的方法有效。在随后的几十年中，EBMT得到了发展和完善，Michael Carl和Andy Way等研究者的贡献尤为突出，他们编辑了2003年的著作《基于实例的机器翻译的最新进展》。尽管近年来EBMT在很大程度上被基于神经网络的方法所掩盖，但其关于使用平行语料库和类比的思想继续影响着现代机器翻译研究。
EBMT的工作原理
EBMT系统在包含句子对的双语平行语料库上进行训练，例如：
- “How much is that red umbrella?” ↔ “Ano akai kasa wa ikura desu ka.”
- “How much is that small camera?” ↔ “Ano chiisai kamera wa ikura desu ka.”
从这样的最小对中，系统学习翻译单元：例如，“red umbrella”对应于“akai kasa”，而“small camera”对应于“chiisai kamera”。这些单元可以组合以产生新颖的翻译。例如，如果系统见过类似“President Kennedy was shot dead during the parade”和“The convict escaped on July 15th”的句子，它可以通过替换适当的部分来翻译“The convict was shot dead during the parade”。
短语动词和子语言现象
EBMT特别适合处理子语言现象，如短语动词，这些动词具有高度依赖上下文的意义。英语中的短语动词由一个动词后跟一个副词或介词（小品词）组成，其含义通常无法从单个单词推导出来。例如，短语动词“put on”可以表示“打开”（如“Ram put on the lights”）或“穿戴”（如“Ram put on a cap”）。在印度斯坦语中，这些含义对应不同的动词：“jalana”和“pahenna”。EBMT可以通过检索与上下文匹配的实例来处理这种歧义，而不是依赖于逐词翻译。
与其他方法的关系
EBMT是机器翻译中几种数据驱动方法之一。它与基于规则的机器翻译不同，后者避免深度语言分析，而是使用实例语料库。它也与统计机器翻译不同，后者使用基于大型语料库的概率模型，尽管两者都依赖双语数据。在2010年代，基于深度学习和Transformer (architecture)的模型（如用于大型语言模型的模型）在很大程度上取代了EBMT在实际应用中的使用。然而，EBMT对类比和实例检索的强调仍然具有相关性，开源平台如Cunei已经探索了将EBMT与统计方法相结合的混合方法。