CN109657251A - 用于翻译语句的方法和装置 - Google Patents
用于翻译语句的方法和装置 Download PDFInfo
- Publication number
- CN109657251A CN109657251A CN201811542553.4A CN201811542553A CN109657251A CN 109657251 A CN109657251 A CN 109657251A CN 201811542553 A CN201811542553 A CN 201811542553A CN 109657251 A CN109657251 A CN 109657251A
- Authority
- CN
- China
- Prior art keywords
- sentence
- translation
- sample
- translated
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/40—Processing or translation of natural language
- G06F40/58—Use of machine translation, e.g. for multi-lingual retrieval, for server-side translation for client devices or for real-time translation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/253—Grammatical analysis; Style critique
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Machine Translation (AREA)
Abstract
本申请实施例公开了用于翻译语句的方法和装置。该方法的一具体实施方式包括获取待翻译语句;对待翻译语句进行翻译,得到与待翻译语句对应的翻译语句;将翻译语句输入至预先训练的语法纠错模型,得到与翻译语句对应的正确翻译语句,其中,语法纠错模型用于对语句进行语法纠错。该实施方式利用语法纠错模型对翻译语句进行语法纠错,提高了翻译准确度。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及用于翻译语句的方法和装置。
背景技术
机器翻译,又称为自动翻译,是利用计算机将一种自然语言(源语言)转换为另一种自然语言(目标语言)的过程。它是计算语言学的一个分支,是人工智能的终极目标之一,具有重要的科学研究价值。传统的机器翻译基于以下原理:将源语句到目标语句的翻译视为一个概率问题,任何一个目标语句都有可能是任何一个源语句的译文,机器翻译的目的是为了查找出概率最大的目标语句作为源语句的翻译结果。然而,传统的机器翻译得到的目标语句可能存在语法错误,对阅读者造成影响。
发明内容
本申请实施例提出了用于翻译语句的方法和装置。
第一方面,本申请实施例提供了一种用于翻译语句的方法,包括:获取待翻译语句;对待翻译语句进行翻译,得到与待翻译语句对应的翻译语句;将翻译语句输入至预先训练的语法纠错模型,得到与翻译语句对应的正确翻译语句,其中,语法纠错模型用于对语句进行语法纠错。
在一些实施例中,对待翻译语句进行翻译,得到与待翻译语句对应的翻译语句,包括:将待翻译语句输入至预先训练的机器翻译模型,得到与待翻译语句对应的翻译语句,其中,机器翻译模型用于对语句进行机器翻译。
在一些实施例中,语法纠错模型通过如下步骤训练得到:获取第一训练样本,其中,第一训练样本包括第一样本错误翻译语句和第一样本正确翻译语句;将第一样本错误翻译语句作为输入,将第一样本正确翻译语句作为输出,训练得到语法纠错模型。
在一些实施例中,获取第一样本正确翻译语句;将第一样本正确翻译语句输入至预先训练的语法错误生成模型,得到第一样本正确翻译语句对应的第一样本错误翻译语句,其中,语法错误生成模型用于生成错误翻译语句。
在一些实施例中,语法错误生成模型通过如下步骤训练得到:获取第二训练样本,其中,第二训练样本包括第二样本正确翻译语句和第二样本错误翻译语句;将第二样本正确翻译语句作为输入,将第二样本错误翻译语句作为输出,训练得到语法错误生成模型。
第二方面,本申请实施例提供了一种用于翻译语句的装置,包括:获取单元,被配置成获取待翻译语句;翻译单元,被配置成对待翻译语句进行翻译,得到与待翻译语句对应的翻译语句;纠错单元,被配置成将翻译语句输入至预先训练的语法纠错模型,得到与翻译语句对应的正确翻译语句,其中,语法纠错模型用于对语句进行语法纠错。
在一些实施例中,翻译单元进一步被配置成:将待翻译语句输入至预先训练的机器翻译模型,得到与待翻译语句对应的翻译语句,其中,机器翻译模型用于对语句进行机器翻译。
在一些实施例中,语法纠错模型通过如下步骤训练得到:获取第一训练样本,其中,第一训练样本包括第一样本错误翻译语句和第一样本正确翻译语句;将第一样本错误翻译语句作为输入,将第一样本正确翻译语句作为输出,训练得到语法纠错模型。
