摘要： 翻譯技術(shù)是人工智能時(shí)代開(kāi)展語(yǔ)言服務(wù)的重要依托,也是新時(shí)代翻譯教學(xué)的重要組成部分.文章通過(guò)問(wèn)卷調(diào)查發(fā)現(xiàn)俄語(yǔ)專(zhuān)業(yè)學(xué)生對(duì)包括機(jī)器翻譯在內(nèi)的翻譯技術(shù)的認(rèn)知存在一定偏差,特別是譯后編譯意識(shí)和能力缺乏,翻譯技術(shù)能力亟待提升,并提出未來(lái)俄語(yǔ)專(zhuān)業(yè)教學(xué)要依據(jù)《普通高等學(xué)校本科俄語(yǔ)專(zhuān)業(yè)教學(xué)指南》的新要求,賦予俄語(yǔ)專(zhuān)業(yè)新動(dòng)能、新生命,探索建構(gòu)"語(yǔ)言+技術(shù)"和諧的俄語(yǔ)翻譯技術(shù)教學(xué)體系.

摘要： 隨著人工智能的發(fā)展和大數(shù)據(jù)時(shí)代的來(lái)臨,國(guó)際學(xué)術(shù)交流日益深化和頻繁,英語(yǔ)學(xué)術(shù)論文成為學(xué)術(shù)界的主要交流手段之一。同時(shí),機(jī)器翻譯迅猛發(fā)展,多個(gè)互聯(lián)網(wǎng)公司都推出了自己的機(jī)器翻譯系統(tǒng)產(chǎn)品,中國(guó)的英語(yǔ)學(xué)術(shù)論文的譯后編輯成為一股新生力量,培養(yǎng)并提高譯后編輯能力已經(jīng)是時(shí)代所需。通過(guò)分析譯后編輯的準(zhǔn)備階段及分析機(jī)器翻譯的常見(jiàn)問(wèn)題,重點(diǎn)探索譯后編輯能力的培養(yǎng)和提高。

摘要： 為探討醫(yī)學(xué)翻譯中譯者在“機(jī)器翻譯+譯后編輯”模式下如何發(fā)揮主體性,本文選取兼具語(yǔ)言難度和背景知識(shí)的醫(yī)學(xué)學(xué)術(shù)文本,采取機(jī)器譯文和人工譯文進(jìn)行比較的研究方法,發(fā)現(xiàn)了機(jī)器翻譯的若干優(yōu)勢(shì)和譯后編輯的必要性,并提出了“機(jī)器翻譯+譯后編輯”模式下的具體策略:譯者應(yīng)主動(dòng)借助機(jī)器翻譯;回歸翻譯技巧等核心技能,以改正機(jī)器譯文中的錯(cuò)誤;還可借助計(jì)算機(jī)輔助翻譯或語(yǔ)料庫(kù)資源完善術(shù)語(yǔ)或其他詞句的表達(dá)。

摘要： 針對(duì)電氣工程領(lǐng)域英漢機(jī)器翻譯中平行語(yǔ)料稀缺的問(wèn)題,在使用通用語(yǔ)料訓(xùn)練翻譯模型的基礎(chǔ)上,提出了一種融合領(lǐng)域術(shù)語(yǔ)信息的嵌入層參數(shù)初始化方法。首先,對(duì)文本進(jìn)行分詞預(yù)處理,將術(shù)語(yǔ)詞劃分為一個(gè)最小單元;然后,利用Glove和Word2vec在不同單語(yǔ)語(yǔ)料上訓(xùn)練得到兩種詞向量,并分別初始化嵌入層參數(shù)中常用詞和術(shù)語(yǔ)詞的向量表示;最后,利用術(shù)語(yǔ)詞典對(duì)未登錄詞進(jìn)行查找替換,緩解了翻譯過(guò)程中由于術(shù)語(yǔ)而產(chǎn)生的嚴(yán)重未登錄詞問(wèn)題。將基于注意力機(jī)制的神經(jīng)機(jī)器翻譯模型作為基線系統(tǒng)進(jìn)行實(shí)驗(yàn),結(jié)果表明:本文模型在電氣領(lǐng)域測(cè)試語(yǔ)料上的翻譯性能提高了2.713個(gè)BLEU值點(diǎn)。

