CN107861954B - 基于人工智能的信息输出方法和装置 - Google Patents

Abstract

本申请公开了基于人工智能的信息输出方法和装置。该方法的一具体实施方式包括：接收待翻译的源语句并输入第一机器翻译模型，得到目标语句，第一机器翻译模型用于表征第一自然语言的源语句与第二自然语言的目标语句的对应关系；将源语句和目标语句输入改写判定模型，输出源语句的类别，改写判定模型用于表征源语句、目标语句以及源语句的类别的对应关系，类别包括改写和不改写；若类别为改写，则通过源语句查询改写规则表，得到改写后的源语句，改写规则表用于表征源语句与改写后的源语句的对应关系，再将改写后的源语句输入第一机器翻译模型，得到与改写后的源语句对应的最终目标语句作为翻译结果输出。该实施方式提高了机器翻译的准确率。

Description

基于人工智能的信息输出方法和装置

技术领域

本申请实施例涉及人工智能技术领域，具体涉及机器翻译技术领域，尤其涉及基于人工智能的信息输出方法和装置。

背景技术

人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

机器翻译是指利用计算机来自动的进行翻译的技术。机器翻译源语言改写技术是指利用计算机来自动的对用户输入的待翻译句子进行改写的技术。现有技术主要包含人工译前编辑和机器翻译预调序两种。人工译前编辑主要是翻译人员人工的对待翻译句子进行调整。机器翻译预调序是机器自动的对待翻译句子进行短语、段落进行顺序调整，这一调整不会改变句子中的词语，而仅仅是调整词语间的顺序。

发明内容

本申请实施例提出了基于人工智能的信息输出方法和装置。

第一方面，本申请实施例提供了一种基于人工智能的信息输出方法，包括：接收待翻译的源语句并输入第一机器翻译模型，得到目标语句，其中，第一机器翻译模型用于表征第一自然语言的源语句与第二自然语言的目标语句的对应关系；将源语句和目标语句输入改写判定模型，输出源语句的类别，其中，改写判定模型用于表征源语句、目标语句以及源语句的类别的对应关系，类别包括改写和不改写；若类别为改写，则通过源语句查询改写规则表，得到改写后的源语句，其中，改写规则表用于表征源语句与改写后的源语句的对应关系，再将改写后的源语句输入第一机器翻译模型，得到与改写后的源语句对应的最终目标语句作为翻译结果输出。

在一些实施例中，该方法还包括：获取至少一个语句组合，其中，至少一个语句组合中每个语句组合包括第一源语句和第一目标语句；对于至少一个语句组合中每个语句组合的第一源语句，将该第一源语句输入第一机器翻译模型，得到第二目标语句；对于至少一个语句组合中每个语句组合的第一目标语句，将该第一目标语句输入第二机器翻译模型，得到第二源语句，并将该第二源语句输入第一机器翻译模型，得到第三目标语句，其中，第二机器翻译模型用于表征第二自然语言的目标语句与第一自然语言的源语句的对应关系；对于至少一个语句组合中每个语句组合，确定该语句组合对应的第一目标语句与第二目标语句之间的第一相似度，以及该语句组合对应的第一目标语句与第三目标语句之间的第二相似度，若第二相似度大于第一相似度，则根据该语句组合中的第一源语句和第二源语句生成改写源语句组合。

在一些实施例中，改写规则表通过如下步骤生成：获取至少一个改写源语句组合，其中，至少一个改写源语句组合中每个改写源语句组合包括第一源语句和第二源语句；对于至少一个源语句组合改写源语句组合中每个源语句组合改写源语句组合，对该源语句组合改写源语句组合中的第一源语句进行分词得到第一词语集合，并对该源语句组合改写源语句组合中的第二源语句进行分词得到第二词语集合，将第一词语集合中的第一词语和第二词语集合中的第二词语进行语义对齐，生成至少一个对齐词语组合，从至少一个对齐词语组合中提取第一词语和第二词语不同的对齐词语组合作为改写词语组合；根据至少一个改写源语句组合对应的每个改写词语组合生成改写词语组合集合，并确定每个改写词语组合在改写词语组合集合中出现的概率；按照概率由大到小的顺序根据改写词语组合集合生成改写规则表。

在一些实施例中，按照概率由大到小的顺序根据改写词语组合集合生成改写规则表，包括：确定改写词语组合集合中每个改写词语组合对应的第二源语句与第一自然语言的语法规则的匹配度，并根据匹配度修正每个改写词语组合在改写词语组合集合中出现的概率；按照修正后的概率由大到小的顺序根据改写词语组合集合生成改写规则表。