在一些实施例中,获取第一训练样本,包括:获取第一样本正确翻译语句;将第一样本正确翻译语句输入至预先训练的语法错误生成模型,得到第一样本正确翻译语句对应的第一样本错误翻译语句,其中,语法错误生成模型用于生成错误翻译语句。
在一些实施例中,语法错误生成模型通过如下步骤训练得到:获取第二训练样本,其中,第二训练样本包括第二样本正确翻译语句和第二样本错误翻译语句;将第二样本正确翻译语句作为输入,将第二样本错误翻译语句作为输出,训练得到语法错误生成模型。
第三方面,本申请实施例提供了一种电子设备,该电子设备包括:一个或多个处理器;存储装置,其上存储有一个或多个程序;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实现方式描述的方法。
第四方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于翻译语句的方法和装置,首先对获取到的待翻译语句进行翻译,以得到与待翻译语句对应的翻译语句;然后将翻译语句输入至语法纠错模型,以得到与翻译语句对应的正确翻译语句。利用语法纠错模型对翻译语句进行语法纠错,提高了翻译准确度。
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2是根据本申请的用于翻译语句的方法的一个实施例的流程图;
图3是根据本申请的用于翻译语句的方法的又一个实施例的流程图;
图4是图3所提供的用于翻译语句的方法的一个应用场景的示意图;
图5是根据本申请的用于翻译语句的装置的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的电子设备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用于翻译语句的方法或用于翻译语句的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中可以包括终端设备101、网络102和服务器103。网络102用以在终端设备101和服务器103之间提供通信链路的介质。网络102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。
终端设备101可以通过网络102与服务器103交互,以接收或发送消息等。终端设备101上可以安装有各种客户端应用,例如翻译应用等。终端设备101可以是硬件,也可以是软件。当终端设备101为硬件时,可以是各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101为软件时,可以安装在上述电子设备中。其可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
服务器103可以是提供各种服务的服务器,例如,翻译应用的后台服务器。后台服务器可以对获取到的待翻译语句等数据进行分析等处理,并将处理结果(例如正确翻译语句)反馈给终端设备101。
需要说明的是,服务器103可以是硬件,也可以是软件。当服务器103为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器103为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本申请实施例所提供的用于翻译语句的方法一般由服务器103执行,相应地,用于翻译语句的装置一般设置于服务器103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,其示出了根据本申请的用于翻译语句的方法的一个实施例的流程200。该用于翻译语句的方法,包括以下步骤:
步骤201,获取待翻译语句。
在本实施例中,用于翻译语句的方法的执行主体(例如图1所示的服务器103)可以通过有线连接方式或者无线连接方式从终端设备(例如图1所示的终端设备101)接收用户发送的待翻译语句。其中,待翻译语句可以是一种指定自然语言的语句。例如,待翻译语句可以是中文的语句。
步骤202,对待翻译语句进行翻译,得到与待翻译语句对应的翻译语句。
在本实施例中,上述执行主体可以对待翻译语句进行翻译,以得到与待翻译语句对应的翻译语句。其中,翻译语句可以是不同于待翻译语句的另一种指定自然语言的语句。例如,翻译语句可以是英文。此时,上述执行主体可以对中文的待翻译语句进行翻译,得到英文的翻译语句。
在本实施例中,上述执行主体可以通过多种方式对待翻译语句进行翻译。例如,若待翻译语句是一种自然语言的语句,翻译语句是另一种自然语言的语句,那么本领域技术人员可以首先搜集大量与待翻译语句的自然语言种类相同的语句,然后人工翻译出与搜集到的语句对应的、与翻译语句的自然语言种类相同的语句,最后将搜集到的语句和对应的翻译出的语句存储在一个对应关系表中。这样,上述执行主体对待翻译语句进行翻译时,可以将待翻译语句与对应关系表中存储的与待翻译语句的自然语言种类相同的语句逐一进行匹配,若存在一个语句与待翻译语句匹配(相同或相似度高于预设相似度阈值),那么可以从对应关系表中查找出该语句对应的翻译出的语句,作为与待翻译语句对应的翻译语句。
步骤203,将翻译语句输入至预先训练的语法纠错模型,得到与翻译语句对应的正确翻译语句。
