随着互联网的蓬勃发展,跨语言交流日益频繁,传统的基于人工的语言翻译己不能满足互联网上海量的、实时的翻译需求。近年来,机器翻译(Machine Translation,MT)技术取得了长足的进展。然而在译文质量要求较高的领域,机器翻译系统产生的译文仍不够理想。目前,研究人员在利用统计方法的同时引入了更多的语言学知识,但该方法对翻译系统的性能的提高仍然是有限的。在这样的应用背景下,人们开始寻求新的解决方法,让用户利用翻译系统生成的译文进行后编辑(Post-Editing,PE),直至得到最终可用的正确译文。研究人员发现,利用人机交互过程中用户反馈的翻译知识,优化翻译系统,能够不断提高辅助译文的质量。但是,现有方法在融合翻译知识时,对所有用户等同看待。实际上,不同用户的翻译经验不同,他们反馈翻译知识的置信度也不同。因此,在利用用户反馈的翻译知识改进翻译系统时,对用户进行区分非常重要。为了解决上述问题,本文在以下方面进行探索:分析影响用户翻译的置信度的因素,引入用户的基本特征和用户的翻译状态特征,构建用户置信度评价模型,并利用该模型将不同用户反馈的翻译知识进行区分,采用两种不同的策略调整和更新短语表的参数。修改的参数包括正向短语翻译概率、正向词汇化翻译概率、逆向短语翻译概率、逆向词汇化翻译概率。实验结果表明,利用用户反馈的翻译知识优化翻译系统时,对应的译文质量得到了提高,并且对不同用户反馈的翻译知识进行区分,能够比不区分用户得到更好的优化效果。