CN112287698A - 篇章翻译方法、装置、电子设备和存储介质 - Google Patents
篇章翻译方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112287698A CN112287698A CN202011556253.9A CN202011556253A CN112287698A CN 112287698 A CN112287698 A CN 112287698A CN 202011556253 A CN202011556253 A CN 202011556253A CN 112287698 A CN112287698 A CN 112287698A
- Authority
- CN
- China
- Prior art keywords
- vector representation
- semantic unit
- translation
- global
- participle
- 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
- 238000013519 translation Methods 0.000 title claims abstract description 190
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000004927 fusion Effects 0.000 claims description 28
- 230000015654 memory Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 10
- 238000003058 natural language processing Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 4
- 230000003993 interaction Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000000605 extraction Methods 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
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G06F40/40—Processing or translation of natural language
- G06F40/42—Data-driven translation
- G06F40/44—Statistical methods, e.g. probability models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
-
- 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
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/28—Constructional details of speech recognition systems
- G10L15/34—Adaptation of a single recogniser for parallel processing, e.g. by use of multiple processors or cloud computing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Machine Translation (AREA)
Abstract
本申请公开了篇章翻译方法、装置、电子设备和存储介质,涉及语音、自然语言处理、深度学习技术领域。具体实现方案为:获取待翻译篇章;将待翻译篇章输入至篇章翻译模型中,篇章翻译模型将待翻译篇章划分为多个语义单元,将当前语义单元之前的N个语义单元确定为局部上下文语义单元,将局部上下文语义单元之前的M个语义单元确定为全局上下文语义单元,根据局部上下文语义单元和全局上下文语义单元生成当前语义单元的翻译结果,N为整数,M为整数。该方法可根据局部上下文语义单元和全局上下文语义单元生成当前语义单元的翻译结果,能够解决相关技术中翻译不连贯、上下文翻译不一致的问题,提高了翻译结果的准确性,适用于篇章翻译场景。
Description
技术领域
本申请涉及计算机技术领域中的语音、自然语言处理、深度学习技术领域,尤其涉及一种篇章翻译方法、装置、电子设备、存储介质和计算机程序产品。
背景技术
目前,随着人工智能、自然语言处理等技术的发展,语音翻译技术在同传、外语教学等场景中得到了广泛的应用。例如,同传场景下,语音翻译技术可将说话者的语言类型同步转换为不同语言类型,方便了人们交流。然而,相关技术中的语音翻译方法,翻译结果容易出现翻译不连贯、上下文翻译不一致等问题。
发明内容
提供了一种篇章翻译方法、装置、电子设备、存储介质和计算机程序产品。
根据第一方面,提供了一种篇章翻译方法,包括:获取待翻译篇章;
将所述待翻译篇章输入至训练好的篇章翻译模型中,所述篇章翻译模型将所述待翻译篇章划分为多个语义单元,将当前语义单元之前的N个语义单元确定为局部上下文语义单元,将所述局部上下文语义单元之前的M个语义单元确定为全局上下文语义单元,根据所述局部上下文语义单元和所述全局上下文语义单元生成所述当前语义单元的翻译结果,所述N为整数,所述M为整数。