在一些实施例中，通过源语句查询改写规则表，得到改写后的源语句，包括：查询改写规则表中与源语句对应的概率最高的源语句作为改写后的源语句。

在一些实施例中，改写判定模型通过如下步骤生成：将第二相似度大于第一相似度的第一目标语句和第一源语句作为正样本，并将第二相似度小于等于第一相似度的第一目标语句和第一源语句作为负样本；通过正样本和负样本训练神经网络分类器作为改写判定模型。

在一些实施例中，第二机器翻译模型的训练采用了第一自然语言的词库和第二自然语言的词库，并且第一自然语言的词库中词语数量小于第二自然语言的词库中词语数量。

在一些实施例中，该方法还包括：若类别为不改写，则将目标语句作为翻译结果输出。

第二方面，本申请实施例提供了一种基于人工智能的信息输出装置，包括：翻译单元，配置用于接收待翻译的源语句并输入第一机器翻译模型，得到目标语句，其中，第一机器翻译模型用于表征第一自然语言的源语句与第二自然语言的目标语句的对应关系；改写判定单元，配置用于将源语句和目标语句输入改写判定模型，输出源语句的类别，其中，改写判定模型用于表征源语句、目标语句以及源语句的类别的对应关系，类别包括改写和不改写；改写翻译单元，配置用于若类别为改写，则通过源语句查询改写规则表，得到改写后的源语句，其中，改写规则表用于表征源语句与改写后的源语句的对应关系，再将改写后的源语句输入第一机器翻译模型，得到与改写后的源语句对应的最终目标语句作为翻译结果输出。

在一些实施例中，该装置还包括改写源语句组合生成单元，配置用于：获取至少一个语句组合，其中，至少一个语句组合中每个语句组合包括第一源语句和第一目标语句；对于至少一个语句组合中每个语句组合的第一源语句，将该第一源语句输入第一机器翻译模型，得到第二目标语句；对于至少一个语句组合中每个语句组合的第一目标语句，将该第一目标语句输入第二机器翻译模型，得到第二源语句，并将该第二源语句输入第一机器翻译模型，得到第三目标语句，其中，第二机器翻译模型用于表征第二自然语言的目标语句与第一自然语言的源语句的对应关系；对于至少一个语句组合中每个语句组合，确定该语句组合对应的第一目标语句与第二目标语句之间的第一相似度，以及该语句组合对应的第一目标语句与第三目标语句之间的第二相似度，若第二相似度大于第一相似度，则根据该语句组合中的第一源语句和第二源语句生成改写源语句组合。

在一些实施例中，该装置还包括改写规则表生成单元，配置用于：获取至少一个改写源语句组合，其中，至少一个改写源语句组合中每个改写源语句组合包括第一源语句和第二源语句；对于至少一个源语句组合改写源语句组合中每个源语句组合改写源语句组合，对该源语句组合改写源语句组合中的第一源语句进行分词得到第一词语集合，并对该源语句组合改写源语句组合中的第二源语句进行分词得到第二词语集合，将第一词语集合中的第一词语和第二词语集合中的第二词语进行语义对齐，生成至少一个对齐词语组合，从至少一个对齐词语组合中提取第一词语和第二词语不同的对齐词语组合作为改写词语组合；根据至少一个改写源语句组合对应的每个改写词语组合生成改写词语组合集合，并确定每个改写词语组合在改写词语组合集合中出现的概率；按照概率由大到小的顺序根据改写词语组合集合生成改写规则表。

在一些实施例中，改写规则表生成单元进一步配置用于：确定改写词语组合集合中每个改写词语组合对应的第二源语句与第一自然语言的语法规则的匹配度，并根据匹配度修正每个改写词语组合在改写词语组合集合中出现的概率；按照修正后的概率由大到小的顺序根据改写词语组合集合生成改写规则表。

在一些实施例中，改写翻译单元进一步配置用于：查询改写规则表中与源语句对应的概率最高的源语句作为改写后的源语句。

在一些实施例中，该装置还包括改写判定模型生成单元，配置用于：将第二相似度大于第一相似度的第一目标语句和第一源语句作为正样本，并将第二相似度小于等于第一相似度的第一目标语句和第一源语句作为负样本；通过正样本和负样本训练神经网络分类器作为改写判定模型。

在一些实施例中，第二机器翻译模型的训练采用了第一自然语言的词库和第二自然语言的词库，并且第一自然语言的词库中词语数量小于第二自然语言的词库中词语数量。

在一些实施例中，该装置还包括输出单元，配置用于：若类别为不改写，则将目标语句作为翻译结果输出。

第三方面，本申请实施例提供了一种服务器，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面中任一的方法。