在本实施例中,对待翻译语句进行翻译得到的翻译语句中可能存在语法错误,为了提高翻译准确度,上述执行主体可以将翻译语句输入至预先训练的语法纠错模型,从而得到与翻译语句对应的正确翻译语句。其中,与翻译语句对应的正确翻译语句可以是不存在语法错误的语句,或者比翻译语句存在的语法错误少的语句。
在本实施例中,语法纠错模型可以用于对语句进行语法纠错,表征错误翻译语句与正确翻译语句之间的对应关系。
在本实施例的一些可选的实现方式中,语法纠错模型可以是本领域技术人员对大量错误翻译语句和对应的正确翻译语句进行统计分析,而得到的存储有多个错误翻译语句与正确翻译语句的对应关系表。此时,上述执行主体可以将翻译语句与对应关系表中的错误翻译语句逐一进行匹配,若存在一个错误翻译语句与翻译语句匹配(相同或相似度高于预设相似度阈值),那么可以从对应关系表中查找出该错误翻译语句对应的正确翻译语句,作为与翻译语句对应的正确翻译语句。
在本实施例的一些可选的实现方式中,语法纠错模型可以是利用各种机器学习方法和训练样本对现有的机器学习模型(例如各种神经网络等)进行有监督训练而得到的。通常,用于训练语法纠错模型的现有的机器学习模型可以是端到端的神经网络,包括但不限于RNN(Recurrent Neural Network,循环神经网络)、CNN(Convolutional NeuralNetwork,卷积神经网络)、DNN(Deep Neural Network,深层神经网络)、Transformer模型等等。通常,通过如下步骤训练得到:
首先,获取第一训练样本。
其中,每个第一训练样本可以包括第一样本错误翻译语句和第一样本正确翻译语句。其中,第一样本错误翻译语句可以是存在语法错误的翻译语句,第一样本正确翻译语句可以是不存在语法错误的翻译语句。
通常,若第一训练样本的规模在百万规模左右,那么本领域技术人员可以首先搜集百万个第一样本正确翻译语句,然后对第一样本正确翻译语句进行人工标注,得到第一样本正确翻译语句对应的第一样本错误翻译语句。
通常,若第一训练样本的规模通常在千万规模以上,那么本领域技术人员可以首先搜集千万个第一样本正确翻译语句,然后将第一样本正确翻译语句输入至预先训练的语法错误生成模型,从而得到第一样本正确翻译语句对应的第一样本错误翻译语句。这里,语法错误生成模型可以用于生成存在语法错误的错误翻译语句,表征正确翻译语句与错误翻译语句之间的对应关系。其中,语法错误生成模型可以是利用各种机器学习方法和训练样本对现有的机器学习模型(例如各种神经网络等)进行有监督训练而得到的。通常,用于训练语法错误生成模型的现有的机器学习模型可以是端到端的神经网络,包括但不限于RNN、CNN、DNN、Transformer模型。上述执行主体可以首先获取第二训练样本。其中,第二训练样本可以包括第二样本正确翻译语句和第二样本错误翻译语句。第二样本正确翻译语句可以是不存在语法错误的翻译语句。第二样本错误翻译语句可以是存在语法错误的翻译语句。本领域技术人员可以首先搜集百万个第二样本正确翻译语句,然后对第二样本正确翻译语句进行人工标注,得到第二样本正确翻译语句对应的第二样本错误翻译语句。然后将第二样本正确翻译语句作为输入,将第二样本错误翻译语句作为输出,训练得到语法错误生成模型。
然后,将第一样本错误翻译语句作为输入,将第一样本正确翻译语句作为输出,训练得到语法纠错模型。
这里,可以利用第一训练样本对现有的机器学习模型(例如Transformer模型)进行训练,从而得到用于对语句进行语法纠错的语法纠错模型。其中,现有的机器学习模型可以是未经训练或未训练完成的机器学习模型。
本申请实施例提供的用于翻译语句的方法,首先对获取到的待翻译语句进行翻译,以得到与待翻译语句对应的翻译语句;然后将翻译语句输入至语法纠错模型,以得到与翻译语句对应的正确翻译语句。利用语法纠错模型对翻译语句进行语法纠错,提高了翻译准确度。
进一步参考图3,其示出了根据本申请的用于翻译语句的方法的又一个实施例的流程300。该用于翻译语句的方法,包括以下步骤:
步骤301,获取待翻译语句。
在本实施例中,步骤301的具体操作与图2所示的实施例中步骤201的操作基本相同,在此不再赘述。
步骤302,将待翻译语句输入至预先训练的机器翻译模型,得到与待翻译语句对应的翻译语句。
在本实施例中,用于翻译语句的方法的执行主体(例如图1所示的服务器103)可以将待翻译语句输入至预先训练的机器翻译模型,从而得到与待翻译语句对应的翻译语句。其中,待翻译语句可以是一种指定自然语言的语句。例如,待翻译语句可以是中文的语句。翻译语句可以是不同于待翻译语句的另一种指定自然语言的语句。例如,翻译语句可以是英文。
在本实施例中,机器翻译模型可以用于对语句进行机器翻译,表征一种自然语言的语句与另一种自然语言的语句之间的对应关系。其中,机器翻译模型可以是利用各种机器学习方法和训练样本对现有的机器学习模型(例如各种神经网络等)进行有监督训练而得到的。通常,用于训练机器翻译模型的现有的机器学习模型可以是端到端的神经网络,包括但不限于RNN、CNN、DNN、Transformer模型。上述执行主体可以首先获取第三训练样本。其中,第三训练样本可以包括与待翻译语句的自然语言种类相同的语句和对应的与翻译语句的自然语言种类相同的语句。然后将与待翻译语句的自然语言种类相同的语句作为输入,将对应的与翻译语句的自然语言种类相同的语句作为输出,训练得到机器翻译模型。
