Web2.0与日语翻译
从Google的崛起说起
今年6月18 日，雅虎宣布，特里·塞梅尔辞去雅虎首席执行官职务，由公司创始人之一杨致远接任。特里·梅塞尔走得不太风光。至少，中国的新闻都把“重新出山”的杨致远形容成“拯救”雅虎的救世主。与雅虎的低迷形成鲜明对比的是，风头正盛的Google。
雅虎为什么败给Google（论胜败似乎为时过早，但从目前来看至少是这样）？Google是靠搜索起家的，雅虎是老牌门户网站。Google取代雅虎，其实是搜索引擎取代门户网站。今天大家打开浏览器，首先打开的应该是百度或者Google吧。
门户网站也是一种检索信息的手段。但是它与搜索引擎的检索有何不同？
门户网站检索信息时，采用的是目录式的检索方法。我们通过门户网站找到需要得信息，必须先知道它属于哪一个类别，然后从这个类别找到它属于的子类别。门户网站将它所收集的网页归类，靠得是人工检阅。但是随着网页数量的猛增，人工检阅渐渐地显示了其局限性。于是以Google的Spider为代表的机器人检索技术就应运而生。机器人检索是使用计算机程序将网页内容自动收集起来的。当我们输入关键词时，与该关键词相关的网页就显示出来了。
但是机器人检索也有其弊端。有的时候，如果你输入某个关键词，结果却得到一大堆与该关键词并没有多大联系的网页。Google使用一种叫做Pagerank的机制很好地解决这一问题。也就是说它使用一种算法，使与关键词关联度最高的网页排在最前面。
尽管这样，这种机制也可能被恶意利用（google炸弹）：一个有名的例子是，如果在google里搜索“miserable failure”一词时，排在首位的居然是布什的介绍网页和白宫的主页（现在google已经采取对策）。
机器人检索的难题
机器人检索还有一个难题：检索图片。
首先，机器人（程序）不认识图片。这也是许多网站为了防止机器人恶意注册，要求输入以图片形式显示的验证码的缘故。要检索到图片，您必须先告诉计算机，这张图片的内容。比如说，您想通过“苹果”两个字检索到苹果的图片，您就得先告诉机器这是“苹果”。
但是，又有一个问题，如果您只告诉它这是“苹果”，当您用“apple”来检索的时候，它还是不会出现。当您用“水果”来检索的时候，它也不会出现。
只有一个办法：那就是事先在苹果这张图片上贴上标签（tag）：“苹果”、“水果”、“apple”“リンゴ”“富士”“红色”“甜”……毫无疑问，这个工作还得需要人工处理。
事实上，除了图片，为了便于检索，文字等信息也开始使用标签。比如博客里面的标签（tag）。
贴标签其实是使用人工将信息类别化。当然，同一个信息，可能被不同的人贴上不同的标签。这种分类叫做Folksonomy（公众分类法）。被贴上不同的标签的信息，可以说博采众人的智慧，这被叫做Collective Intelligence（中文无定译。有译作“集体智能”。日文叫做「集合知」、比较贴切。)
跟机器人检索一样，Folksonomy、Collective Intelligence也是Web2.0的关键词。许多被认为是web2.0的服务，如博客、SNS、社会书签（如del.icio.us）、网络百科辞典（Wekipedia），网络相册分享（如Flickr）、网络视频分享（如Youtube）等，都渗透了这种理念。
机器人翻译的难题
机器人翻译遇到的难题与机器人检索相似。
举个例子说：你现在给机器人右边的图片，告诉他这是个“苹果”。现在你问他要什么，它告诉你这是“苹果”。你如果再拿一个青苹果放在一起，问他要什么，他可不会告诉要“那个红的”。 
翻译面临的问题一样。正如上面的图片在不同场合（也可以成为语境）表达不同的意思一样，同一个词，在不同的语境中也有不同的意思。机器人翻译的困境就在于
- 在不同的语境中的意义选项并不明确。
- 即便明确，也不知道如何取舍。
第二个问题似乎无法解决，这也是机器人不能代替人，而只能辅助人翻译的原因。
但是，第一个问题可以可以借鉴Web2.0的理念得到解决。
1，给每个词都贴上意义标签。
2，将这些标签按照①常用程度②该词与句子中某个特定的词的关联、进行排序。
比如说“紧张”一词，可以给贴上“緊張”“忙しい”“激しい”“差し迫った”“逼迫”等标签。当句子中出现“我”的时候，这个时候标签“緊張” “忙しい”等词的优先度提高排在最前面，而当句子中出现“供应”的时候，“逼迫”的优先度提高，排在前面。
当我们检索的时候，可以这样检索：关键词“紧张”，副关键词“我”。然后检索结果就出来：“緊張”“忙しい”排在最前。
如何给词贴标签？这个事情跟给图片贴标签一样：需要人来做。但是靠单个人的力量是无法完成的。我们需要众人都来参与，形成Collective Intelligence。