本申请实施例提供的基于人工智能的信息输出方法和装置，通过将待翻译的源语句翻译得到目标语句，根据目标语句判断是否需要改写源语句，当需要改写时，按照改写规则表对源语句改写后再重新翻译得到最终翻译结果。从而提高了机器翻译的准确率。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的基于人工智能的信息输出方法的一个实施例的流程图；

图3是根据本申请的基于人工智能的信息输出方法的生成改写源语句组合的流程图；

图4是根据本申请的基于人工智能的信息输出方法的一个应用场景的示意图；

图5是根据本申请的基于人工智能的信息输出方法的生成改写规则表的流程图；

图6是根据本申请的基于人工智能的信息输出装置的一个实施例的结构示意图；

图7是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的基于人工智能的信息输出方法或基于人工智能的信息输出装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、机器翻译类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持机器翻译的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的机器翻译页面提供支持的后台翻译服务器。后台翻译服务器可以对接收到的待翻译的源语句等数据进行分析等处理，并将处理结果(例如翻译结果数据)反馈给终端设备。

需要说明的是，本申请实施例所提供的基于人工智能的信息输出方法一般由服务器105执行，相应地，基于人工智能的信息输出装置一般设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的基于人工智能的信息输出方法的一个实施例的流程200。该基于人工智能的信息输出方法，包括以下步骤：

步骤201，接收待翻译的源语句并输入第一机器翻译模型，得到目标语句。

在本实施例中，基于人工智能的信息输出方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从用户利用其进行机器翻译的终端接收待翻译的源语句，然后将该待翻译的源语句输入第一机器翻译模型，得到目标语句。其中，源语句为第一自然语言的语句，目标语句为第二自然语言的语句。例如，源语句为中文语句，目标语句为英文语句，则第一机器翻译模型为将中文翻译成英文的机器翻译模型。第一机器翻译模型用于表征第一自然语言的源语句与第二自然语言的目标语句的对应关系。第一机器翻译模型可以是常用的统计机器翻译模型或者神经网络机器翻译(NeuralMachine Translation)模型。统计机器翻译(Statistical Machine Translation，简写为SMT)是机器翻译的一种，也是目前非限定领域机器翻译中性能较佳的一种方法。统计机器翻译的基本思想是通过对大量的平行语料进行统计分析，构建统计机器翻译模型，进而使用此模型进行翻译。从早期基于词的机器翻译已经过渡到基于短语的翻译，并正在融合句法信息，以进一步提高翻译的精确性。神经网络机器翻译的技术核心是一个拥有海量结点(神经元)的深度神经网络，可以自动的从语料库中学习翻译知识。一种语言的句子被向量化之后，在网络中层层传递，转化为计算机可以“理解”的表示形式，再经过多层复杂的传导运算，生成另一种语言的译文。实现了“理解语言，生成译文”的翻译方式。这种翻译方法最大的优势在于译文流畅，更加符合语法规范，容易理解。

步骤202，将源语句和目标语句输入改写判定模型，输出源语句的类别。

在本实施例中，改写判定模型用于表征源语句、目标语句以及源语句的类别的对应关系，类别包括改写和不改写。改写判定模型可以是贝叶斯网络分类器或者神经网络分类器等分类器。贝叶斯分类器的分类原理是通过某对象的先验概率，利用贝叶斯公式计算出其后验概率，即该对象属于某一类的概率，选择具有最大后验概率的类作为该对象所属的类。神经网络分类器解决多类分类问题的本质是把原分类问题分解为一类对其他类的二类分类问题。根据源语句和目标语句判定该翻译结果是否能满足用户需求，如果可以满足用户需求，则不需要改写，直接将目标语句作为翻译结果输出，如果无法满足用户，则需要将该源语句进行改写后再重新翻译。

在本实施例的一些可选的实现方式中，该方法还包括生成改写源语句组合的步骤：

1、获取至少一个语句组合，其中，至少一个语句组合中每个语句组合包括第一源语句和第一目标语句。如图3中所示，语句组合可以是一对正确互译的中文句子c和英文句子e，中文句子c代表第一源语句，英文句子e代表第一目标语句。例如，中文句子c为“这个东西怎么卖”英文句子e为“How much is it”。