摘要： 由于裝備信息的敏感性,軍事領(lǐng)域的跨語(yǔ)言實(shí)體匹配問(wèn)題會(huì)面臨缺乏標(biāo)注好的平行語(yǔ)料、依賴(lài)機(jī)器翻譯質(zhì)量等問(wèn)題。從這些問(wèn)題出發(fā),提出了一種跨語(yǔ)言艦船實(shí)體匹配算法。首先歸納匹配規(guī)則,通過(guò)融合機(jī)器翻譯和詞典短語(yǔ)釋義取得語(yǔ)言轉(zhuǎn)換結(jié)果,設(shè)計(jì)了檢測(cè)后綴相同字符串的相似度度量suffix-matter優(yōu)化候選集,提高了算法的效率。還設(shè)計(jì)了捕捉字符和發(fā)音特征的混合相似度度量MixSim協(xié)助尋找匹配的實(shí)體。利用從互聯(lián)網(wǎng)上爬取各國(guó)艦船活動(dòng)事件的新聞報(bào)道和簡(jiǎn)式艦船數(shù)據(jù)進(jìn)行實(shí)驗(yàn),結(jié)果表明算法取得了較好的效果,而且證明了兩種相似度度量在字符串比對(duì)中的有效性。

摘要： 翻譯質(zhì)量是譯文的重要評(píng)判標(biāo)準(zhǔn),因此控制翻譯質(zhì)量對(duì)于譯者來(lái)說(shuō)是必不可少的一環(huán)。隨著時(shí)代發(fā)展,機(jī)器翻譯越來(lái)越受人們關(guān)注,它不僅能為專(zhuān)業(yè)譯者提供一些參考,同時(shí)也可以為不具備雙語(yǔ)轉(zhuǎn)換能力的普通人提供翻譯途徑。本文基于對(duì)兩款知名翻譯軟件的翻譯測(cè)試,試比較它們產(chǎn)出的譯文之間有何不同,以及其與人工翻譯之間的差距。同時(shí),本文也嘗試通過(guò)譯前編輯來(lái)提升譯文質(zhì)量,以期達(dá)到機(jī)器翻譯質(zhì)量控制的目標(biāo)。

摘要： 文章從問(wèn)題意識(shí)視角出發(fā),以石油術(shù)語(yǔ)為基礎(chǔ),引入詞向量空間模型的方法展開(kāi)三個(gè)相關(guān)實(shí)驗(yàn)對(duì)機(jī)器譯文和人工譯文進(jìn)行對(duì)比研究,探索機(jī)器翻譯結(jié)果在空間模型中的演繹和呈現(xiàn)。實(shí)驗(yàn)結(jié)果顯示機(jī)器翻譯對(duì)于石油術(shù)語(yǔ)的語(yǔ)言翻譯準(zhǔn)度能達(dá)到0.403。文章嘗試結(jié)合計(jì)算機(jī)技術(shù)、語(yǔ)言學(xué)和翻譯學(xué)等不同領(lǐng)域量化論證兩種翻譯結(jié)果在語(yǔ)義層面的接近和靠攏程度,以期探索評(píng)價(jià)分析機(jī)器翻譯系統(tǒng)輸出結(jié)果質(zhì)量的新途徑。

摘要： 圍繞"差一點(diǎn)沒(méi)VP"句式進(jìn)行研究,從"差一點(diǎn)"詞匯語(yǔ)義轄域跨語(yǔ)言比較的基礎(chǔ)性問(wèn)題出發(fā),在大規(guī)模語(yǔ)料中抽取"差一點(diǎn)"相關(guān)語(yǔ)料進(jìn)行歸納,重點(diǎn)探討了漢英語(yǔ)中該詞匯近義場(chǎng)各成員間詞義的細(xì)微差異,以期為歧義消解、語(yǔ)言教學(xué)及機(jī)器翻譯等領(lǐng)域提供參考。通過(guò)替換方式考察認(rèn)為,以"差一點(diǎn)"為核心,依照詞義關(guān)聯(lián)度的逐級(jí)遞減順序,存在"差一點(diǎn)≈險(xiǎn)些(不希望發(fā)生的情況)≈幾乎≈差不多"這樣的等級(jí)序列,而在英語(yǔ)中則首先明確該詞匯的不同對(duì)譯方式,進(jìn)而對(duì)各對(duì)譯方式的句法語(yǔ)義特點(diǎn)進(jìn)行區(qū)分辨別。