根据第二方面,提供了一种篇章翻译装置,包括:获取模块,用于获取待翻译篇章;输入模块,用于将所述待翻译篇章输入至训练好的篇章翻译模型中,所述篇章翻译模型将所述待翻译篇章划分为多个语义单元,将当前语义单元之前的N个语义单元确定为局部上下文语义单元,将所述局部上下文语义单元之前的M个语义单元确定为全局上下文语义单元,根据所述局部上下文语义单元和所述全局上下文语义单元生成所述当前语义单元的翻译结果,所述N为整数,所述M为整数。
根据第三方面,提供了一种电子设备,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本申请第一方面所述的篇章翻译方法。
根据第四方面,提供了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本申请第一方面所述的篇章翻译方法。
根据第五方面,提供了一种计算机程序产品,包括计算机程序,其中,所述计算机程序被处理器执行时实现本公开第一方面所述的篇章翻译方法。
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是根据本申请第一实施例的篇章翻译方法的流程示意图;
图2是根据本申请第二实施例的篇章翻译方法中生成当前语义单元的翻译结果的流程示意图;
图3是根据本申请第三实施例的篇章翻译方法中生成当前语义单元的向量表示的流程示意图;
图4是根据本申请第四实施例的篇章翻译方法中生成分词的全局融合向量表示的示意图;
图5是根据本申请第一实施例的篇章翻译装置的框图;
图6是根据本申请第二实施例的篇章翻译装置的框图;
图7是用来实现本申请实施例的篇章翻译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。
语音可包括语音识别、语音交互等技术领域,是人工智能领域中的一个重要方向。
语音识别(Voice Recognition)是一种让机器通过识别和理解过程把语音信号转变为相应的文本或命令的技术,主要包括特征提取技术、模式匹配准则及模型训练技术三个方面。
语音交互(Voice Interaction)是一种机器与用户以语音为信息载体进行互动、沟通、信息交换等交互行为的技术,相较于传统的人机交互,具有方便快捷、用户舒适性高的优点。
自然语言处理(Natural Language Processing,NLU)是研究能有效地实现自然语言通信的计算机系统,特别是其中的软件系统的一门科学,是计算机科学领域与人工智能领域中的一个重要方向。
深度学习(Deep Learning,DL)是机器学习(Machine Learning,ML)领域中一个新的研究方向,是学习样本数据的内在规律和表示层次,使得机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据的一门科学,广泛应用于语音和图像识别。
图1是根据本申请第一实施例的篇章翻译方法的流程示意图。
如图1所示,本申请第一实施例的篇章翻译方法包括:
S101,获取待翻译篇章。
需要说明的是,本申请实施例的篇章翻译方法的执行主体可为具有数据信息处理能力的硬件设备和/或驱动该硬件设备工作所需必要的软件。可选的,执行主体可包括工作站、服务器,计算机、用户终端及其他设备。其中,用户终端包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端等。
本申请的实施例中,可获取待翻译篇章。可以理解的是,待翻译篇章可由多个语句组成。
可选的,待翻译篇章可通过录制、网络传输等方式获取。
例如,当采用录制的方式获取待翻译篇章时,设备上具有语音采集装置,语音采集装置可为麦克风(Microphone)、麦克风阵列(Microphone Array)等。或者,当采用网络传输的方式获取待翻译篇章时,设备上具有联网装置,可通过联网装置与其他设备或者服务器进行网络传输。
可以理解的是,待翻译篇章可为音频、文本等形式,这里不做过多限定。
需要说明的是,本申请实施例中,对待翻译篇章的语言类型和翻译结果的语言类型均不做限定。
S102,将待翻译篇章输入至训练好的篇章翻译模型中,篇章翻译模型将待翻译篇章划分为多个语义单元,将当前语义单元之前的N个语义单元确定为局部上下文语义单元,将局部上下文语义单元之前的M个语义单元确定为全局上下文语义单元,根据局部上下文语义单元和全局上下文语义单元生成当前语义单元的翻译结果,N为整数,M为整数。
相关技术中,大多根据句子级别的双语句对训练翻译模型,翻译模型的翻译结果不够灵活。比如针对篇章翻译场景下,待翻译文本为由多个语句组成的篇章,此时翻译模型的翻译结果会出现翻译不连贯、上下文翻译不一致的问题。例如,若篇章翻译场景为一个动画渲染的主题演讲,则若待翻译文本为“It starts with modeling”,此时翻译模型的翻译结果为“从造型开始”,然而此时待翻译文本中的“modeling”结合上下文可知其语义为建模,而不是造型,翻译结果为“从建模开始”更贴合说话者的真实意图。
为了解决这一问题,本申请中,可将待翻译篇章输入至训练好的篇章翻译模型中,篇章翻译模型可将待翻译篇章划分为多个语义单元,将当前语义单元之前的N个语义单元确定为局部上下文语义单元,将局部上下文语义单元之前的M个语义单元确定为全局上下文语义单元,根据局部上下文语义单元和全局上下文语义单元生成当前语义单元的翻译结果,N为整数,M为整数。
可以理解的是,篇章翻译模型可将待翻译篇章划分为多个语义单元,并根据局部上下文语义单元和全局上下文语义单元,生成当前语义单元的翻译结果,能够解决相关技术中翻译不连贯、上下文翻译不一致的问题,适用于篇章翻译场景,例如同传场景。
可选的,N、M均可根据实际情况进行设置。
在本申请的一个实施例中,当前语义单元之前共有(N+M)个语义单元,此时确定出的局部上下文语义单元和全局上下文语义单元组成了当前语义单元之前的所有语义单元,此时可利用当前语义单元之前的所有语义单元生成当前语义单元的翻译结果。