2、对于至少一个语句组合中每个语句组合的第一源语句，将该第一源语句输入第一机器翻译模型，得到第二目标语句。例如，第一机器翻译模型可以是图3中所示的中英神经网络机器翻译模型。中英神经网络机器翻译模型将中文句子c“这个东西怎么卖”翻译成英文句子e〞“How do you sell this item”。

3、对于至少一个语句组合中每个语句组合的第一目标语句，将该第一目标语句输入第二机器翻译模型，得到第二源语句，并将该第二源语句输入第一机器翻译模型，得到第三目标语句，其中，第二机器翻译模型用于表征第二自然语言的目标语句与第一自然语言的源语句的对应关系。例如，第二机器翻译模型可以是图3中所示的英中神经网络机器翻译模型，将英文翻译成中文。可选的，第二机器翻译模型的训练采用了第一自然语言的词库和第二自然语言的词库，并且第一自然语言的词库中词语数量小于第二自然语言的词库中词语数量。例如，第一自然语言的词库包括3万个中文词语，第二自然语言的词库包括8万个英文词语。从而在英中翻译过程中，将复杂的英文转换为简单的中文。例如，将英文句子e“Howmuch is it”翻译成中文句子c＇“它的价格是多少”。图3所示的中英神经网络机器翻译模型可将中文句子c＇“它的价格是多少”翻译成英文句子e＇“How much is it”。

4、对于至少一个语句组合中每个语句组合，确定该语句组合对应的第一目标语句与第二目标语句之间的第一相似度，以及该语句组合对应的第一目标语句与第三目标语句之间的第二相似度，若第二相似度大于第一相似度，则根据该语句组合中的第一源语句和第二源语句生成改写源语句组合。例如，比较第一目标语句e“How much is it”和第二目标语句e〞“How do you sell this item”之间的第一相似度，即第一相似度用于表征直接翻译结果与期望翻译结果之间的相似度。比较第一目标语句e“How much is it”和第三目标语句e＇“How much is it”之间的第二相似度，即第二相似度用于表征改写后的翻译结果与期望翻译结果之间的相似度。若第二相似度大于第一相似度，则说明改写后的源语句的翻译结果更接近期望翻译结果，形成一个改写源语句组合(c，c＇)。即，“这个东西怎么卖”需要改写成“它的价格是多少”才能得到更准确的翻译结果。

在本实施例的一些可选的实现方式中，改写判定模型通过如下步骤生成：将第二相似度大于第一相似度的第一目标语句和第一源语句作为正样本，并将第二相似度小于等于第一相似度的第一目标语句和第一源语句作为负样本；通过正样本和负样本训练神经网络分类器作为改写判定模型。改写判定模型主要是利用来分类器来完成的。在生成改写源语句组合时，会得到一部分需要改写的中文句子(简写为c-pos)及对应的英文翻译(e-pos)，同时也会得到一部分不需要改写的中文句子(c-neg)及对应的英文翻译(e-neg)。在训练神经网络分类器的过程中，将c-pos及e-pos组成的双语句对作为正样本，将c-neg及e-neg组成的双语句对作为负样本，然后抽取特征来训练一个神经网络分类器。具体抽取的规则包含但不限于：句子长度比、语言模型得分、改写规则表得分等。长度比包含c-pos与e-pos的长度比，c-neg及e-neg的长度比。语言模型是通用的用于表征句子和语法规则的匹配度，匹配度越高则打分越高。改写规则表用于表征改写前句子与改写后句子组成改写词语组合的概率，概率越高则打分越高。

步骤203，若类别为改写，则通过源语句查询改写规则表，得到改写后的源语句，再将改写后的源语句输入第一机器翻译模型，得到与改写后的源语句对应的最终目标语句作为翻译结果输出。

在本实施例中，改写规则表用于表征源语句与改写后的源语句的对应关系，例如上例中“这个东西怎么卖”在改写规则表中对应着“它的价格是多少”。则将“它的价格是多少”输入第一机器翻译模型，得到翻译结果“How much is it”。

步骤204，若类别为不改写，将目标语句作为翻译结果输出。

在本实施例中，如果经步骤202判断出源语句的类型为不改写，则直接输出第一次输入第一机器翻译模型得到的目标语句作为翻译结果。

继续参见图4，图4是根据本实施例的基于人工智能的信息输出方法的应用场景的一个示意图。在图4的应用场景中，用户通过终端400输入待翻译语句401“这个东西怎么卖”后点击确定，终端400将待翻译语句401“这个东西怎么卖”发送到服务器，服务器通过第一机器翻译模型将待翻译语句401翻译成目标语句“How do you sell this item”。经过改写判定模型判断出源语句的类别为改写，则查询改写规则表找到待翻译语句401“这个东西怎么卖”对应的改写语句402“这个东西多少钱”并在终端上显示。然后再将改写语句402“这个东西多少钱”的翻译结果403“How much is it”在终端上输出。