步骤303,将翻译语句输入至预先训练的语法纠错模型,得到与翻译语句对应的正确翻译语句。
在本实施例中,步骤303的具体操作与图2所示的实施例中步骤203的操作基本相同,在此不再赘述。
继续参见图4,图4是图3所提供的用于翻译语句的方法的一个应用场景的示意图。在图4所示的应用场景中,用户可以打开手410上安装的翻译应用,输入中文语句401,并点击翻译按钮,以将中文语句401发送至翻译应用的后台服务器420。后台服务器420可以将中文语句401输入至机器翻译模型402,输出中文语句401对应的英文语句403。通常,英文语句403可能存在语法错误,为了提高翻译准确度,后台服务器420可以将英文语句403输入至语法纠错模型404,输出英文语句403对应的正确英文语句405。其中,正确英文语句405不存在语法错误,或者存在较少的语法错误。后台服务器420可以将正确英文语句405发送至手机410。此时,用户可以从手机410上查看正确英文语句405。
从图3中可以看出,与图2对应的实施例相比,本实施例中的用于翻译语句的方法的流程300突出了利用机器翻译模型得到翻译语句的步骤。由此,利用机器翻译模型得到翻译语句,提高了翻译效率。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种用于翻译语句的装置的一个实施例,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5所示,本实施例的用于翻译语句的装置500可以包括:获取单元501、翻译单元502和纠错单元503。其中,获取单元501,被配置成获取待翻译语句;翻译单元502,被配置成对待翻译语句进行翻译,得到与待翻译语句对应的翻译语句;纠错单元503,被配置成将翻译语句输入至预先训练的语法纠错模型,得到与翻译语句对应的正确翻译语句,其中,语法纠错模型用于对语句进行语法纠错。
在本实施例中,用于翻译语句的装置500中:获取单元501、翻译单元502和纠错单元503的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202和步骤203的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,翻译单元502进一步被配置成:将待翻译语句输入至预先训练的机器翻译模型,得到与待翻译语句对应的翻译语句,其中,机器翻译模型用于对语句进行机器翻译。
在本实施例的一些可选的实现方式中,语法纠错模型通过如下步骤训练得到:获取第一训练样本,其中,第一训练样本包括第一样本错误翻译语句和第一样本正确翻译语句;将第一样本错误翻译语句作为输入,将第一样本正确翻译语句作为输出,训练得到语法纠错模型。
在本实施例的一些可选的实现方式中,获取第一训练样本,包括:获取第一样本正确翻译语句;将第一样本正确翻译语句输入至预先训练的语法错误生成模型,得到第一样本正确翻译语句对应的第一样本错误翻译语句,其中,语法错误生成模型用于生成错误翻译语句。
在本实施例的一些可选的实现方式中,语法错误生成模型通过如下步骤训练得到:获取第二训练样本,其中,第二训练样本包括第二样本正确翻译语句和第二样本错误翻译语句;将第二样本正确翻译语句作为输入,将第二样本错误翻译语句作为输出,训练得到语法错误生成模型。
下面参考图6,其示出了适于用来实现本申请实施例的电子设备(例如图1所示的服务器103)的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例,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6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;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607;包括硬盘等的存储部分608;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609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,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610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608。
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609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601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介质或者是上述两者的任意组合。计算机可读介质例如可以是——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目标的程序设计语言—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:一种处理器包括获取单元、翻译单元和纠错单元。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,获取单元还可以被描述为“获取待翻译语句的单元”。