在本申请的一个实施例中,若当前语义单元为待翻译篇章的第一个语义单元,即当前语义单元之前不存在其他语义单元,此时N=0,M=0。
例如,若待翻译篇章为“大家好,我是张三,是一名语文老师,今天的介绍主要分为三个部分,(此处省略后续语句)”,则可将上述待翻译篇章划分为如下多个语义单元:“大家好”“我是张三”、“是一名”、“语文老师”、“今天”、“的介绍”、“主要分为”、“三个部分”等。
若当前语义单元为“主要分为”,则可将当前语义单元“主要分为”之前的2个语义单元确定为局部上下文语义单元,即将“今天”、“的介绍”确定为局部上下文语义单元,还可将局部上下文语义单元之前的4个语义单元确定为全局上下文语义单元,即将“大家好”“我是张三”、“是一名”、“语文老师”确定为全局上下文语义单元,根据上述确定的局部上下文语义单元和全局上下文语义单元,生成当前语义单元“主要分为”的翻译结果。该实施例中,N为2,M为4。
或者,若当前语义单元为“大家好”,当前语义单元“大家好”为待翻译篇章的第一个语义单元,此时不存在局部上下文语义单元和全局上下文语义单元,即N=0,M=0。
综上,根据本申请实施例的篇章翻译方法,可将待翻译篇章输入至训练好的篇章翻译模型中,根据局部上下文语义单元和全局上下文语义单元生成当前语义单元的翻译结果,能够解决相关技术中翻译不连贯、上下文翻译不一致的问题,提高了翻译结果的准确性,适用于篇章翻译场景。
在上述任一实施例的基础上,如图2所示,步骤S102中根据局部上下文语义单元和全局上下文语义单元生成当前语义单元的翻译结果,可包括:
S201,根据全局上下文语义单元的向量表示生成当前语义单元的向量表示。
本申请的实施例中,每个语义单元可对应一个向量表示。
可以理解的是,可先获取全局上下文语义单元的向量表示,全局上下文语义单元的向量表示包括局部上下文语义单元之前的M个语义单元的向量表示,然后根据全局上下文语义单元的向量表示生成当前语义单元的向量表示。
S202,根据当前语义单元的向量表示和局部上下文语义单元的向量表示,生成当前语义单元和局部上下文语义单元对应的局部翻译结果。
可以理解的是,可先获取局部上下文语义单元的向量表示,局部上下文语义单元的向量表示包括当前语义单元之前的N个语义单元的向量表示,然后根据当前语义单元的向量表示和局部上下文语义单元的向量表示,生成当前语义单元和局部上下文语义单元对应的局部翻译结果。
例如,若当前语义单元为“主要分为”,局部语义单元包括“今天”、“的介绍”,则对应的局部翻译结果为“Today’s introduction is mainly divided into”。
S203,根据局部翻译结果和局部上下文语义单元的翻译结果,生成当前语义单元的翻译结果。
本申请的实施例中,根据局部翻译结果和局部上下文语义单元的翻译结果,生成当前语义单元的翻译结果,可包括获取局部上下文语义单元的翻译结果,从局部翻译结果中去除局部上下文语义单元的翻译结果,得到当前语义单元的翻译结果。
可以理解的是,当前语义单元和局部上下文语义单元对应的局部翻译结果,是由当前语义单元的翻译结果和局部上下文语义单元的翻译结果构成的。
例如,若当前语义单元为“主要分为”,局部语义单元包括“今天”、“的介绍”,则对应的局部翻译结果为“Today’s introduction is mainly divided into”,之后可获取局部语义单元“今天”、“的介绍”的翻译结果“Today’s introduction”,从上述局部翻译结果“Today’s introduction is mainly divided into”中去除“Today’s introduction”,则可得到当前语义单元“主要分为”的翻译结果“is mainly divided into”。
由此,该方法可根据全局上下文语义单元的向量表示生成当前语义单元的向量表示,之后可根据当前语义单元的向量表示和局部上下文语义单元的向量表示,生成当前语义单元和局部上下文语义单元对应的局部翻译结果,并根据局部翻译结果和局部上下文语义单元的翻译结果,生成当前语义单元的翻译结果。
在上述任一实施例的基础上,如图3所示,步骤S201中根据全局上下文语义单元的向量表示生成当前语义单元的向量表示,包括:
S301,将当前语义单元划分为至少一个分词。
可以理解的是,每个语义单元可包括至少一个分词,则可将当前语义单元划分为至少一个分词。
可选的,可按照预设的分词单位,将当前语义单元划分为至少一个分词。其中,分词单位包括但不限于字、字符、单词、词语等。
例如,若当前语义单元为“主要分为”,分词单位为字时,可划分为“主”、“要”、“分”、“为”四个分词。
S302,根据分词的向量表示和全局上下文语义单元的向量表示生成分词的全局融合向量表示。
可以理解的是,每个分词对应一个向量表示,则可根据分词的向量表示和全局上下文语义单元的向量表示生成分词的全局融合向量表示。
可选的,根据分词的向量表示和全局上下文语义单元的向量表示生成分词的全局融合向量表示,可包括对分词的向量表示进行线性变换,生成语义单元级别的分词的语义单元向量表示,然后根据分词的语义单元向量表示对全局上下文语义单元的向量表示进行特征抽取,生成全局特征向量,并将全局特征向量和分词的向量表示进行融合,生成分词的全局融合向量表示。
可选的,上述生成分词的全局融合向量表示的过程可通过以下公式来实现:
qs=fs(ht)
dt=MutiHeadAttention(qs,Si)(1≤i≤M)
λt=σ(Wht+Udt)
ht ’=λtht+(1-λt)dt
其中,ht为分词的向量表示,fs(.)为线性变换函数,qs为分词的语义单元向量表示,MutiHeadAttention(.)为注意力函数,dt为全局特征向量,ht ’为分词的全局融合向量表示。