本申请的上述实施例提供的方法通过将源语句改写后再进行机器翻译，提高了机器翻译的准确率。

进一步参考图5，其示出了基于人工智能的信息输出方法的生成改写规则表的流程500。该生成改写规则表的流程500，包括以下步骤：

步骤501，获取至少一个改写源语句组合。

在本实施例中，至少一个改写源语句组合中每个改写源语句组合包括第一源语句和第二源语句，第一源语句和第二源语句都是第一自然语言的语句。每个改写源语句组合可以是通过步骤202生成的(c，c＇)，其中，c代表第一源语句，c＇代表第二源语句。

步骤502，对于至少一个源语句组合改写源语句组合中每个源语句组合改写源语句组合，对该源语句组合改写源语句组合中的第一源语句进行分词得到第一词语集合，并对该源语句组合改写源语句组合中的第二源语句进行分词得到第二词语集合，将第一词语集合中的第一词语和第二词语集合中的第二词语进行语义对齐，生成至少一个对齐词语组合，从至少一个对齐词语组合中提取第一词语和第二词语不同的对齐词语组合作为改写词语组合；

在本实施例中，对于至少一个源语句组合改写源语句组合中每个源语句组合改写源语句组合(c，c＇)执行如下操作：

1、对源语句组合(c，c＇)进行分词。

分别对第一源语句c和第二源语句c＇进行分词。分词方法可以是最大逆向匹配法等通用分词方法。第一源语句c分词后得到第一词语集合，第二源语句c＇分词后得到第二词语集合。

2、使用分词后的源语句组合(c，c＇)进行词对齐。

这里的词对齐指的是语义对齐，例如，“孤”和“我”对齐，“朕”和“我”对齐，“寡人”和“我”对齐。第一词语可能没有相对应的第二词语，第一词语还可能与多个第二词语相对应。

3、使用对齐词语组合抽取出改写词语组合。

如果对齐后的第一词语和第二词语不一致，则认为该第一词语可被该第二词语替换，该第一词语可以和该第二词语可组成改写词语组合。

步骤503，根据至少一个改写源语句组合对应的每个改写词语组合生成改写词语组合集合，并确定每个改写词语组合在改写词语组合集合中出现的概率；

在本实施例中，对于经过步骤502生成的改写词语组合集合，进行概率统计。例如，改写词语组合集合中与“我”有关的改写词语组合共3个，(“我”，“孤”)组合出现过6次，(“我”，“朕”)组合出现过3次，(“我”，“寡人”)组合出现过3次，则将“我”改写成“孤”的概率为60％，将“我”改写成“朕”的概率为30％，将“我”改写成“寡人”的概率为10％。

步骤504，按照概率由大到小的顺序根据改写词语组合集合生成改写规则表。

在本实施例中，改写规则表中第一源语句和第二源语句的对应关系按照步骤503确定的概率排序，将概率高的排在前面，提高查询改写规则表的速度。可以基于短语的统计机器翻译系统生成改写规则表。

在本实施例的一些可选的实现方式中，按照概率由大到小的顺序根据改写词语组合集合生成改写规则表，包括：确定改写词语组合集合中每个改写词语组合对应的第二源语句与第一自然语言的语法规则的匹配度，并根据匹配度修正每个改写词语组合在改写词语组合集合中出现的概率；按照修正后的概率由大到小的顺序根据改写词语组合集合生成改写规则表。此步骤对改写规则表进行修正，不仅仅考虑改写概率，还考虑改写后的句子是否符合语法规则，从而使得改写后的句子更加流利、通顺。例如，虽然“寡人”可以改成“我”，但根据语法规则判断出“孤家寡人”改成“孤家我”是不符合语法规则的。因此需要修正改写规则表中(“寡人”，“我”)对应的概率，使得(“寡人”，“我”)在改写规则表中的排序下降。

在本实施例的一些可选的实现方式中，通过源语句查询改写规则表，得到改写后的源语句，包括：查询改写规则表中与源语句对应的概率最高的源语句作为改写后的源语句。由于改写规则表中按改写概率由高到低的顺序排序，因此只要找到与源语句对应的目标语句，则无需继续查询。训练改写判定模型时也参考改写规则表，如果改写规则表中不存在源语句，则不进行改写，判定出源语句类别为不改写。