摘要： 本文基于大數(shù)據(jù)技術(shù)在內(nèi)容傳播效果分析和影響力評(píng)估的實(shí)踐和思考,介紹了多(跨)形態(tài)、多(跨)語(yǔ)言、多(跨)渠道(平臺(tái))的全媒體國(guó)際傳播的特點(diǎn)帶來(lái)的技術(shù)處理上的挑戰(zhàn),以及基于內(nèi)容分析的傳播效果大數(shù)據(jù)方法在實(shí)現(xiàn)系統(tǒng)和技術(shù)平臺(tái)的試驗(yàn)和落地路徑進(jìn)行了探討。

摘要： 基于中英新聞導(dǎo)語(yǔ)在消息來(lái)源位置、導(dǎo)語(yǔ)長(zhǎng)度和撰寫(xiě)方式的差異,提出調(diào)整消息來(lái)源位置、調(diào)整導(dǎo)語(yǔ)要素順序、提前翻譯術(shù)語(yǔ)和運(yùn)用解釋性翻譯四種譯前編輯方法。這不僅豐富了譯前編輯研究方法,而且有助于機(jī)器翻譯軟件更好地理解源文本,從而提高機(jī)器翻譯新聞導(dǎo)語(yǔ)譯文質(zhì)量和效率。

摘要： 本研究選取1998-2017年間CSSCI檢索源期刊中有關(guān)機(jī)器翻譯的165篇論文,采用分類(lèi)匯總和內(nèi)容分析法梳理了過(guò)去20年間國(guó)內(nèi)相關(guān)研究研究?jī)?nèi)容及其特點(diǎn).隨后,針對(duì)25篇與機(jī)器翻譯與教學(xué)實(shí)踐直接相關(guān)的文獻(xiàn)開(kāi)展了進(jìn)一步的內(nèi)容分析.研究發(fā)現(xiàn)研究?jī)?nèi)容跨越了翻譯學(xué)、情報(bào)科學(xué)、語(yǔ)言學(xué)與計(jì)算機(jī)科學(xué)等多個(gè)學(xué)科領(lǐng)域,而機(jī)器翻譯技術(shù)的研發(fā)與改進(jìn)以及機(jī)器翻譯的教學(xué)實(shí)踐是該領(lǐng)域的研究熱點(diǎn).隨著我國(guó)對(duì)高層次翻譯人才需求的日益增長(zhǎng),我國(guó)機(jī)器翻譯的教學(xué)實(shí)踐研究主要圍繞教學(xué)模式改革和人才培養(yǎng)展開(kāi).本文有利于機(jī)器翻譯實(shí)踐者與研究者直觀了解我國(guó)機(jī)器翻譯的研究熱點(diǎn),為后續(xù)研究與教學(xué)實(shí)踐提供啟示.

摘要： 隨著AI產(chǎn)業(yè)的發(fā)展,智能型移動(dòng)終端設(shè)備上開(kāi)始出現(xiàn)了各類(lèi)AI技術(shù)的應(yīng)用.移動(dòng)端SoG功耗和面積的限制導(dǎo)致了計(jì)算能力的缺失,是實(shí)驗(yàn)室和企業(yè)普遍關(guān)注的問(wèn)題.本文面向搜狗的機(jī)器翻譯平臺(tái)進(jìn)行了ARMv8架構(gòu)的SGEMM計(jì)算優(yōu)化,使用了內(nèi)聯(lián)匯編、數(shù)據(jù)重排和數(shù)據(jù)預(yù)取等3種技術(shù)遞進(jìn)優(yōu)化,方陣乘法最優(yōu)效率為10.23Gf/s,達(dá)到實(shí)測(cè)浮點(diǎn)峰值的78％;細(xì)長(zhǎng)矩陣乘法最優(yōu)效率為6.35Gf/s,達(dá)到了實(shí)測(cè)浮點(diǎn)峰值的48％;連續(xù)小矩陣乘法最優(yōu)效率為2.53Gf/s,達(dá)到了實(shí)測(cè)浮點(diǎn)峰值的19％.

摘要： 探討了神經(jīng)網(wǎng)絡(luò)機(jī)器翻譯中的結(jié)構(gòu)信息的獲取和利用，綜合利用多層次的結(jié)構(gòu)信息進(jìn)行編碼表示的方法，嘗試兼顧對(duì)源端表示和目標(biāo)端生成能力的提高，探索在翻譯學(xué)習(xí)過(guò)程中綜合利用外部工具和自動(dòng)學(xué)習(xí)方法獲得結(jié)構(gòu)信息的可能性。

摘要： 模型存儲(chǔ)壓縮旨在不改變模型性能的同時(shí),大幅度降低神經(jīng)網(wǎng)絡(luò)中過(guò)多的模型參數(shù)帶來(lái)的存儲(chǔ)空間浪費(fèi).研究人員對(duì)于模型存儲(chǔ)壓縮方法的研究大多在計(jì)算機(jī)視覺(jué)任務(wù)上,缺乏對(duì)機(jī)器翻譯模型壓縮方法的研究.該文在機(jī)器翻譯任務(wù)上通過(guò)實(shí)驗(yàn)對(duì)比剪枝、量化、低精度三種模型壓縮方法在Transformer和RNN(Recurrent Neural Network)兩種模型上的模型壓縮效果,最終使用剪枝、量化、低精度三種方法的組合方法可在不損失原有模型性能的前提下在Transformer和RNN模型上分別達(dá)到11.7×和5.8×的壓縮率.同時(shí),該文還針對(duì)三種模型壓縮方法在不同模型上的優(yōu)缺點(diǎn)進(jìn)行了分析.

摘要： 隨著近幾年藏漢機(jī)器翻譯研究逐漸升溫,把握好藏漢機(jī)器翻譯領(lǐng)域的正確研究方向顯得尤為重要.本文介紹了機(jī)器翻譯的產(chǎn)生及其發(fā)展歷史,闡述了它的研究現(xiàn)狀及難點(diǎn),同時(shí)通過(guò)語(yǔ)言的文化背景、語(yǔ)法及語(yǔ)篇的上下文聯(lián)系等角度指出了藏漢機(jī)器翻譯系統(tǒng)目前存在的問(wèn)題.經(jīng)過(guò)調(diào)查也發(fā)現(xiàn)現(xiàn)存主流的藏漢機(jī)器翻譯系統(tǒng)也就三個(gè)分別是西藏大學(xué)的陽(yáng)光藏漢機(jī)器翻譯，中國(guó)科學(xué)院軟件研究所和中國(guó)社會(huì)科學(xué)院民族學(xué)與人類(lèi)學(xué)研究所語(yǔ)言應(yīng)用研究所藏漢機(jī)器翻譯系統(tǒng)以及沈陽(yáng)雅譯網(wǎng)絡(luò)技術(shù)有限公司的小牛翻譯，這三個(gè)是目前比較權(quán)威和實(shí)用的機(jī)器翻譯系統(tǒng)。由于諸多的方法理論各有利弊，系統(tǒng)也各有優(yōu)劣，所以在今后的研究中我們可以將這些方法結(jié)合起來(lái)，例如將基于統(tǒng)計(jì)和基于規(guī)則的機(jī)器翻譯技術(shù)結(jié)合起來(lái)，或者是將其他語(yǔ)言的機(jī)器翻譯方法與技術(shù)結(jié)合藏漢機(jī)器翻譯技術(shù)從而加快藏漢機(jī)器翻譯的發(fā)展速度。

摘要： 針對(duì)傳統(tǒng)基于短語(yǔ)的機(jī)器翻譯中采用的精確匹配策略導(dǎo)致翻譯出的短語(yǔ)存在稀疏性的問(wèn)題,引入相似度解決翻譯后短語(yǔ)的稀疏性問(wèn)題.對(duì)此,文章首先結(jié)合機(jī)器翻譯的原理進(jìn)行分析,并指出傳統(tǒng)短語(yǔ)翻譯存在的問(wèn)題;其次,提出短語(yǔ)相似度統(tǒng)計(jì)模型,在對(duì)訓(xùn)練的語(yǔ)料庫(kù)進(jìn)行訓(xùn)練時(shí),對(duì)其中沒(méi)有出現(xiàn)過(guò)的短語(yǔ),通過(guò)計(jì)算短語(yǔ)之間的相似度的方式,并改變傳統(tǒng)的精確匹配方式,而采用模糊匹配策略,從短語(yǔ)表中查找相似度較高的實(shí)例短語(yǔ),最后這些實(shí)例短語(yǔ),構(gòu)造漢英翻譯句子;最后,對(duì)上述的算法進(jìn)行了實(shí)驗(yàn)驗(yàn)證.結(jié)果表明,極大的提高了翻譯的質(zhì)量.