其中,Si(1≤i≤M)为全局上下文语义单元的向量表示,其中,S1为全局上下文语义单元中的第1个语义单元的向量表示,S2为全局上下文语义单元中的第2个语义单元的向量表示,以此类推,SM为全局上下文语义单元中的第M个语义单元的向量表示。
其中,W、U、σ均为系数,可根据实际情况进行设置。
举例而言,如图4所示,若当前语义单元为“主要分为”,局部上下文语义单元为“今天”、“的介绍”,全局上下文语义单元为“大家好”“我是张三”、“是一名”、“语文老师”。可将当前语义单元“主要分为”划分为“主”、“要”、“分”、“为”四个分词,可对其中任意一个分词的向量表示ht进行线性变换,生成语义单元级别的分词的语义单元向量表示qs,之后可根据分词的语义单元向量表示qs对全局上下文语义单元的向量表示Si(1≤i≤4)进行特征抽取,生成全局特征向量dt,然后将全局特征向量dt和分词的向量表示ht进行融合,生成分词的全局融合向量表示ht ’。应说明的是,本实施例中,S1为语义单元“大家好”对应的向量表示,S2为语义单元“我是张三”对应的向量表示,S3为语义单元“是一名”对应的向量表示,S4为语义单元“语文老师”对应的向量表示。
可以理解的是,该方法可对全局上下文语义单元的向量表示进行特征抽取,生成全局特征向量,然后再将全局特征向量和分词的向量表示进行融合,生成分词的全局融合向量表示,全局融合向量表示可学习到全局上下文语义单元的向量表示的特征。
S303,根据分词的全局融合向量表示生成当前语义单元的向量表示。
可以理解的是,当前语义单元可划分为至少一个分词,每个分词都对应一个全局融合向量表示,则可根据当前语义单元划分的所有分词的全局融合向量表示,生成当前语义单元的向量表示。
可选的,根据分词的全局融合向量表示生成当前语义单元的向量表示,可包括确定分词的全局融合向量表示对应的权重,然后根据分词的全局融合向量表示和对应的权重计算得到当前语义单元的向量表示。该方法可采用加权平均的方法得到当前语义单元的向量表示。
由此,该方法可将当前语义单元划分为至少一个分词,之后根据分词的向量表示和全局上下文语义单元的向量表示生成分词的全局融合向量表示,并根据分词的全局融合向量表示生成当前语义单元的向量表示。
在上述任一实施例的基础上,步骤S102中训练好的篇章翻译模型的获取,可包括获取样本篇章和样本篇章对应的样本翻译结果,然后根据样本篇章和样本翻译结果对待训练的篇章翻译模型进行训练,得到训练好的篇章翻译模型。
可以理解的是,为了提高篇章翻译模型的性能,获取大量的样本篇章和样本篇章对应的样本翻译结果。
在具体实施中,可将样本篇章输入至待训练的篇章翻译模型中,获取待训练的篇章翻译模型输出的第一样本翻译结果,第一样本翻译结果和样本翻译结果有可能存在较大误差,可根据第一样本翻译结果和样本翻译结果之间的误差,对待训练的篇章翻译模型进行训练,直至待训练的篇章翻译模型收敛,或者迭代次数达到预设的迭代次数阈值,或者模型精度达到预设的精度阈值,则可结束模型的训练,将最后一次训练得到的篇章翻译模型作为训练好的语音翻译模型。其中,迭代次数阈值、精度阈值可根据实际情况进行设置。
由此,该方法可根据样本篇章和样本翻译结果对待训练的篇章翻译模型进行训练,得到训练好的篇章翻译模型。
图5是根据本申请第一实施例的篇章翻译装置的框图。
如图5所示,本申请实施例的篇章翻译装置500,包括:获取模块501和输入模块502。
获取模块501,用于获取待翻译篇章;
输入模块502,用于将所述待翻译篇章输入至训练好的篇章翻译模型中,所述篇章翻译模型将所述待翻译篇章划分为多个语义单元,将当前语义单元之前的N个语义单元确定为局部上下文语义单元,将所述局部上下文语义单元之前的M个语义单元确定为全局上下文语义单元,根据所述局部上下文语义单元和所述全局上下文语义单元生成所述当前语义单元的翻译结果,所述N为整数,所述M为整数。
综上,本申请实施例的篇章翻译装置,可将待翻译篇章输入至训练好的篇章翻译模型中,根据局部上下文语义单元和全局上下文语义单元生成当前语义单元的翻译结果,能够解决相关技术中翻译不连贯、上下文翻译不一致的问题,提高了翻译结果的准确性,适用于篇章翻译场景。
图6是根据本申请第二实施例的篇章翻译装置的框图。
如图6所示,本申请实施例的篇章翻译装置600,包括:获取模块601、输入模块602和训练模块603。
其中,获取模块601与获取模块501具有相同功能和结构。
在本申请的一个实施例中,所述输入模块602,包括:第一生成单元6021,用于根据所述全局上下文语义单元的向量表示生成所述当前语义单元的向量表示;第二生成单元6022,用于根据所述当前语义单元的向量表示和所述局部上下文语义单元的向量表示,生成所述当前语义单元和所述局部上下文语义单元对应的局部翻译结果;第三生成单元6023,用于根据所述局部翻译结果和所述局部上下文语义单元的翻译结果,生成所述当前语义单元的翻译结果。
在本申请的一个实施例中,所述第一生成单元6021,包括:划分子单元,用于将所述当前语义单元划分为至少一个分词;第一生成子单元,用于根据所述分词的向量表示和所述全局上下文语义单元的向量表示生成所述分词的全局融合向量表示;第二生成子单元,用于根据所述分词的全局融合向量表示生成所述当前语义单元的向量表示。
在本申请的一个实施例中,所述第一生成子单元,具体用于:对所述分词的向量表示进行线性变换,生成语义单元级别的所述分词的语义单元向量表示;根据所述分词的语义单元向量表示对所述全局上下文语义单元的向量表示进行特征抽取,生成全局特征向量;将所述全局特征向量和所述分词的向量表示进行融合,生成所述分词的全局融合向量表示。
在本申请的一个实施例中,所述第二生成子单元,具体用于:确定所述分词的全局融合向量表示对应的权重;根据所述分词的全局融合向量表示和对应的权重计算得到所述当前语义单元的向量表示。
在本申请的一个实施例中,所述训练模块603,包括:获取单元6031,用于获取样本篇章和所述样本篇章对应的样本翻译结果;训练单元6032,用于根据所述样本篇章和所述样本翻译结果对待训练的篇章翻译模型进行训练,得到所述训练好的篇章翻译模型。
综上,本申请实施例的篇章翻译装置,可将待翻译篇章输入至训练好的篇章翻译模型中,根据局部上下文语义单元和全局上下文语义单元生成当前语义单元的翻译结果,能够解决相关技术中翻译不连贯、上下文翻译不一致的问题,提高了翻译结果的准确性,适用于篇章翻译场景。
根据本申请的实施例,本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
如图7所示,是根据本申请实施例的篇章翻译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,智能语音交互设备、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701、存储器702,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701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GUI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701为例。
存储器702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篇章翻译方法。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篇章翻译方法。
存储器702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篇章翻译方法对应的程序指令/模块(例如,附图5所示的获取模块501和输入模块502)。处理器701通过运行存储在存储器702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篇章翻译方法。
存储器702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篇章翻译方法的电子设备的使用所创建的数据等。此外,存储器702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702可选包括相对于处理器701远程设置的存储器,这些远程存储器可以通过网络连接至篇章翻译方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
篇章翻译方法的电子设备还可以包括:输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704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703可接收输入的数字或字符信息,以及产生与篇章翻译方法的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704可以包括显示设备、辅助照明装置(例如,LED)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(LCD)、发光二极管(LED)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ASIC(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(PLD)),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,CRT(阴极射线管)或者LCD(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(LAN)、广域网(WAN)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。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称 "VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
根据本申请的实施例,本申请还提供了一种计算机程序产品,包括计算机程序,其中,所述计算机程序被处理器执行时实现本申请上述实施例所述的篇章翻译方法。
根据本申请实施例的技术方案,可将待翻译篇章输入至训练好的篇章翻译模型中,根据局部上下文语义单元和全局上下文语义单元生成当前语义单元的翻译结果,能够解决相关技术中翻译不连贯、上下文翻译不一致的问题,提高了翻译结果的准确性,适用于篇章翻译场景。
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,本发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 (15)
1.一种篇章翻译方法,包括:
获取待翻译篇章;
将所述待翻译篇章输入至训练好的篇章翻译模型中,所述篇章翻译模型将所述待翻译篇章划分为多个语义单元,将当前语义单元之前的N个语义单元确定为局部上下文语义单元,将所述局部上下文语义单元之前的M个语义单元确定为全局上下文语义单元,根据所述局部上下文语义单元和所述全局上下文语义单元生成所述当前语义单元的翻译结果,所述N为整数,所述M为整数。
2.根据权利要求1所述的篇章翻译方法,所述根据所述局部上下文语义单元和所述全局上下文语义单元生成所述当前语义单元的翻译结果,包括:
根据所述全局上下文语义单元的向量表示生成所述当前语义单元的向量表示;
根据所述当前语义单元的向量表示和所述局部上下文语义单元的向量表示,生成所述当前语义单元和所述局部上下文语义单元对应的局部翻译结果;
根据所述局部翻译结果和所述局部上下文语义单元的翻译结果,生成所述当前语义单元的翻译结果。
3.根据权利要求2所述的篇章翻译方法,所述根据所述全局上下文语义单元的向量表示生成所述当前语义单元的向量表示,包括:
将所述当前语义单元划分为至少一个分词;
根据所述分词的向量表示和所述全局上下文语义单元的向量表示生成所述分词的全局融合向量表示;
根据所述分词的全局融合向量表示生成所述当前语义单元的向量表示。
4.根据权利要求3所述的篇章翻译方法,所述根据所述分词的向量表示和所述全局上下文语义单元的向量表示生成所述分词的全局融合向量表示,包括:
对所述分词的向量表示进行线性变换,生成语义单元级别的所述分词的语义单元向量表示;
根据所述分词的语义单元向量表示对所述全局上下文语义单元的向量表示进行特征抽取,生成全局特征向量;
将所述全局特征向量和所述分词的向量表示进行融合,生成所述分词的全局融合向量表示。
5.根据权利要求3所述的篇章翻译方法,所述根据所述分词的全局融合向量表示生成所述当前语义单元的向量表示,包括:
确定所述分词的全局融合向量表示对应的权重;
根据所述分词的全局融合向量表示和对应的权重计算得到所述当前语义单元的向量表示。
6.根据权利要求1所述的篇章翻译方法,还包括:
获取样本篇章和所述样本篇章对应的样本翻译结果;
根据所述样本篇章和所述样本翻译结果对待训练的篇章翻译模型进行训练,得到所述训练好的篇章翻译模型。
7.一种篇章翻译装置,包括:
获取模块,用于获取待翻译篇章;
输入模块,用于将所述待翻译篇章输入至训练好的篇章翻译模型中,所述篇章翻译模型将所述待翻译篇章划分为多个语义单元,将当前语义单元之前的N个语义单元确定为局部上下文语义单元,将所述局部上下文语义单元之前的M个语义单元确定为全局上下文语义单元,根据所述局部上下文语义单元和所述全局上下文语义单元生成所述当前语义单元的翻译结果,所述N为整数,所述M为整数。
8.根据权利要求7所述的篇章翻译装置,所述输入模块,包括:
第一生成单元,用于根据所述全局上下文语义单元的向量表示生成所述当前语义单元的向量表示;
第二生成单元,用于根据所述当前语义单元的向量表示和所述局部上下文语义单元的向量表示,生成所述当前语义单元和所述局部上下文语义单元对应的局部翻译结果;
第三生成单元,用于根据所述局部翻译结果和所述局部上下文语义单元的翻译结果,生成所述当前语义单元的翻译结果。
9.根据权利要求8所述的篇章翻译装置,所述第一生成单元,包括:
划分子单元,用于将所述当前语义单元划分为至少一个分词;
第一生成子单元,用于根据所述分词的向量表示和所述全局上下文语义单元的向量表示生成所述分词的全局融合向量表示;
第二生成子单元,用于根据所述分词的全局融合向量表示生成所述当前语义单元的向量表示。
10.根据权利要求9所述的篇章翻译装置,所述第一生成子单元,具体用于:
对所述分词的向量表示进行线性变换,生成语义单元级别的所述分词的语义单元向量表示;
根据所述分词的语义单元向量表示对所述全局上下文语义单元的向量表示进行特征抽取,生成全局特征向量;
将所述全局特征向量和所述分词的向量表示进行融合,生成所述分词的全局融合向量表示。
11.根据权利要求9所述的篇章翻译装置,所述第二生成子单元,具体用于:
确定所述分词的全局融合向量表示对应的权重;
根据所述分词的全局融合向量表示和对应的权重计算得到所述当前语义单元的向量表示。
12.根据权利要求7所述的篇章翻译装置,还包括:训练模块,所述训练模块,包括:
获取单元,用于获取样本篇章和所述样本篇章对应的样本翻译结果;
训练单元,用于根据所述样本篇章和所述样本翻译结果对待训练的篇章翻译模型进行训练,得到所述训练好的篇章翻译模型。
13.一种电子设备,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1-6中任一项所述的篇章翻译方法。
14.一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1-6中任一项所述的篇章翻译方法。
15.一种计算机程序产品,包括计算机程序,其中,所述计算机程序被处理器执行时实现权利要求1-6中任一项所述的篇章翻译方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011556253.9A CN112287698B (zh) | 2020-12-25 | 2020-12-25 | 篇章翻译方法、装置、电子设备和存储介质 |
US17/362,628 US20210326538A1 (en) | 2020-12-25 | 2021-06-29 | Method, apparatus, electronic device for text translation and storage medium |
JP2021194225A JP7395553B2 (ja) | 2020-12-25 | 2021-11-30 | 文章翻訳方法、装置、電子機器及び記憶媒体 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011556253.9A CN112287698B (zh) | 2020-12-25 | 2020-12-25 | 篇章翻译方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112287698A true CN112287698A (zh) | 2021-01-29 |