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电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。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电子设备执行时,使得该电子设备:获取待翻译语句;对待翻译语句进行翻译,得到与待翻译语句对应的翻译语句;将翻译语句输入至预先训练的语法纠错模型,得到与翻译语句对应的正确翻译语句,其中,语法纠错模型用于对语句进行语法纠错。
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上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 (12)
1.一种用于翻译语句的方法,包括:
获取待翻译语句;
对所述待翻译语句进行翻译,得到与所述待翻译语句对应的翻译语句;
将所述翻译语句输入至预先训练的语法纠错模型,得到与所述翻译语句对应的正确翻译语句,其中,所述语法纠错模型用于对语句进行语法纠错。
2.根据权利要求1所述的方法,其中,所述对所述待翻译语句进行翻译,得到与所述待翻译语句对应的翻译语句,包括:
将所述待翻译语句输入至预先训练的机器翻译模型,得到与所述待翻译语句对应的翻译语句,其中,所述机器翻译模型用于对语句进行机器翻译。
3.根据权利要求1所述的方法,其中,所述语法纠错模型通过如下步骤训练得到:
获取第一训练样本,其中,所述第一训练样本包括第一样本错误翻译语句和第一样本正确翻译语句;
将所述第一样本错误翻译语句作为输入,将所述第一样本正确翻译语句作为输出,训练得到所述语法纠错模型。
4.根据权利要求3所述的方法,其中,所述获取第一训练样本,包括:
获取所述第一样本正确翻译语句;
将所述第一样本正确翻译语句输入至预先训练的语法错误生成模型,得到所述第一样本正确翻译语句对应的所述第一样本错误翻译语句,其中,所述语法错误生成模型用于生成错误翻译语句。
5.根据权利要求4所述的方法,其中,所述语法错误生成模型通过如下步骤训练得到:
获取第二训练样本,其中,所述第二训练样本包括第二样本正确翻译语句和第二样本错误翻译语句;
将所述第二样本正确翻译语句作为输入,将所述第二样本错误翻译语句作为输出,训练得到所述语法错误生成模型。
6.一种用于翻译语句的装置,包括:
获取单元,被配置成获取待翻译语句;
翻译单元,被配置成对所述待翻译语句进行翻译,得到与所述待翻译语句对应的翻译语句;
纠错单元,被配置成将所述翻译语句输入至预先训练的语法纠错模型,得到与所述翻译语句对应的正确翻译语句,其中,所述语法纠错模型用于对语句进行语法纠错。
7.根据权利要求6所述的装置,其中,所述翻译单元进一步被配置成:
将所述待翻译语句输入至预先训练的机器翻译模型,得到与所述待翻译语句对应的翻译语句,其中,所述机器翻译模型用于对语句进行机器翻译。
8.根据权利要求6所述的装置,其中,所述语法纠错模型通过如下步骤训练得到:
获取第一训练样本,其中,所述第一训练样本包括第一样本错误翻译语句和第一样本正确翻译语句;
将所述第一样本错误翻译语句作为输入,将所述第一样本正确翻译语句作为输出,训练得到所述语法纠错模型。
9.根据权利要求8所述的装置,其中,所述获取第一训练样本,包括:
获取所述第一样本正确翻译语句;
将所述第一样本正确翻译语句输入至预先训练的语法错误生成模型,得到所述第一样本正确翻译语句对应的所述第一样本错误翻译语句,其中,所述语法错误生成模型用于生成错误翻译语句。
10.根据权利要求9所述的装置,其中,所述语法错误生成模型通过如下步骤训练得到:
获取第二训练样本,其中,所述第二训练样本包括第二样本正确翻译语句和第二样本错误翻译语句;
将所述第二样本正确翻译语句作为输入,将所述第二样本错误翻译语句作为输出,训练得到所述语法错误生成模型。
11.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
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1-5中任一所述的方法。
12.一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811542553.4A CN109657251B (zh) | 2018-12-17 | 2018-12-17 | 用于翻译语句的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811542553.4A CN109657251B (zh) | 2018-12-17 | 2018-12-17 | 用于翻译语句的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109657251A true CN109657251A (zh) | 2019-04-19 |