摘要： 通過(guò)縮小詞表、蒸餾模型、單獨(dú)訓(xùn)練解碼過(guò)程等方法提高解碼效率，利用圖片中包含的信息幫助翻譯結(jié)果生成，以句法信息融入編解碼器為主，增強(qiáng)翻譯中的結(jié)構(gòu)信息。

摘要： 當(dāng)前圖像描述生成的研究主要僅限于單語(yǔ)言(如英文),這得益于大規(guī)模的已人工標(biāo)注的圖像及其英文描述語(yǔ)料.該文探索零標(biāo)注資源情況下,以英文作為樞軸語(yǔ)言的圖像中文描述生成研究.具體地,借助于神經(jīng)機(jī)器翻譯技術(shù),該文提出并比較了兩種圖像中文描述生成的方法:串行法,該方法首先將圖像生成英文描述,然后由英文描述翻譯成中文描述;構(gòu)建偽訓(xùn)練語(yǔ)料法,該方法首先將訓(xùn)練集中圖像的英文描述翻譯為中文描述,得到圖像-中文描述的偽標(biāo)注語(yǔ)料,然后訓(xùn)練一個(gè)圖像中文描述生成模型.特別地,對(duì)于第二種方法,該文還比較了基于詞和基于字的中文描述生成模型.實(shí)驗(yàn)結(jié)果表明,采用構(gòu)建偽訓(xùn)練語(yǔ)料法優(yōu)于串行法,同時(shí)基于字的中文描述生成模型也要優(yōu)于基于詞的模型,BLEU_4值達(dá)到0.341.

摘要： 在進(jìn)行跨語(yǔ)言自然語(yǔ)言處理時(shí),缺少雙語(yǔ)資源是非常棘手的問(wèn)題,而這在語(yǔ)言資源匱乏的場(chǎng)景下是非常普遍的.此時(shí),利用好非平行語(yǔ)料中蘊(yùn)含的翻譯知識(shí)變得更為重要.由于語(yǔ)料不平行,從中獲取翻譯知識(shí)意味著小數(shù)據(jù)、無(wú)監(jiān)督學(xué)習(xí),因此極具挑戰(zhàn),而取得的結(jié)果通常是雙語(yǔ)詞典的形式.這既是人工智能領(lǐng)域重要的學(xué)術(shù)問(wèn)題,也在語(yǔ)言資源匱乏場(chǎng)景有著巨大的應(yīng)用價(jià)值.本文針對(duì)前人研究中存在的問(wèn)題,介紹一系列工作,從各個(gè)角度探索如何更好地利用非平行語(yǔ)料構(gòu)建雙語(yǔ)詞典.

摘要： 在進(jìn)行跨語(yǔ)言自然語(yǔ)言處理時(shí),缺少雙語(yǔ)資源是非常棘手的問(wèn)題,而這在語(yǔ)言資源匱乏的場(chǎng)景下是非常普遍的.此時(shí),利用好非平行語(yǔ)料中蘊(yùn)含的翻譯知識(shí)變得更為重要.由于語(yǔ)料不平行,從中獲取翻譯知識(shí)意味著小數(shù)據(jù)、無(wú)監(jiān)督學(xué)習(xí),因此極具挑戰(zhàn),而取得的結(jié)果通常是雙語(yǔ)詞典的形式.這既是人工智能領(lǐng)域重要的學(xué)術(shù)問(wèn)題,也在語(yǔ)言資源匱乏場(chǎng)景有著巨大的應(yīng)用價(jià)值.本文針對(duì)前人研究中存在的問(wèn)題,介紹一系列工作,從各個(gè)角度探索如何更好地利用非平行語(yǔ)料構(gòu)建雙語(yǔ)詞典.

