まず，GIZA++[2]によりIBMモデルを推定することで最尤な単語 alignmentを得る．これを英日，日英の両方向に対して行う．尚， IBMモデルは単語を基本単位とした翻訳モデルである．
対訳文，``年 が 明け たら 成人 に なる 。''，
``i will come of age after the new year begins .''を学習データとしたとき
の例を表2.2(英日方向)，表2.3(日英方向)に示す．
尚，表中の``■''が獲得した最尤な単語alignmentである．
次に，両方向のalignmentから，両方向に1対多の対応を認めた，単語alignment を計算する．この単語alignmentは基本的に両方向の単語対応の積集 合と和集合の中間をヒューリスティックスで求める．尚，積集合 (intersection)は，両方向ともに単語対応が存在する場合のみ単語 対応を残し，和集合(union)は，少なくとも片方向に単語対応が存在 する場合単語対応を残す．対称な単語対応を求めるヒューリスティッ クス(grow-diag-final等)は，まず積集合から始まり，和集合にしかない単語対応が妥当 であるかを判断しながら，単語対応を徐々に加える．対称化された 単語alignmentの獲得の例を，表2.4(intersection)，表2.5(union)， 表2.6(grow-diag-final)に示す．
grow-diag-finalは積集合から始まり，和集合にしかない単語対応が妥当であるかを判断しながら，単語対応を徐々に加える．
対称化された単語alignmentのうち矛盾しないすべてのフレーズ対応を得る． そのフレーズ対応に対して翻訳確率を計算し値を付与する．
作成されたフレーズテーブルを表2.5に示す．
