CN111859994B - 机器翻译模型获取及文本翻译方法、装置及存储介质 - Google Patents
机器翻译模型获取及文本翻译方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111859994B CN111859994B CN202010515032.0A CN202010515032A CN111859994B CN 111859994 B CN111859994 B CN 111859994B CN 202010515032 A CN202010515032 A CN 202010515032A CN 111859994 B CN111859994 B CN 111859994B
- Authority
- CN
- China
- Prior art keywords
- embedding
- text
- word
- source language
- pseudo
- 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.)
- Active
Links
- 238000013519 translation Methods 0.000 title claims abstract description 132
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 76
- 230000009466 transformation Effects 0.000 claims abstract description 8
- 230000015654 memory Effects 0.000 claims description 21
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000003058 natural language processing Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Machine Translation (AREA)
Abstract
本申请公开了机器翻译模型获取及文本翻译方法、装置及存储介质，涉及自然语言处理及深度学习领域，其中的方法可包括：获取训练数据，包括由双语平行语料构成的训练数据以及由伪双语平行语料构成的训练数据，双语平行语料中包括真实的源语言文本以及对应的真实的目标语言文本，伪双语平行语料中包括真实的目标语言文本以及通过预定方式变换得到的为伪数据的源语言文本；利用训练数据训练机器翻译模型，以便利用机器翻译模型得到待翻译的源语言文本对应的目标语言文本，其中，在机器翻译模型的输入中增加拼音嵌入。应用本申请所述方案，可提升翻译结果的准确性等。
Description
技术领域
本申请涉及计算机应用技术，特别涉及自然语言处理及深度学习领域的机器翻译模型获取及文本翻译方法、装置及存储介质。
背景技术
机器同传翻译为自然语言处理领域的一个重要应用，其主要实现流程为：通过自动语音识别技术(ASR，Automatic Speech Recognition)将语音转换为源语言文本，通过机器翻译模型生成相应的目标语言文本。
机器翻译模型是基于端到端的方式，使用大规模的质量较高的双语平行语料训练得到的，假设输入的文本不存在词汇或语法等错误，但是在机器同传翻译中，语音先识别为文本再进行翻译，文本识别可能存在错误，从而会导致后续的翻译结果不准确。
发明内容
本申请提供了机器翻译模型获取及文本翻译方法、装置及存储介质。
一种机器翻译模型获取方法，包括：
获取训练数据，包括由双语平行语料构成的训练数据以及由伪双语平行语料构成的训练数据，所述双语平行语料中包括真实的源语言文本以及对应的真实的目标语言文本，所述伪双语平行语料中包括真实的目标语言文本以及通过预定方式变换得到的为伪数据的源语言文本；
利用所述训练数据训练机器翻译模型，以便利用所述机器翻译模型得到待翻译的源语言文本对应的目标语言文本，其中，在所述机器翻译模型的输入中增加拼音嵌入。
一种文本翻译方法，包括：
获取待翻译的源语言文本；
分别获取所述源语言文本中的各词的拼音嵌入，根据所述拼音嵌入及按照上述方法获取到的机器翻译模型，得到所述源语言文本对应的目标语言文本。
一种机器翻译模型获取装置，包括：样本获取模块以及模型训练模块；
所述样本获取模块，用于获取训练数据，包括由双语平行语料构成的训练数据以及由伪双语平行语料构成的训练数据，所述双语平行语料中包括真实的源语言文本以及对应的真实的目标语言文本，所述伪双语平行语料中包括真实的目标语言文本以及通过预定方式变换得到的为伪数据的源语言文本；
所述模型训练模块，用于利用所述训练数据训练机器翻译模型，以便利用所述机器翻译模型得到待翻译的源语言文本对应的目标语言文本，其中，在所述机器翻译模型的输入中增加拼音嵌入。
一种文本翻译装置，包括：文本获取模块以及文本翻译模块；
所述文本获取模块，用于获取待翻译的源语言文本；
所述文本翻译模块，用于分别获取所述源语言文本中的各词的拼音嵌入，根据所述拼音嵌入及按照上述装置获取到的机器翻译模型，得到所述源语言文本对应的目标语言文本。
一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如以上所述的方法。
一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如以上所述的方法。
上述申请中的一个实施例具有如下优点或有益效果：区别于目前使用的机器翻译模型仅利用普通的双语平行语料进行训练，本申请中提出使用双语平行语料及伪双语平行语料对机器翻译模型进行训练，伪双语平行语料中包括真实的目标语言文本以及通过预定方式变换得到的为伪数据的源语言文本，从而实现了数据增强，增强了机器翻译模型的错误处理能力，并在机器翻译模型的输入中增加了拼音嵌入，从而克服了与发音相关的错误，两方面相结合，极大地提高了翻译结果的准确性。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1为本申请所述机器翻译模型获取方法实施例的流程图；
图2为本申请所述机器翻译模型的获取过程示意图；
图3为本申请所述机器翻译模型的输入和输出示意图；
图4为本申请所述文本翻译方法实施例的流程图；
图5为本申请所述机器翻译模型获取装置50实施例的组成结构示意图；
图6为本申请所述文本翻译装置60实施例的组成结构示意图；
图7为根据本申请实施例所述方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
另外，应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
图1为本申请所述机器翻译模型获取方法实施例的流程图。如图1所示，包括以下具体实现方式。
在101中，获取训练数据，包括由双语平行语料构成的训练数据以及由伪双语平行语料构成的训练数据，双语平行语料中包括真实的源语言文本以及对应的真实的目标语言文本，伪双语平行语料中包括真实的目标语言文本以及通过预定方式变换得到的为伪数据的源语言文本。
在103中，利用训练数据训练机器翻译模型，以便利用机器翻译模型得到待翻译的源语言文本对应的目标语言文本，其中，在机器翻译模型的输入中增加拼音嵌入(Embedding)。
区别于目前使用的机器翻译模型仅利用普通的双语平行语料进行训练，本实施例中提出使用双语平行语料及伪双语平行语料对机器翻译模型进行训练。
即获取到的训练数据中同时包括由双语平行语料构成的训练数据以及由伪双语平行语料构成的训练数据。其中，双语平行语料中包括真实的源语言文本以及对应的真实的目标语言文本，为模型提供较为准确的词或句子的对齐关系。比如，源语言文本可为中文文本，目标语言文本可为英文文本。
伪双语平行语料中包括真实的目标语言文本以及通过预定方式变换得到的为伪数据的源语言文本。伪双语平行语料中可包括第一类伪双语平行语料和/或第二类伪双语平行语料，优选地，可同时包括第一类伪双语平行语料和第二类伪双语平行语料，以提升模型训练效果等。
第一类伪双语平行语料可为反向翻译(back-translation)伪双语平行语料，其中的源语言文本可为根据目标语言文本通过反向翻译策略得到的，即可对真实的目标语言文本进行反向翻译，得到源语言文本，从而得到源语言文本为伪数据而目标语言文本为真实数据的伪双语平行语料。
第二类伪双语平行语料可为加入语音噪声的伪双语平行语料，其中的源语言文本可为将真实的源语言文本转换为语音后再识别为文本得到的，如可首先将真实的源语言文本通过从文本到语音(TTS，Text To Speech)技术转换为语音，然后再通过ASR技术将语音识别为文本，从而为模型引入一定的包含语音错误的文本，得到源语言文本为伪数据而目标语言文本为真实数据的伪双语平行语料。
在获取到上述训练数据后，还可对其进行清洗，如按照预定规则，清洗掉噪声过大的训练数据等，以提升训练数据的质量，提升模型训练效果等。
之后，即可利用训练数据来训练机器翻译模型，如可采用深度学习方法训练机器翻译模型，由于训练数据中同时包含了双语平行语料及伪双语平行语料，从而实现了数据增强，增强了机器翻译模型的错误处理能力，进而提升了后续翻译结果的准确性等。
基于上述介绍，图2为本申请所述机器翻译模型的获取过程示意图，具体实现请参照前述相关说明，不再赘述。
在对机器翻译模型进行训练时，还可在机器翻译模型的输入中增加拼音嵌入。
机器翻译模型通常为标准的变换器(transformer)模型，除上述拼音嵌入外，输入中还会包含词嵌入，针对源语言文本中的任一词，可分别将该词对应的各嵌入加权相加，作为机器翻译模型的输入。优选地，本实施例中所述的拼音嵌入可同时包括混淆音嵌入和同音嵌入。
通过上述处理，可将各种嵌入进行融合，从而提升了模型训练效果，并可克服与发音相关的各种错误，进而进一步提升了翻译结果的准确性等。
图3为本申请所述机器翻译模型的输入和输出示意图。如图3所示，假设输入的文本为“年初北京下雪了”，“年初北京下雪了”可分为“年初”、“北京”、“下雪”、“了”等词，如何分词为现有技术，以“年初”为例，可分别获取“年初”的词嵌入、混淆音嵌入和同音嵌入，各嵌入均为向量形式，且维度相同，可将各嵌入分别与对应的权重相乘，并将相乘结果相加，从而得到“年初”对应的向量表示，不同嵌入对应的权重可以相同，也可以不同，按照类似的方式，可分别得到其它各词对应的向量表示，作为机器翻译模型的输入。
仍以“年初”为例，其同音嵌入可以是指“年初”的拼音“nianchu”对应的嵌入，混淆音嵌入可以是指与“nianchu”容易发生混淆的拼音对应的嵌入，如“niancu”，可预先建立不同词的拼音与对应的混淆音的对应关系表，这样，通过查询所述对应关系表，即可迅速准确地确定出所需的混淆音。对于任一拼音来说，其对应的混淆音可以为一个，也可以为多个，如果为多个，可随机选出一个或结合上下文等从中选出一个作为所需的混淆音。
在利用训练数据对机器翻译模型进行训练时，可将训练数据中的源语言文本作为机器翻译模型的输入的文本，并可通过比较机器翻译模型的输出以及训练数据中的目标语言文本对机器翻译模型进行参数更新等。
完成机器翻译模型的训练后，即可利用机器翻译模型来进行实际的文本翻译。
图4为本申请所述文本翻译方法实施例的流程图。如图4所示，包括以下具体实现方式。
在401中，获取待翻译的源语言文本。
在402中，分别获取源语言文本中的各词的拼音嵌入，根据所述拼音嵌入及预先获取到的机器翻译模型，得到源语言文本对应的目标语言文本。
预先获取到的机器翻译模型即为按照图1所示方法获取到的机器翻译模型。
针对源语言文本中的任一词，可分别获取该词的词嵌入及拼音嵌入，并可将该词对应的各嵌入加权相加，作为机器翻译模型的输入。优选地，拼音嵌入中可包括：混淆音嵌入和同音嵌入。
需要说明的是，对于前述的各方法实施例，为了简单描述，将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。另外，某个实施例中没有详述的部分，可以参见其它实施例中的相关说明。
总之，采用本申请方法实施例所述方案，可使用双语平行语料及伪双语平行语料对机器翻译模型进行训练，伪双语平行语料中可包括真实的目标语言文本以及通过预定方式变换得到的为伪数据的源语言文本，从而实现了数据增强，增强了机器翻译模型的错误处理能力，并在机器翻译模型的输入中增加了拼音嵌入，如可包括混淆音嵌入和同音嵌入，从而克服了与发音相关的各种错误，两方面相结合，极大地提高了翻译结果的准确性。
以上是关于方法实施例的介绍，以下通过装置实施例，对本申请所述方案进行进一步说明。
图5为本申请所述机器翻译模型获取装置50实施例的组成结构示意图。如图5所示，包括：样本获取模块501以及模型训练模块502。
样本获取模块501，用于获取训练数据，包括由双语平行语料构成的训练数据以及由伪双语平行语料构成的训练数据，双语平行语料中包括真实的源语言文本以及对应的真实的目标语言文本，伪双语平行语料中包括真实的目标语言文本以及通过预定方式变换得到的为伪数据的源语言文本。
模型训练模块502，用于利用训练数据训练机器翻译模型，以便利用机器翻译模型得到待翻译的源语言文本对应的目标语言文本，其中，在机器翻译模型的输入中增加拼音嵌入。
即样本获取模块501获取到的训练数据中同时包括由双语平行语料构成的训练数据以及由伪双语平行语料构成的训练数据。其中，双语平行语料中包括真实的源语言文本以及对应的真实的目标语言文本，为模型提供较为准确的词或句子的对齐关系。比如，源语言文本可为中文文本，目标语言文本可为英文文本。
伪双语平行语料中包括真实的目标语言文本以及通过预定方式变换得到的为伪数据的源语言文本。伪双语平行语料中可包括第一类伪双语平行语料和/或第二类伪双语平行语料，优选地，可同时包括第一类伪双语平行语料和第二类伪双语平行语料。
第一类伪双语平行语料可为反向翻译伪双语平行语料，其中的源语言文本可为根据目标语言文本通过反向翻译策略得到的，即可对真实的目标语言文本进行反向翻译，得到源语言文本，从而得到源语言文本为伪数据而目标语言文本为真实数据的伪双语平行语料。
第二类伪双语平行语料可为加入语音噪声的伪双语平行语料，其中的源语言文本可为将真实的源语言文本转换为语音后再识别为文本得到的，如可首先将真实的源语言文本通过TTS技术转换为语音，然后再通过ASR技术将语音识别为文本，从而得到源语言文本为伪数据而目标语言文本为真实数据的伪双语平行语料。
模型训练模块502可利用上述训练数据来训练机器翻译模型，其中，可在机器翻译模型的输入中增加拼音嵌入。
除上述拼音嵌入外，输入中还会包含词嵌入，针对源语言文本中的任一词，模型训练模块502可分别将该词对应的各嵌入加权相加，作为机器翻译模型的输入。优选地，本实施例中所述的拼音嵌入可同时包括混淆音嵌入和同音嵌入。
在利用训练数据对机器翻译模型进行训练时，可将训练数据中的源语言文本作为机器翻译模型的输入的文本，并可通过比较机器翻译模型的输出以及训练数据中的目标语言文本对机器翻译模型进行参数更新等。
完成机器翻译模型的训练后，即可利用机器翻译模型来进行实际的文本翻译。
图6为本申请所述文本翻译装置60实施例的组成结构示意图。如图6所示，包括：文本获取模块601以及文本翻译模块602。
文本获取模块601，用于获取待翻译的源语言文本。
文本翻译模块602，用于分别获取源语言文本中的各词的拼音嵌入，根据所述拼音嵌入及预先获取到的机器翻译模型，得到源语言文本对应的目标语言文本。
预先获取到的机器翻译模型即为图5所示装置获取到的机器翻译模型。
文本翻译模块602针对源语言文本中的任一词，可分别获取该词的词嵌入及拼音嵌入，并可将该词对应的各嵌入加权相加，作为机器翻译模型的输入。优选地，拼音嵌入中可包括：混淆音嵌入和同音嵌入。
图5和图6所示装置实施例的具体工作流程请参照前述方法实施例中的相关说明，不再赘述。
总之，采用本申请装置实施例所述方案，可使用双语平行语料及伪双语平行语料对机器翻译模型进行训练，伪双语平行语料中包括真实的目标语言文本以及通过预定方式变换得到的为伪数据的源语言文本，从而实现了数据增强，增强了机器翻译模型的错误处理能力，并在机器翻译模型的输入中增加了拼音嵌入，如可包括混淆音嵌入和同音嵌入，从而克服了与发音相关的各种错误，两方面相结合，极大地提高了翻译结果的准确性。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图7所示，是根据本申请实施例所述方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图7所示，该电子设备包括：一个或多个处理器Y01、存储器Y02，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示图形用户界面的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器Y01为例。
存储器Y02即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的方法。
存储器Y02作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的方法对应的程序指令/模块。处理器Y01通过运行存储在存储器Y02中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的方法。
存储器Y02可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器Y02可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器Y02可选包括相对于处理器Y01远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、区块链网络、局域网、移动通信网及其组合。
电子设备还可以包括：输入装置Y03和输出装置Y04。处理器Y01、存储器Y02、输入装置Y03和输出装置Y04可以通过总线或者其他方式连接，图7中以通过总线连接为例。
输入装置Y03可接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置Y04可以包括显示设备、辅助照明装置和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器、发光二极管显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用集成电路、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置)，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，阴极射线管或者液晶显示器监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网、广域网、区块链网络和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (12)
1.一种机器翻译模型获取方法，包括：
获取训练数据，包括由双语平行语料构成的训练数据以及由伪双语平行语料构成的训练数据，所述双语平行语料中包括真实的源语言文本以及对应的真实的目标语言文本，所述伪双语平行语料中包括真实的目标语言文本以及通过预定方式变换得到的为伪数据的源语言文本；其中，所述伪双语平行语料中包括：第二类伪双语平行语料，所述第二类伪双语平行语料中的源语言文本为将真实的源语言文本通过文本到语音技术转换为语音后、再通过自动语音识别技术将所述语音识别为文本得到的；
利用所述训练数据训练机器翻译模型，以便利用所述机器翻译模型得到待翻译的源语言文本对应的目标语言文本，其中，在所述机器翻译模型的输入中增加源语言文本中的各词的拼音嵌入，所述拼音嵌入包括混淆音嵌入和同音嵌入，其中，对于任一词，所述同音嵌入为所述词的拼音对应的嵌入，所述混淆音嵌入为与所述词的拼音容易发生混淆的拼音对应的嵌入，通过查询预先建立的不同词的拼音与对应的混淆音之间的对应关系表，确定出所述词的拼音对应的混淆音。
2.根据权利要求1所述的方法，其中，
所述伪双语平行语料中还包括：第一类伪双语平行语料，所述第一类伪双语平行语料中的源语言文本为根据目标语言文本通过反向翻译策略得到的。
3.根据权利要求1所述的方法，其中，所述机器翻译模型的输入中进一步包括：词嵌入；
还包括：针对源语言文本中的任一词，分别将所述词对应的各嵌入加权相加，作为所述机器翻译模型的输入。
4.一种文本翻译方法，包括：
获取待翻译的源语言文本；
分别获取所述源语言文本中的各词的拼音嵌入，根据所述拼音嵌入及按照权利要求1-3中任一项所述方法获取到的机器翻译模型，得到所述源语言文本对应的目标语言文本。
5.根据权利要求4所述的方法，还包括：
针对所述源语言文本中的任一词，分别获取所述词的词嵌入，并将所述词对应的各嵌入加权相加，作为所述机器翻译模型的输入。
6.一种机器翻译模型获取装置，包括：样本获取模块以及模型训练模块；
所述样本获取模块，用于获取训练数据，包括由双语平行语料构成的训练数据以及由伪双语平行语料构成的训练数据，所述双语平行语料中包括真实的源语言文本以及对应的真实的目标语言文本，所述伪双语平行语料中包括真实的目标语言文本以及通过预定方式变换得到的为伪数据的源语言文本；其中，所述伪双语平行语料中包括：第二类伪双语平行语料，所述第二类伪双语平行语料中的源语言文本为将真实的源语言文本通过文本到语音技术转换为语音后、再通过自动语音识别技术将所述语音识别为文本得到的；
所述模型训练模块，用于利用所述训练数据训练机器翻译模型，以便利用所述机器翻译模型得到待翻译的源语言文本对应的目标语言文本，其中，在所述机器翻译模型的输入中增加源语言文本中的各词的拼音嵌入，所述拼音嵌入包括混淆音嵌入和同音嵌入，其中，对于任一词，所述同音嵌入为所述词的拼音对应的嵌入，所述混淆音嵌入为与所述词的拼音容易发生混淆的拼音对应的嵌入，通过查询预先建立的不同词的拼音与对应的混淆音之间的对应关系表，确定出所述词的拼音对应的混淆音。
7.根据权利要求6所述的装置，其中，
所述伪双语平行语料中还包括：第一类伪双语平行语料，所述第一类伪双语平行语料中的源语言文本为根据目标语言文本通过反向翻译策略得到的。
8.根据权利要求6所述的装置，其中，所述机器翻译模型的输入中进一步包括：词嵌入；
所述模型训练模块进一步用于，针对源语言文本中的任一词，分别将所述词对应的各嵌入加权相加，作为所述机器翻译模型的输入。
9.一种文本翻译装置，包括：文本获取模块以及文本翻译模块；
所述文本获取模块，用于获取待翻译的源语言文本；
所述文本翻译模块，用于分别获取所述源语言文本中的各词的拼音嵌入，根据所述拼音嵌入及按照权利要求6-8中任一项所述的装置获取到的机器翻译模型，得到所述源语言文本对应的目标语言文本。
10.根据权利要求9所述的装置，其中，所述所述文本翻译模块进一步用于，针对所述源语言文本中的任一词，分别获取所述词的词嵌入，并将所述词对应的各嵌入加权相加，作为所述机器翻译模型的输入。
11.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010515032.0A CN111859994B (zh) | 2020-06-08 | 2020-06-08 | 机器翻译模型获取及文本翻译方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010515032.0A CN111859994B (zh) | 2020-06-08 | 2020-06-08 | 机器翻译模型获取及文本翻译方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111859994A CN111859994A (zh) | 2020-10-30 |
| CN111859994B true CN111859994B (zh) | 2024-01-23 |
Family
ID=72987453
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010515032.0A Active CN111859994B (zh) | 2020-06-08 | 2020-06-08 | 机器翻译模型获取及文本翻译方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111859994B (zh) |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111368566B (zh) * | 2020-03-19 | 2023-06-30 | 中国工商银行股份有限公司 | 文本处理方法、装置、电子设备及可读存储介质 |
| CN112560510B (zh) * | 2020-12-10 | 2023-12-01 | 科大讯飞股份有限公司 | 翻译模型训练方法、装置、设备及存储介质 |
| CN112668346B (zh) * | 2020-12-24 | 2024-04-30 | 中国科学技术大学 | 翻译方法、装置、设备及存储介质 |
| CN112766000B (zh) * | 2021-01-11 | 2023-07-28 | 语联网（武汉）信息技术有限公司 | 基于预训练模型的机器翻译方法及系统 |
| CN113051937B (zh) * | 2021-03-19 | 2024-07-23 | 北京大米科技有限公司 | 机器纠错方法、装置、电子设备和可读存储介质 |
| CN112905869B (zh) * | 2021-03-26 | 2024-07-26 | 深圳好学多智能科技有限公司 | 语言模型的自适应训练方法、装置、存储介质及设备 |
| CN115146654A (zh) * | 2021-03-30 | 2022-10-04 | 微软技术许可有限责任公司 | 多模型联合去噪训练 |
| CN113553864B (zh) * | 2021-06-30 | 2023-04-07 | 北京百度网讯科技有限公司 | 翻译模型的训练方法、装置、电子设备及存储介质 |
| CN113408305B (zh) * | 2021-06-30 | 2023-03-24 | 北京百度网讯科技有限公司 | 模型的训练方法、装置、设备和存储介质 |
| CN113591492B (zh) * | 2021-06-30 | 2023-03-24 | 北京百度网讯科技有限公司 | 语料生成方法、装置、电子设备以及存储介质 |
| CN113505610B (zh) * | 2021-07-09 | 2022-05-06 | 中国人民解放军战略支援部队信息工程大学 | 基于模型增强的语音翻译模型训练方法、系统及语音翻译方法和设备 |
| CN113505571A (zh) * | 2021-07-30 | 2021-10-15 | 沈阳雅译网络技术有限公司 | 一种面向神经机器翻译的数据选择及训练方法 |
| CN114742076A (zh) * | 2022-04-11 | 2022-07-12 | 网易有道信息技术（北京）有限公司 | 用于生成训练数据的方法、训练方法、设备及存储介质 |
| CN114822499A (zh) * | 2022-04-26 | 2022-07-29 | 北京有竹居网络技术有限公司 | 模型训练方法、语音到语音翻译方法、装置及介质 |
| CN114943228B (zh) * | 2022-06-06 | 2023-11-24 | 北京百度网讯科技有限公司 | 端到端敏感文本召回模型的训练方法、敏感文本召回方法 |
| CN116579352B (zh) * | 2023-04-25 | 2024-07-30 | 无锡捷通数智科技有限公司 | 翻译模型训练方法、装置、移动终端及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109165384A (zh) * | 2018-08-23 | 2019-01-08 | 成都四方伟业软件股份有限公司 | 一种命名实体识别方法及装置 |
| CN109918681A (zh) * | 2019-03-29 | 2019-06-21 | 哈尔滨理工大学 | 一种基于汉字-拼音的融合问题语义匹配方法 |
| CN110070852A (zh) * | 2019-04-26 | 2019-07-30 | 平安科技（深圳）有限公司 | 合成中文语音的方法、装置、设备及存储介质 |
| CN110288980A (zh) * | 2019-06-17 | 2019-09-27 | 平安科技（深圳）有限公司 | 语音识别方法、模型的训练方法、装置、设备及存储介质 |
| CN110619867A (zh) * | 2019-09-27 | 2019-12-27 | 百度在线网络技术（北京）有限公司 | 语音合成模型的训练方法、装置、电子设备及存储介质 |
| CN110765772A (zh) * | 2019-10-12 | 2020-02-07 | 北京工商大学 | 拼音作为特征的中文语音识别后的文本神经网络纠错模型 |
| CN110852116A (zh) * | 2019-11-07 | 2020-02-28 | 腾讯科技（深圳）有限公司 | 非自回归神经机器翻译方法、装置、计算机设备和介质 |
| CN111008533A (zh) * | 2019-12-09 | 2020-04-14 | 北京字节跳动网络技术有限公司 | 一种翻译模型的获取方法、装置、设备和存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7356457B2 (en) * | 2003-02-28 | 2008-04-08 | Microsoft Corporation | Machine translation using learned word associations without referring to a multi-lingual human authored dictionary of content words |
| US9898460B2 (en) * | 2016-01-26 | 2018-02-20 | International Business Machines Corporation | Generation of a natural language resource using a parallel corpus |
-
2020
- 2020-06-08 CN CN202010515032.0A patent/CN111859994B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109165384A (zh) * | 2018-08-23 | 2019-01-08 | 成都四方伟业软件股份有限公司 | 一种命名实体识别方法及装置 |
| CN109918681A (zh) * | 2019-03-29 | 2019-06-21 | 哈尔滨理工大学 | 一种基于汉字-拼音的融合问题语义匹配方法 |
| CN110070852A (zh) * | 2019-04-26 | 2019-07-30 | 平安科技（深圳）有限公司 | 合成中文语音的方法、装置、设备及存储介质 |
| CN110288980A (zh) * | 2019-06-17 | 2019-09-27 | 平安科技（深圳）有限公司 | 语音识别方法、模型的训练方法、装置、设备及存储介质 |
| CN110619867A (zh) * | 2019-09-27 | 2019-12-27 | 百度在线网络技术（北京）有限公司 | 语音合成模型的训练方法、装置、电子设备及存储介质 |
| CN110765772A (zh) * | 2019-10-12 | 2020-02-07 | 北京工商大学 | 拼音作为特征的中文语音识别后的文本神经网络纠错模型 |
| CN110852116A (zh) * | 2019-11-07 | 2020-02-28 | 腾讯科技（深圳）有限公司 | 非自回归神经机器翻译方法、装置、计算机设备和介质 |
| CN111008533A (zh) * | 2019-12-09 | 2020-04-14 | 北京字节跳动网络技术有限公司 | 一种翻译模型的获取方法、装置、设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于话题翻译模型的双语文本纠错;陈欢;张奇;;计算机应用与软件(第03期);第290-293页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111859994A (zh) | 2020-10-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111859994B (zh) | 机器翻译模型获取及文本翻译方法、装置及存储介质 | |
| US11769480B2 (en) | Method and apparatus for training model, method and apparatus for synthesizing speech, device and storage medium | |
| JP7317791B2 (ja) | エンティティ・リンキング方法、装置、機器、及び記憶媒体 | |
| KR102557681B1 (ko) | 시계열 지식그래프 생성 방법, 장치, 기기 및 매체 | |
| US11275904B2 (en) | Method and apparatus for translating polysemy, and medium | |
| KR102565673B1 (ko) | 시멘틱 표현 모델의 생성 방법, 장치, 전자 기기 및 저장 매체 | |
| CN111177355B (zh) | 基于搜索数据的人机对话交互方法、装置和电子设备 | |
| CN111079945B (zh) | 端到端模型的训练方法及装置 | |
| KR102630243B1 (ko) | 구두점 예측 방법 및 장치 | |
| CN111127191B (zh) | 风险评估方法及装置 | |
| KR102564689B1 (ko) | 대화 감정 스타일의 예측 방법, 장치, 전자 기기, 저장 매체 및 컴퓨터 프로그램 제품 | |
| CN108564944B (zh) | 智能控制方法、系统、设备及存储介质 | |
| US9552810B2 (en) | Customizable and individualized speech recognition settings interface for users with language accents | |
| US20220068265A1 (en) | Method for displaying streaming speech recognition result, electronic device, and storage medium | |
| CN111708800A (zh) | 查询方法、装置及电子设备 | |
| CN111666387A (zh) | 对话生成方法、装置、电子设备及存储介质 | |
| JP2021082306A (ja) | 目標内容の確定方法、装置、機器及びコンピュータ可読記憶媒体 | |
| CN111858880A (zh) | 获取查询结果的方法、装置、电子设备和可读存储介质 | |
| CN112270169B (zh) | 对白角色预测方法、装置、电子设备及存储介质 | |
| JP2022028889A (ja) | 対話生成方法、装置、電子機器及び記憶媒体 | |
| CN112289305B (zh) | 韵律预测方法、装置、设备以及存储介质 | |
| CN111310481B (zh) | 语音翻译方法、装置、计算机设备和存储介质 | |
| US11893977B2 (en) | Method for recognizing Chinese-English mixed speech, electronic device, and storage medium | |
| CN114758649B (zh) | 一种语音识别方法、装置、设备和介质 | |
| CN109036379B (zh) | 语音识别方法、设备及存储介质 |
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 |