从图5中可以看出，与图2对应的实施例相比，本实施例中的基于人工智能的信息输出方法的流程500突出了生成改写规则表的步骤。由此，本实施例描述的方案可以找到更加准确的改写语句，从而提高机器翻译的准确率和翻译速度。

进一步参考图6，作为对上述各图所示方法的实现，本申请提供了一种基于人工智能的信息输出装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图6所示，本实施例的基于人工智能的信息输出装置600包括：翻译单元601、改写判定单元602和改写翻译单元603。其中，翻译单元601配置用于接收待翻译的源语句并输入第一机器翻译模型，得到目标语句，其中，第一机器翻译模型用于表征第一自然语言的源语句与第二自然语言的目标语句的对应关系；改写判定单元602配置用于将源语句和目标语句输入改写判定模型，输出源语句的类别，其中，改写判定模型用于表征源语句、目标语句以及源语句的类别的对应关系，类别包括改写和不改写；改写翻译单元603配置用于若类别为改写，则通过源语句查询改写规则表，得到改写后的源语句，其中，改写规则表用于表征源语句与改写后的源语句的对应关系，再将改写后的源语句输入第一机器翻译模型，得到与改写后的源语句对应的最终目标语句作为翻译结果输出。

在本实施例中，基于人工智能的信息输出装置600的翻译单元601、改写判定单元602和改写翻译单元603的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203、步骤203。

在本实施例的一些可选的实现方式中，该装置600还包括改写源语句组合生成单元(未示出)，配置用于：获取至少一个语句组合，其中，至少一个语句组合中每个语句组合包括第一源语句和第一目标语句；对于至少一个语句组合中每个语句组合的第一源语句，将该第一源语句输入第一机器翻译模型，得到第二目标语句；对于至少一个语句组合中每个语句组合的第一目标语句，将该第一目标语句输入第二机器翻译模型，得到第二源语句，并将该第二源语句输入第一机器翻译模型，得到第三目标语句，其中，第二机器翻译模型用于表征第二自然语言的目标语句与第一自然语言的源语句的对应关系；对于至少一个语句组合中每个语句组合，确定该语句组合对应的第一目标语句与第二目标语句之间的第一相似度，以及该语句组合对应的第一目标语句与第三目标语句之间的第二相似度，若第二相似度大于第一相似度，则根据该语句组合中的第一源语句和第二源语句生成改写源语句组合。

在本实施例的一些可选的实现方式中，该装置还包括改写规则表生成单元(未示出)，配置用于：获取至少一个改写源语句组合，其中，至少一个改写源语句组合中每个改写源语句组合包括第一源语句和第二源语句；对于至少一个源语句组合改写源语句组合中每个源语句组合改写源语句组合，对该源语句组合改写源语句组合中的第一源语句进行分词得到第一词语集合，并对该源语句组合改写源语句组合中的第二源语句进行分词得到第二词语集合，将第一词语集合中的第一词语和第二词语集合中的第二词语进行语义对齐，生成至少一个对齐词语组合，从至少一个对齐词语组合中提取第一词语和第二词语不同的对齐词语组合作为改写词语组合；根据至少一个改写源语句组合对应的每个改写词语组合生成改写词语组合集合，并确定每个改写词语组合在改写词语组合集合中出现的概率；按照概率由大到小的顺序根据改写词语组合集合生成改写规则表。

在本实施例的一些可选的实现方式中，改写规则表生成单元进一步配置用于：确定改写词语组合集合中每个改写词语组合对应的第二源语句与第一自然语言的语法规则的匹配度，并根据匹配度修正每个改写词语组合在改写词语组合集合中出现的概率；按照修正后的概率由大到小的顺序根据改写词语组合集合生成改写规则表。

在本实施例的一些可选的实现方式中，改写翻译单元603进一步配置用于：查询改写规则表中与源语句对应的概率最高的源语句作为改写后的源语句。

在本实施例的一些可选的实现方式中，该装置还包括改写判定模型生成单元(未示出)，配置用于：将第二相似度大于第一相似度的第一目标语句和第一源语句作为正样本，并将第二相似度小于等于第一相似度的第一目标语句和第一源语句作为负样本；通过正样本和负样本训练神经网络分类器作为改写判定模型。

在本实施例的一些可选的实现方式中，第二机器翻译模型的训练采用了第一自然语言的词库和第二自然语言的词库，并且第一自然语言的词库中词语数量小于第二自然语言的词库中词语数量。

在本实施例的一些可选的实现方式中，该装置还包括输出单元(未示出)，配置用于：若类别为不改写，则将目标语句作为翻译结果输出。

下面参考图7，其示出了适于用来实现本申请实施例的服务器的计算机系统700的结构示意图。图7示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图7所示，计算机系统700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分707；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括翻译单元、改写判定单元、改写翻译单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，翻译单元还可以被描述为“接收待翻译的源语句并输入第一机器翻译模型，得到目标语句的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：接收待翻译的源语句并输入第一机器翻译模型，得到目标语句，第一机器翻译模型用于表征第一自然语言的源语句与第二自然语言的目标语句的对应关系；将源语句和目标语句输入改写判定模型，输出源语句的类别，改写判定模型用于表征源语句、目标语句以及源语句的类别的对应关系，类别包括改写和不改写；若类别为改写，则通过源语句查询改写规则表，得到改写后的源语句，改写规则表用于表征源语句与改写后的源语句的对应关系，再将改写后的源语句输入第一机器翻译模型，得到与改写后的源语句对应的最终目标语句作为翻译结果输出。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (16)

1.一种基于人工智能的信息输出方法，包括：

接收待翻译的源语句并输入第一机器翻译模型，得到目标语句，其中，所述第一机器翻译模型用于表征第一自然语言的源语句与第二自然语言的目标语句的对应关系；

将所述源语句和所述目标语句输入改写判定模型，输出所述源语句的类别，其中，所述改写判定模型用于表征源语句、目标语句以及源语句的类别的对应关系，所述类别包括改写和不改写；

若所述类别为改写，则通过所述源语句查询改写规则表，得到改写后的源语句，其中，所述改写规则表用于表征源语句与改写后的源语句的对应关系，再将所述改写后的源语句输入所述第一机器翻译模型，得到与所述改写后的源语句对应的最终目标语句作为翻译结果输出。

2.根据权利要求1所述的方法，其中，所述方法还包括：

获取至少一个语句组合，其中，所述至少一个语句组合中每个语句组合包括第一源语句和第一目标语句；

对于所述至少一个语句组合中每个语句组合的第一源语句，将该第一源语句输入所述第一机器翻译模型，得到第二目标语句；

对于所述至少一个语句组合中每个语句组合的第一目标语句，将该第一目标语句输入第二机器翻译模型，得到第二源语句，并将该第二源语句输入所述第一机器翻译模型，得到第三目标语句，其中，所述第二机器翻译模型用于表征所述第二自然语言的目标语句与所述第一自然语言的源语句的对应关系；

对于所述至少一个语句组合中每个语句组合，确定该语句组合对应的第一目标语句与第二目标语句之间的第一相似度，以及该语句组合对应的第一目标语句与第三目标语句之间的第二相似度，若所述第二相似度大于所述第一相似度，则根据该语句组合中的第一源语句和第二源语句生成改写源语句组合。

3.根据权利要求2所述的方法，其中，所述改写规则表通过如下步骤生成：

获取至少一个改写源语句组合，其中，所述至少一个改写源语句组合中每个改写源语句组合包括第一源语句和第二源语句；

对于所述至少一个源语句组合改写源语句组合中每个源语句组合改写源语句组合，对该源语句组合改写源语句组合中的第一源语句进行分词得到第一词语集合，并对该源语句组合改写源语句组合中的第二源语句进行分词得到第二词语集合，将所述第一词语集合中的第一词语和所述第二词语集合中的第二词语进行语义对齐，生成至少一个对齐词语组合，从所述至少一个对齐词语组合中提取第一词语和第二词语不同的对齐词语组合作为改写词语组合；

根据所述至少一个改写源语句组合对应的每个改写词语组合生成改写词语组合集合，并确定每个改写词语组合在所述改写词语组合集合中出现的概率；

按照概率由大到小的顺序根据所述改写词语组合集合生成改写规则表。

4.根据权利要求3所述的方法，其中，所述按照概率由大到小的顺序根据所述改写词语组合集合生成改写规则表，包括：

确定所述改写词语组合集合中每个改写词语组合对应的第二源语句与所述第一自然语言的语法规则的匹配度，并根据所述匹配度修正每个改写词语组合在所述改写词语组合集合中出现的概率；

按照修正后的概率由大到小的顺序根据所述改写词语组合集合生成改写规则表。

5.根据权利要求3或4所述的方法，其中，所述通过所述源语句查询改写规则表，得到改写后的源语句，包括：

查询所述改写规则表中与所述源语句对应的概率最高的源语句作为改写后的源语句。

6.根据权利要求2所述的方法，其中，所述改写判定模型通过如下步骤生成：

将第二相似度大于第一相似度的第一目标语句和第一源语句作为正样本，并将第二相似度小于等于第一相似度的第一目标语句和第一源语句作为负样本；

通过所述正样本和所述负样本训练神经网络分类器作为改写判定模型。

7.根据权利要求2-4之一所述的方法，其中，所述第二机器翻译模型的训练采用了所述第一自然语言的词库和所述第二自然语言的词库，并且所述第一自然语言的词库中词语数量小于所述第二自然语言的词库中词语数量。

8.根据权利要求1所述的方法，其中，所述方法还包括：

若所述类别为不改写，则将所述目标语句作为翻译结果输出。

9.一种基于人工智能的信息输出装置，包括：

翻译单元，配置用于接收待翻译的源语句并输入第一机器翻译模型，得到目标语句，其中，所述第一机器翻译模型用于表征第一自然语言的源语句与第二自然语言的目标语句的对应关系；

改写判定单元，配置用于将所述源语句和所述目标语句输入改写判定模型，输出所述源语句的类别，其中，所述改写判定模型用于表征源语句、目标语句以及源语句的类别的对应关系，所述类别包括改写和不改写；

改写翻译单元，配置用于若所述类别为改写，则通过所述源语句查询改写规则表，得到改写后的源语句，其中，所述改写规则表用于表征源语句与改写后的源语句的对应关系，再将所述改写后的源语句输入所述第一机器翻译模型，得到与所述改写后的源语句对应的最终目标语句作为翻译结果输出。

10.根据权利要求9所述的装置，其中，所述装置还包括改写源语句组合生成单元，配置用于：

获取至少一个语句组合，其中，所述至少一个语句组合中每个语句组合包括第一源语句和第一目标语句；

对于所述至少一个语句组合中每个语句组合的第一源语句，将该第一源语句输入所述第一机器翻译模型，得到第二目标语句；

对于所述至少一个语句组合中每个语句组合的第一目标语句，将该第一目标语句输入第二机器翻译模型，得到第二源语句，并将该第二源语句输入所述第一机器翻译模型，得到第三目标语句，其中，所述第二机器翻译模型用于表征所述第二自然语言的目标语句与所述第一自然语言的源语句的对应关系；

对于所述至少一个语句组合中每个语句组合，确定该语句组合对应的第一目标语句与第二目标语句之间的第一相似度，以及该语句组合对应的第一目标语句与第三目标语句之间的第二相似度，若所述第二相似度大于所述第一相似度，则根据该语句组合中的第一源语句和第二源语句生成改写源语句组合。

11.根据权利要求10所述的装置，其中，所述装置还包括改写规则表生成单元，配置用于：

获取至少一个改写源语句组合，其中，所述至少一个改写源语句组合中每个改写源语句组合包括第一源语句和第二源语句；

对于所述至少一个源语句组合改写源语句组合中每个源语句组合改写源语句组合，对该源语句组合改写源语句组合中的第一源语句进行分词得到第一词语集合，并对该源语句组合改写源语句组合中的第二源语句进行分词得到第二词语集合，将所述第一词语集合中的第一词语和所述第二词语集合中的第二词语进行语义对齐，生成至少一个对齐词语组合，从所述至少一个对齐词语组合中提取第一词语和第二词语不同的对齐词语组合作为改写词语组合；

根据所述至少一个改写源语句组合对应的每个改写词语组合生成改写词语组合集合，并确定每个改写词语组合在所述改写词语组合集合中出现的概率；

按照概率由大到小的顺序根据所述改写词语组合集合生成改写规则表。

12.根据权利要求11所述的装置，其中，所述改写规则表生成单元进一步配置用于：

确定所述改写词语组合集合中每个改写词语组合对应的第二源语句与所述第一自然语言的语法规则的匹配度，并根据所述匹配度修正每个改写词语组合在所述改写词语组合集合中出现的概率；

按照修正后的概率由大到小的顺序根据所述改写词语组合集合生成改写规则表。

13.根据权利要求11或12所述的装置，其中，所述改写翻译单元进一步配置用于：

查询所述改写规则表中与所述源语句对应的概率最高的源语句作为改写后的源语句。

14.根据权利要求10所述的装置，其中，所述装置还包括改写判定模型生成单元，配置用于：

将第二相似度大于第一相似度的第一目标语句和第一源语句作为正样本，并将第二相似度小于等于第一相似度的第一目标语句和第一源语句作为负样本；

通过所述正样本和所述负样本训练神经网络分类器作为改写判定模型。

15.一种服务器，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。

16.一种计算机可读存储介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-8中任一所述的方法。

Images