摘要： 機(jī)器翻譯系統(tǒng)包含：譯文候選生成部，將第1語(yǔ)言的輸入文分別分配給用于生成第2語(yǔ)言譯文的多個(gè)機(jī)器翻譯裝置，并從各機(jī)器翻譯裝置，接受對(duì)于輸入文的第2語(yǔ)言的譯文；譯文改良部，以譯文候選生成部接受的多個(gè)第2語(yǔ)言的各譯文為起點(diǎn)，按照以規(guī)定的評(píng)價(jià)方式改進(jìn)評(píng)價(jià)那樣改良譯文；和結(jié)束判定部，在譯文改良部改良的譯文中，將滿足規(guī)定的條件譯文作為對(duì)輸入文的譯文進(jìn)行選擇；譯文改良部包含：譯文變形部，對(duì)輸入的譯文進(jìn)行規(guī)定的變形；譯文評(píng)價(jià)部，對(duì)變形的譯文進(jìn)行評(píng)價(jià)；和重復(fù)控制部，判斷對(duì)變形后的譯文得到的評(píng)價(jià)，相對(duì)于輸入的譯文得到的評(píng)價(jià)是否被改進(jìn)，在確認(rèn)沒(méi)有改進(jìn)之前，重復(fù)進(jìn)行變形和評(píng)價(jià)，按照這樣控制譯文變形部和譯文評(píng)價(jià)部。

摘要： 本發(fā)明提供一種神經(jīng)網(wǎng)絡(luò)機(jī)器翻譯模型訓(xùn)練方法、機(jī)器翻譯方法和裝置。所述神經(jīng)網(wǎng)絡(luò)機(jī)器翻譯模型訓(xùn)練方法通過(guò)從訓(xùn)練視頻中提取場(chǎng)景視覺(jué)圖，再根據(jù)場(chǎng)景視覺(jué)圖得到細(xì)膩度更高的視頻特征向量序列，再將視頻特征向量序列與第一文本特征向量序列進(jìn)行對(duì)齊融合得到更準(zhǔn)確的視頻引導(dǎo)的第一文本特征向量序列，然后通過(guò)視頻引導(dǎo)的第一文本特征向量序列和第二文本特征向量序列得到預(yù)測(cè)文本向量序列，最后根據(jù)預(yù)測(cè)文本向量序列與標(biāo)準(zhǔn)文本特征向量序列的比對(duì)結(jié)果，對(duì)所述神經(jīng)網(wǎng)絡(luò)機(jī)器翻譯模型的模型參數(shù)進(jìn)行迭代調(diào)整，直到滿足收斂條件，完成所述神經(jīng)網(wǎng)絡(luò)機(jī)器翻譯模型的訓(xùn)練，能夠提升訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)機(jī)器翻譯模型對(duì)視頻引導(dǎo)的機(jī)器翻譯的精度。

摘要： 本申請(qǐng)實(shí)施例提供了一種機(jī)器翻譯模型的生成方法、機(jī)器翻譯方法和裝置；所述方法包括：接收第一語(yǔ)種數(shù)據(jù)；采用已有的原始機(jī)器翻譯模型，將所述第一語(yǔ)種數(shù)據(jù)翻譯為匹配的第二語(yǔ)種數(shù)據(jù)；接收針對(duì)所述第二語(yǔ)種的修正數(shù)據(jù)；采用所述第一語(yǔ)種數(shù)據(jù)以及所述第二語(yǔ)種的修正數(shù)據(jù)，針對(duì)已有的原始機(jī)器翻譯模型重新訓(xùn)練，生成個(gè)性化機(jī)器翻譯模型。本申請(qǐng)實(shí)施例可以實(shí)現(xiàn)將需要翻譯的第一語(yǔ)種數(shù)據(jù)和與第一語(yǔ)種數(shù)據(jù)對(duì)應(yīng)的第二語(yǔ)種的修正數(shù)據(jù)訓(xùn)練原始機(jī)器翻譯模型，得到個(gè)性化機(jī)器翻譯模型，提高個(gè)性化機(jī)器翻譯模型的翻譯質(zhì)量。

摘要： 本申請(qǐng)公開(kāi)了一種機(jī)器翻譯模型的訓(xùn)練方法、機(jī)器翻譯方法、裝置及設(shè)備，屬于計(jì)算機(jī)技術(shù)領(lǐng)域，該方法包括：獲取訓(xùn)練樣本集，訓(xùn)練樣本集包括訓(xùn)練樣本及該訓(xùn)練樣本對(duì)應(yīng)的標(biāo)準(zhǔn)翻譯文本；將訓(xùn)練樣本及訓(xùn)練樣本對(duì)應(yīng)的標(biāo)準(zhǔn)翻譯文本輸入機(jī)器翻譯模型中，獲取機(jī)器翻譯模型在反向傳播過(guò)程中產(chǎn)生的梯度向量；基于梯度向量和多個(gè)噪音詞為訓(xùn)練樣本生成對(duì)抗樣本；基于訓(xùn)練樣本和對(duì)抗樣本對(duì)機(jī)器翻譯模型進(jìn)行對(duì)抗訓(xùn)練，得到目標(biāo)機(jī)器翻譯模型。該訓(xùn)練方法生成的對(duì)抗樣本對(duì)機(jī)器翻譯模型攻擊性較大，并且增加了訓(xùn)練數(shù)據(jù)的多樣性，由此提高了機(jī)器翻譯模型的魯棒性，進(jìn)而提高了機(jī)器翻譯模型的翻譯性能，使得通過(guò)機(jī)器翻譯模型得到的翻譯結(jié)果更加準(zhǔn)確。

摘要： 本公開(kāi)提供了一種機(jī)器翻譯模型的訓(xùn)練方法和訓(xùn)練裝置。該訓(xùn)練方法包括：獲得特定用戶的待翻譯文本和待翻譯文本的期望譯文；獲得待翻譯文本的第一編碼表達(dá)，以及獲得用于表征特定用戶的語(yǔ)言特征的第二編碼表達(dá)；根據(jù)第一編碼表達(dá)和第二編碼表達(dá)，獲得輸入給機(jī)器翻譯模型的第三編碼表達(dá)，以及待翻譯文本的翻譯結(jié)果；根據(jù)待翻譯文本的翻譯結(jié)果與待翻譯文本的期望譯文計(jì)算損失值；如果損失值大于或等于預(yù)設(shè)閾值，則根據(jù)損失值調(diào)整機(jī)器翻譯模型的權(quán)重參數(shù)；如果損失值小于預(yù)設(shè)閾值，則停止訓(xùn)練方法。該方法中采用表征特定用戶的語(yǔ)言特征第二編碼表達(dá)調(diào)整輸入給機(jī)器翻譯模型的編碼表達(dá)，以能夠提供個(gè)性化的翻譯結(jié)果。

摘要： 本公開(kāi)提供了一種語(yǔ)音機(jī)器翻譯模型的構(gòu)建方法，包括：獲取語(yǔ)音機(jī)器翻譯模型的預(yù)測(cè)概率分布；將源語(yǔ)言語(yǔ)音?目標(biāo)語(yǔ)言文本組成的數(shù)據(jù)集中的源語(yǔ)言語(yǔ)音轉(zhuǎn)錄文本作為源語(yǔ)言文本構(gòu)建源語(yǔ)言文本?目標(biāo)語(yǔ)言文本的數(shù)據(jù)集；獲取文本機(jī)器翻譯模型的預(yù)測(cè)概率分布；將語(yǔ)音機(jī)器翻譯模型的預(yù)測(cè)概率分布與文本機(jī)器翻譯模型的預(yù)測(cè)概率分布之間的交叉熵作為語(yǔ)音機(jī)器翻譯模型的最終目標(biāo)函數(shù)；以及基于最終目標(biāo)函數(shù)對(duì)語(yǔ)音翻譯模型進(jìn)行訓(xùn)練，獲得構(gòu)建后的語(yǔ)音機(jī)器翻譯模型。本公開(kāi)還提供了一種語(yǔ)音機(jī)器翻譯裝置、電子設(shè)備以及可讀存儲(chǔ)介質(zhì)。

摘要： 本發(fā)明公開(kāi)了一種機(jī)器翻譯系統(tǒng)及方法，該系統(tǒng)包括：機(jī)器翻譯引擎，對(duì)待譯文本斷句，以句子為基本翻譯單元逐個(gè)翻譯，對(duì)譯后的每個(gè)句子進(jìn)行合并，生成機(jī)器翻譯初始譯文；對(duì)譯用語(yǔ)輸入模塊，用于輸入想要指定的原文和譯文用語(yǔ)；詞對(duì)齊信息生成模塊，用于生成詞對(duì)齊信息。機(jī)器翻譯引擎檢測(cè)是否有用戶輸入，若有，則將原文用語(yǔ)提供給詞對(duì)齊信息生成模塊，從該模塊接收詞對(duì)齊信息，基于詞對(duì)齊信息找到初始譯文中相對(duì)應(yīng)的譯文內(nèi)容，并使用譯文用語(yǔ)替換相對(duì)應(yīng)的譯文內(nèi)容，從而生成最終譯文；若沒(méi)有輸入，則將初始譯文作為最終譯文輸出。根據(jù)本發(fā)明，能高效地進(jìn)行術(shù)語(yǔ)一致性替換，且特別適合于翻譯專(zhuān)利申請(qǐng)文件，能提供高質(zhì)量的專(zhuān)利申請(qǐng)機(jī)器翻譯文件。

摘要： 本發(fā)明公開(kāi)一種應(yīng)用于穩(wěn)定深層機(jī)器翻譯模型的機(jī)器翻譯方法，步驟為：在深層模型的訓(xùn)練過(guò)程中，根據(jù)輸入源語(yǔ)句子X(jué)進(jìn)行每一次反向傳播計(jì)算時(shí)，為深層模型中編碼器部分參數(shù)的梯度矩陣G設(shè)置兩個(gè)矩陣μ與σ；使用矩陣μ與σ分別代表梯度矩陣G的均值與標(biāo)準(zhǔn)差，并根據(jù)梯度矩陣G計(jì)算出矩陣μ與σ的值；在模型訓(xùn)練期間的每一次反向傳播過(guò)程中，使用矩陣μ與σ對(duì)梯度矩陣G進(jìn)行標(biāo)準(zhǔn)化；通過(guò)預(yù)設(shè)的策略與先驗(yàn)知識(shí)來(lái)控制該標(biāo)準(zhǔn)化的使用階段和位置，進(jìn)行機(jī)器翻譯模型的快速準(zhǔn)確訓(xùn)練，最終提升解碼時(shí)的輸出譯文的譯文質(zhì)量。本發(fā)明可以使得訓(xùn)練過(guò)程更加穩(wěn)定，并且不受限于具體的模型與任務(wù)，具有很好的通用性，使模型的效果更加容易在不同的設(shè)備上重現(xiàn)。

摘要： 本發(fā)明公開(kāi)了一種機(jī)器翻譯引擎訓(xùn)練系統(tǒng)、方法及經(jīng)訓(xùn)練的機(jī)器翻譯引擎，該機(jī)器翻譯引擎訓(xùn)練系統(tǒng)包括：預(yù)處理替換模塊、替換信息存儲(chǔ)模塊、子詞切分保持模塊、翻譯引擎訓(xùn)練模塊和替換信息還原模塊。其中，預(yù)處理替換模塊將接收到的雙語(yǔ)句對(duì)或待翻譯原文中的標(biāo)簽對(duì)分別替換為特殊標(biāo)記對(duì)，只有標(biāo)簽內(nèi)容相同的標(biāo)簽對(duì)才使用相同的特殊標(biāo)記對(duì)來(lái)替換。替換信息還原模塊在訓(xùn)練效果驗(yàn)證模式下或引擎執(zhí)行翻譯任務(wù)時(shí)將接收到的譯文中的特殊標(biāo)記還原，以便對(duì)機(jī)器翻譯引擎的訓(xùn)練效果進(jìn)行評(píng)價(jià)或輸出最終譯文。根據(jù)本發(fā)明，能有效提高機(jī)器翻譯引擎對(duì)翻譯文本中格式化信息尤其是標(biāo)簽的處理能力，使得機(jī)器翻譯引擎能高可靠性地處理翻譯文件中的例如上、下標(biāo)信息。

摘要： 提供了機(jī)器翻譯模型訓(xùn)練方法、機(jī)器翻譯方法、裝置和計(jì)算設(shè)備。訓(xùn)練方法包括：獲取第一訓(xùn)練樣本集，所述第一訓(xùn)練樣本集中的每個(gè)第一訓(xùn)練樣本包括作為源端樣本語(yǔ)句的第一語(yǔ)言的原文以及作為目標(biāo)端樣本語(yǔ)句的與所述第一語(yǔ)言不同的第二語(yǔ)言的譯文；獲取第二訓(xùn)練樣本集，其中，所述第二訓(xùn)練樣本集基于對(duì)所述第一訓(xùn)練樣本集和公共數(shù)據(jù)集中的至少一者應(yīng)用不同類(lèi)型的提示詞標(biāo)簽來(lái)生成，其中，每個(gè)提示詞標(biāo)簽用于標(biāo)注對(duì)其所應(yīng)用的第一訓(xùn)練樣本的源端樣本語(yǔ)句或其所應(yīng)用的公共數(shù)據(jù)的至少一部分進(jìn)行的操作；以及基于所述第一訓(xùn)練樣本集和所述第二訓(xùn)練樣本集對(duì)所述機(jī)器翻譯模型進(jìn)行訓(xùn)練。