CN112287698B CN112287698B (zh) | 2021-06-01 |
Family
ID=74426318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011556253.9A Active CN112287698B (zh) | 2020-12-25 | 2020-12-25 | 篇章翻译方法、装置、电子设备和存储介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20210326538A1 (zh) |
JP (1) | JP7395553B2 (zh) |
CN (1) | CN112287698B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114580439A (zh) * | 2022-02-22 | 2022-06-03 | 北京百度网讯科技有限公司 | 翻译模型训练方法、翻译方法、装置、设备以及存储介质 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115392216B (zh) * | 2022-10-27 | 2023-03-14 | 科大讯飞股份有限公司 | 一种虚拟形象生成方法、装置、电子设备及存储介质 |
CN116089586B (zh) * | 2023-02-10 | 2023-11-14 | 百度在线网络技术(北京)有限公司 | 基于文本的问题生成方法及问题生成模型的训练方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101685441A (zh) * | 2008-09-24 | 2010-03-31 | 中国科学院自动化研究所 | 一种基于非连续短语的泛化重排序统计翻译方法及装置 |
CN106547735A (zh) * | 2016-10-25 | 2017-03-29 | 复旦大学 | 基于深度学习的上下文感知的动态词或字向量的构建及使用方法 |
US20180349359A1 (en) * | 2017-05-19 | 2018-12-06 | salesforce.com,inc. | Natural language processing using a neural network |
CN110059324A (zh) * | 2019-04-26 | 2019-07-26 | 广州大学 | 基于依存信息监督的神经网络机器翻译方法及装置 |
CN111967277A (zh) * | 2020-08-14 | 2020-11-20 | 厦门大学 | 基于多模态机器翻译模型的翻译方法 |
CN112069813A (zh) * | 2020-09-10 | 2020-12-11 | 腾讯科技(深圳)有限公司 | 文本处理方法、装置、设备及计算机可读存储介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006107353A (ja) | 2004-10-08 | 2006-04-20 | Sony Corp | 情報処理装置および方法、記録媒体、並びにプログラム |
ATE514162T1 (de) | 2005-12-08 | 2011-07-15 | Nuance Comm Austria Gmbh | Dynamische erzeugung von kontexten zur spracherkennung |
US9558743B2 (en) * | 2013-03-15 | 2017-01-31 | Google Inc. | Integration of semantic context information |
US9842106B2 (en) | 2015-12-04 | 2017-12-12 | Mitsubishi Electric Research Laboratories, Inc | Method and system for role dependent context sensitive spoken and textual language understanding with neural networks |
US11170287B2 (en) * | 2017-10-27 | 2021-11-09 | Salesforce.Com, Inc. | Generating dual sequence inferences using a neural network model |
US10984780B2 (en) * | 2018-05-21 | 2021-04-20 | Apple Inc. | Global semantic word embeddings using bi-directional recurrent neural networks |
US11520900B2 (en) * | 2018-08-22 | 2022-12-06 | Arizona Board Of Regents On Behalf Of Arizona State University | Systems and methods for a text mining approach for predicting exploitation of vulnerabilities |
US11036940B2 (en) * | 2018-08-30 | 2021-06-15 | Mmt Srl | Translation system and method |
-
2020