CN109657251B CN109657251B (zh) | 2022-08-09 |
Family
ID=66114693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811542553.4A Active CN109657251B (zh) | 2018-12-17 | 2018-12-17 | 用于翻译语句的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109657251B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110309512A (zh) * | 2019-07-05 | 2019-10-08 | 北京邮电大学 | 一种基于生成对抗网络的中文语法错误更正方法 |
CN110633476A (zh) * | 2019-09-27 | 2019-12-31 | 北京百度网讯科技有限公司 | 用于获取知识标注信息的方法及装置 |
CN110795947A (zh) * | 2019-08-30 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 语句翻译方法和装置、存储介质及电子装置 |
CN111339790A (zh) * | 2020-02-25 | 2020-06-26 | 北京字节跳动网络技术有限公司 | 文本翻译方法、装置、设备及计算机可读存储介质 |
CN111460827A (zh) * | 2020-04-01 | 2020-07-28 | 北京爱咔咔信息技术有限公司 | 文本信息处理方法、系统、设备及计算机可读存储介质 |
CN111753530A (zh) * | 2020-06-24 | 2020-10-09 | 上海依图网络科技有限公司 | 一种语句处理方法、装置、设备及介质 |
CN111767731A (zh) * | 2020-07-09 | 2020-10-13 | 北京猿力未来科技有限公司 | 语法纠错模型的训练方法及装置、语法纠错方法及装置 |
CN112687271A (zh) * | 2020-12-16 | 2021-04-20 | 北京百度网讯科技有限公司 | 语音翻译方法、装置、电子设备和存储介质 |
CN114330311A (zh) * | 2021-12-30 | 2022-04-12 | 安徽听见科技有限公司 | 一种翻译方法、装置、电子设备和计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6167369A (en) * | 1998-12-23 | 2000-12-26 | Xerox Company | Automatic language identification using both N-gram and word information |
CN103365838A (zh) * | 2013-07-24 | 2013-10-23 | 桂林电子科技大学 | 基于多元特征的英语作文语法错误自动纠正方法 |
CN106776549A (zh) * | 2016-12-06 | 2017-05-31 | 桂林电子科技大学 | 一种基于规则的英语作文语法错误纠正方法 |
CN107943794A (zh) * | 2016-10-12 | 2018-04-20 | 阿里巴巴集团控股有限公司 | 一种翻译方法及系统 |
CN108763227A (zh) * | 2018-05-21 | 2018-11-06 | 电子科技大学 | 一种基于分块机制的机器翻译方法 |
-
2018
- 2018-12-17 CN CN201811542553.4A patent/CN109657251B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6167369A (en) * | 1998-12-23 | 2000-12-26 | Xerox Company | Automatic language identification using both N-gram and word information |
CN103365838A (zh) * | 2013-07-24 | 2013-10-23 | 桂林电子科技大学 | 基于多元特征的英语作文语法错误自动纠正方法 |
CN107943794A (zh) * | 2016-10-12 | 2018-04-20 | 阿里巴巴集团控股有限公司 | 一种翻译方法及系统 |
CN106776549A (zh) * | 2016-12-06 | 2017-05-31 | 桂林电子科技大学 | 一种基于规则的英语作文语法错误纠正方法 |
CN108763227A (zh) * | 2018-05-21 | 2018-11-06 | 电子科技大学 | 一种基于分块机制的机器翻译方法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110309512A (zh) * | 2019-07-05 | 2019-10-08 | 北京邮电大学 | 一种基于生成对抗网络的中文语法错误更正方法 |