- 2020-12-25 CN CN202011556253.9A patent/CN112287698B/zh active Active
-
2021
- 2021-06-29 US US17/362,628 patent/US20210326538A1/en not_active Abandoned
- 2021-11-30 JP JP2021194225A patent/JP7395553B2/ja active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101685441A (zh) * | 2008-09-24 | 2010-03-31 | 中国科学院自动化研究所 | 一种基于非连续短语的泛化重排序统计翻译方法及装置 |
CN106547735A (zh) * | 2016-10-25 | 2017-03-29 | 复旦大学 | 基于深度学习的上下文感知的动态词或字向量的构建及使用方法 |
US20180349359A1 (en) * | 2017-05-19 | 2018-12-06 | salesforce.com,inc. | Natural language processing using a neural network |
CN110059324A (zh) * | 2019-04-26 | 2019-07-26 | 广州大学 | 基于依存信息监督的神经网络机器翻译方法及装置 |
CN111967277A (zh) * | 2020-08-14 | 2020-11-20 | 厦门大学 | 基于多模态机器翻译模型的翻译方法 |
CN112069813A (zh) * | 2020-09-10 | 2020-12-11 | 腾讯科技(深圳)有限公司 | 文本处理方法、装置、设备及计算机可读存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114580439A (zh) * | 2022-02-22 | 2022-06-03 | 北京百度网讯科技有限公司 | 翻译模型训练方法、翻译方法、装置、设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
JP7395553B2 (ja) | 2023-12-11 |
CN112287698B (zh) | 2021-06-01 |
US20210326538A1 (en) | 2021-10-21 |
JP2022028897A (ja) | 2022-02-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112287698B (zh) | 篇章翻译方法、装置、电子设备和存储介质 | |
US11769480B2 (en) | Method and apparatus for training model, method and apparatus for synthesizing speech, device and storage medium | |
CN111859994B (zh) | 机器翻译模型获取及文本翻译方法、装置及存储介质 | |
CN112365880B (zh) | 语音合成方法、装置、电子设备及存储介质 | |
JP7432556B2 (ja) | マンマシンインタラクションのための方法、装置、機器および媒体 | |
KR102565673B1 (ko) | 시멘틱 표현 모델의 생성 방법, 장치, 전자 기기 및 저장 매체 | |
JP7108675B2 (ja) | 意味マッチング方法、装置、電子機器、記憶媒体及びコンピュータプログラム | |
CN112001180A (zh) | 多模态预训练模型获取方法、装置、电子设备及存储介质 | |
JP7309798B2 (ja) | 対話意図の認識方法及び装置、電子機器並びに記憶媒体 | |
CN110211570B (zh) | 同声传译处理方法、装置及设备 | |
CN112528001B (zh) | 一种信息查询方法、装置及电子设备 | |
CN111709252B (zh) | 基于预训练的语义模型的模型改进方法及装置 | |
CN114841274B (zh) | 语言模型的训练方法、装置、电子设备和存储介质 | |
CN112365875B (zh) | 语音合成方法、装置、声码器和电子设备 | |
CN113656613A (zh) | 训练图文检索模型的方法、多模态图像检索方法及装置 | |
CN111241838B (zh) | 文本实体的语义关系处理方法、装置及设备 | |
CN111127191A (zh) | 风险评估方法及装置 | |
CN112528669A (zh) | 多语言模型的训练方法、装置、电子设备和可读存储介质 | |
CN110909136A (zh) | 满意度预估模型的训练方法、装置、电子设备及存储介质 | |
CN112650844A (zh) | 对话状态的追踪方法、装置、电子设备和存储介质 | |
CN112289305A (zh) | 韵律预测方法、装置、设备以及存储介质 | |
CN112687271B (zh) | 语音翻译方法、装置、电子设备和存储介质 | |
CN114239559B (zh) | 文本纠错和文本纠错模型的生成方法、装置、设备和介质 | |
CN112652311B (zh) | 中英文混合语音识别方法、装置、电子设备和存储介质 | |
CN111475614B (zh) | 知识推理对话方法、装置、电子设备和存储介质 |
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 |