CN110795947B (zh) * | 2019-08-30 | 2023-07-14 | 腾讯科技(深圳)有限公司 | 语句翻译方法和装置、存储介质及电子装置 |
CN110795947A (zh) * | 2019-08-30 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 语句翻译方法和装置、存储介质及电子装置 |
CN110633476A (zh) * | 2019-09-27 | 2019-12-31 | 北京百度网讯科技有限公司 | 用于获取知识标注信息的方法及装置 |
CN110633476B (zh) * | 2019-09-27 | 2024-04-05 | 北京百度网讯科技有限公司 | 用于获取知识标注信息的方法及装置 |
CN111339790A (zh) * | 2020-02-25 | 2020-06-26 | 北京字节跳动网络技术有限公司 | 文本翻译方法、装置、设备及计算机可读存储介质 |
CN111460827A (zh) * | 2020-04-01 | 2020-07-28 | 北京爱咔咔信息技术有限公司 | 文本信息处理方法、系统、设备及计算机可读存储介质 |
CN111753530A (zh) * | 2020-06-24 | 2020-10-09 | 上海依图网络科技有限公司 | 一种语句处理方法、装置、设备及介质 |
CN111753530B (zh) * | 2020-06-24 | 2024-05-31 | 上海依图网络科技有限公司 | 一种语句处理方法、装置、设备及介质 |
CN111767731A (zh) * | 2020-07-09 | 2020-10-13 | 北京猿力未来科技有限公司 | 语法纠错模型的训练方法及装置、语法纠错方法及装置 |
CN112687271B (zh) * | 2020-12-16 | 2023-04-11 | 北京百度网讯科技有限公司 | 语音翻译方法、装置、电子设备和存储介质 |
CN112687271A (zh) * | 2020-12-16 | 2021-04-20 | 北京百度网讯科技有限公司 | 语音翻译方法、装置、电子设备和存储介质 |
CN114330311A (zh) * | 2021-12-30 | 2022-04-12 | 安徽听见科技有限公司 | 一种翻译方法、装置、电子设备和计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109657251B (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109657251A (zh) | 用于翻译语句的方法和装置 | |
KR102401942B1 (ko) | 번역품질 평가 방법 및 장치 | |
CN108427939B (zh) | 模型生成方法和装置 | |
CN107491547A (zh) | 基于人工智能的搜索方法和装置 | |
CN108628830B (zh) | 一种语义识别的方法和装置 | |
CN107861954B (zh) | 基于人工智能的信息输出方法和装置 | |
CN108040040A (zh) | 一种应用协议报文的自动化解析方法和装置 | |
JP2021108094A (ja) | 対話モデルを生成するための方法及び装置 | |
US20210217504A1 (en) | Method and apparatus for verifying medical fact | |
CN109614111A (zh) | 用于生成代码的方法和装置 | |
CN111159220B (zh) | 用于输出结构化查询语句的方法和装置 | |
CN109299477A (zh) | 用于生成文本标题的方法和装置 | |
CN109871311A (zh) | 一种推荐测试用例的方法和装置 | |
CN109582954A (zh) | 用于输出信息的方法和装置 | |
CN111415747B (zh) | 电子病历的构建方法及装置 | |
CN108121699A (zh) | 用于输出信息的方法和装置 | |
CN109947431A (zh) | 一种代码生成方法、装置、设备及存储介质 | |
CN109858045A (zh) | 机器翻译方法和装置 | |
CN111382261A (zh) | 摘要生成方法、装置、电子设备及存储介质 | |
CN109190123A (zh) | 用于输出信息的方法和装置 | |
CN109543068A (zh) | 用于生成视频的评论信息的方法和装置 | |
CN109739483A (zh) | 用于生成语句的方法和装置 | |
CN109284367A (zh) | 用于处理文本的方法和装置 | |
CN112309565A (zh) | 用于匹配药品信息和病症信息的方法、装置、电子设备和介质 | |
CN110705308A (zh) | 语音信息的领域识别方法、装置、存储介质及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |