CN112380883B - 模型训练方法、机器翻译方法、装置、设备及存储介质 - Google Patents
模型训练方法、机器翻译方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112380883B CN112380883B CN202011412735.7A CN202011412735A CN112380883B CN 112380883 B CN112380883 B CN 112380883B CN 202011412735 A CN202011412735 A CN 202011412735A CN 112380883 B CN112380883 B CN 112380883B
- Authority
- CN
- China
- Prior art keywords
- translation
- parameter
- model
- translation model
- target
- 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 495
- 238000012549 training Methods 0.000 title claims abstract description 151
- 238000000034 method Methods 0.000 title claims abstract description 129
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000013138 pruning Methods 0.000 claims abstract description 20
- 238000005516 engineering process Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims description 40
- 238000004590 computer program Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000009966 trimming Methods 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
- G06F40/42—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
- G06F40/40—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
- G06F40/51—Translation evaluation
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- 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
Abstract
本公开实施例公开了一种模型训练方法、机器翻译方法、装置、设备及存储介质。模型训练方法包括:通过神经网络剪枝技术确定第一翻译模型中各参数对第一领域翻译结果的影响度,得到第一参数和第二参数;利用第一领域的第一语料训练第一参数,得到第二翻译模型,第二参数不变;利用目标领域的语料训练第二翻译模型的目标参数,得到目标翻译模型,其他参数不变,目标参数为部分或全部第二参数。该方案利用第一领域的语料训练第一参数,训练结束后,利用目标域的语料训练第二参数,最终得到的模型既保留了第一领域的信息又增加了目标领域的信息,提高了目标翻译模型的领域自适应性和准确度,在利用目标翻译模型翻译时,提高了翻译结果的准确度。
Description
技术领域
本公开实施例涉及计算机技术领域,尤其涉及模型训练方法、机器翻译方法、装置、设备及存储介质。
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转换为另一种自然语言的过程。通常,该机器翻译是通过训练好的机器翻译模型对自然语言进行翻译。
在实现本申请的过程中,发明人发现机器翻译模型在训练时往往存在以下问题:不同领域的语料的规模存在较大差异,例如在通用领域如新闻领域中,由于新闻数量庞大且来源广泛,该领域的双语语料比较容易获取,但在特定领域如小说等领域中,受限于自身的领域特性,很难获取大规模的高质量语料,获取过程亦需要耗费大量的人力和物力。
因此,如何根据语料的应用领域训练机器翻译模型,以提高机器翻译模型的准确度对机器翻译具有重要意义。
公开内容
本公开实施例提供一种模型训练方法、机器翻译方法、装置、设备及存储介质,能够提高机器翻译模型的准确度,进而提高翻译结果的准确度。
第一方面,本公开实施例提供了一种模型训练方法,包括:
通过神经网络剪枝技术确定第一翻译模型中各参数对第一领域翻译结果的影响度,得到第一参数和第二参数,所述第一参数对所述第一领域的翻译结果的影响度大于所述第二参数对所述第一领域的翻译结果的影响度;
利用所述第一领域的第一语料训练所述第一翻译模型的第一参数,得到第二翻译模型,训练过程中所述第二参数不变,所述第二翻译模型在所述第一领域的翻译结果与所述第一翻译模型在所述第一领域的翻译结果的相似度满足预设条件;
利用目标领域的目标语料训练所述第二翻译模型的目标参数,得到目标翻译模型,训练过程中除所述目标参数以外的其他参数不变,所述目标参数为部分或全部第二参数。
第二方面,本公开实施例还提供了一种机器翻译方法,包括:
获取待翻译的源语言文本;
将所述源语言文本输入预设机器翻译模型,获取所述预设机器翻译模型输出的结果,作为所述源语言文本的翻译结果,其中,所述预设机器翻译模型采用如第一方面所述的模型训练方法训练得到。
第三方面,本公开实施例还提供了一种模型训练装置,包括:
参数确定模块,用于通过神经网络剪枝技术确定第一翻译模型中各参数对第一领域翻译结果的影响度,得到第一参数和第二参数,所述第一参数对所述第一领域的翻译结果的影响度大于所述第二参数对所述第一领域的翻译结果的影响度;
第一翻译模型训练模块,用于利用所述第一领域的第一语料训练所述第一翻译模型的第一参数,得到第二翻译模型,训练过程中所述第二参数不变,所述第二翻译模型在所述第一领域的翻译结果与所述第一翻译模型在所述第一领域的翻译结果的相似度满足预设条件;
第二翻译模型训练模块,用于利用目标领域的目标语料训练所述第二翻译模型的目标参数,得到目标翻译模型,训练过程中除所述目标参数以外的其他参数不变,所述目标参数为部分或全部第二参数。
第四方面,本公开实施例还提供了一种机器翻译装置,包括:
文本获取模块,用于获取待翻译的源语言文本;
翻译模块,用于将所述源语言文本输入预设机器翻译模型,获取所述预设机器翻译模型输出的结果,作为所述源语言文本的翻译结果,其中,所述预设机器翻译模型采用如第一方面所述的模型训练方法训练得到。
第五方面,本公开实施例还提供了一种电子设备,包括:
一个或多个处理器;
存储器,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时实现如第一方面所述的模型训练方法或如第二方面所述的机器翻译方法。
第六方面,本公开实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面所述的模型训练方法或如第二方面所述的机器翻译方法。
本公开实施例提供一种模型训练方法、机器翻译方法、装置、设备及存储介质,通过神经网络剪枝技术确定第一翻译模型中各参数对第一领域翻译结果的影响度,得到第一参数和第二参数,第一参数对第一领域的翻译结果的影响度大于第二参数对第一领域的翻译结果的影响度;利用第一领域的第一语料训练第一翻译模型的第一参数,得到第二翻译模型,训练过程中第二参数不变,第二翻译模型在第一领域的翻译结果与第一翻译模型在第一领域的翻译结果的相似度满足预设条件;利用目标领域的目标语料训练第二翻译模型的目标参数,得到目标翻译模型,训练过程中除目标参数以外的其他参数不变,目标参数为部分或全部第二参数。上述方案利用第一领域的语料训练对第一领域翻译结果影响较大的第一参数,训练过程中第二参数保持不变,训练结束后在第一参数不变的情况下,利用目标域的语料训练对第一领域翻译结果影响较小的第二参数,使得最终得到的目标翻译模型既保留了第一领域的信息又增加了目标领域的信息,从而既可以适用第一领域,又可以适用目标领域,提高了目标翻译模型的领域自适应性和准确度,在利用该目标翻译模型进行翻译时,提高了翻译结果的准确度。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1为本公开实施例一提供的一种模型训练方法的流程图;
图2为本公开实施例二提供的一种模型训练方法的流程图;
图3为本公开实施例二提供的一种翻译模型的训练过程示意图;
图4为本公开实施例三提供的一种机器翻译方法的流程图;
图5为本公开实施例四提供的一种模型训练装置的结构图;
图6为本公开实施例五提供的一种机器翻译装置的结构图;
图7为本公开实施例六提供的一种电子设备的结构图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的领域、参数或模型等进行区分,并非用于限定这些领域、参数或模型。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
实施例一
图1为本公开实施例一提供的一种模型训练方法的流程图,本实施例可适用于训练翻译模型的情况,利用训练好的翻译模型可以将一种自然语言转换为另一种自然语言,满足翻译需求。该方法可以由模型训练装置来执行,该装置可以采用软件和/或硬件的方式实现,该装置可以配置在电子设备中,该电子设备可以是具备数据处理功能的终端,例如可以是手机、平板、笔记本等移动终端,也可以是台式机等固定终端或服务器。如图1所示,该方法具体包括如下步骤:
S110、通过神经网络剪枝技术确定第一翻译模型中各参数对第一领域翻译结果的影响度,得到第一参数和第二参数。
其中,所述第一参数对第一领域的翻译结果的影响度大于第二参数对第一领域的翻译结果的影响度。示例性的,第一翻译模型可以是通用翻译模型,通用翻译模型是可以满足第一领域翻译需求的模型,第一领域可以是通用领域,一般可以将能够获取大规模语料的领域称为通用领域,例如新闻领域。通用翻译模型可以基于神经网络构建,实施例对神经网络的具体结构不进行限定。该通用翻译模型可以基于通用领域的平行语料预先训练,平行语料是包括源语句和目标语句的语料,源语句和目标语句属于不同语种的语言。训练好的通用翻译模型可以满足通用领域的翻译需求。
以第一翻译模型为通用翻译模型为例,可以理解的是,基于神经网络构建的通用翻译模型通常包含多个参数,这些参数中有的参数对翻译结果影响较大,例如当微调这部分参数时,翻译结果会出现较大的变化,有的参数对翻译结果影响较小,例如即使大范围的调整这部分参数,翻译结果也基本不变。在一个示例中,可以通过神经网络剪枝技术确定通用翻译模型中各参数对翻译结果的影响度,基于各参数对翻译结果的影响度,得到第一参数和第二参数。神经网络剪枝技术是一种可以有效防止过拟合的技术。为了满足特定领域的翻译需求,传统的方式是通过微调技术(Fine-tune)在通用翻译模型的基础上利用特定领域的语料对通用翻译模型的所有参数进行重新训练,容易出现过拟合的问题,使得特定领域自适应后,通用领域的翻译效果明显下降。本实施例利用神经网络剪枝技术对通用翻译模型进行处理,确定各参数对通用领域翻译结果的影响度,进而根据影响度得到第一参数和第二参数,在后续基于第一参数和第二参数进行模型训练时可以有效解决过拟合的问题。
影响度可以理解为影响程度,本实施例可以将对翻译结果的影响度大于或等于设定阈值的参数记为第一参数,将对翻译结果的影响度小于设定阈值的参数记为第二参数。可选的,可以通过调试的方式确定各参数发生变化时,翻译结果相应的变化情况,根据翻译结果的变化确定各参数对翻译结果的影响度。也可以将训练语料输入通用翻译模型,由通用翻译模型输出各参数对翻译结果的影响因子,将影响因子作为各参数对应的影响度。当然还可以采用其他的方式确定各参数对翻译结果的影响度,实施例不作具体限定。
S120、利用所述第一领域的第一语料训练所述第一翻译模型的第一参数,得到第二翻译模型,训练过程中所述第二参数不变。
其中,所述第二翻译模型在第一领域的翻译结果与所述第一翻译模型在第一领域的翻译结果的相似度满足预设条件。第一语料可以是通用领域的平行语料,包括源语言文本和对应的目标语言文本,例如双语论文或双语名著等。
为了防止训练过程中出现过拟合,实施例利用第一语料训练通用翻译模型的部分参数,例如可以训练对翻译结果影响程度较大的参数,即第一参数。可选的,可以针对同一源语言文本,确定训练第一参数时模型输出的翻译结果和第一翻译模型输出的翻译结果的相似度,当相似度满足预设条件时,将当前的模型记为第二翻译模型。预设条件可以是能够表示第二翻译模型和第一翻译模型的翻译结果相同或相近的条件,例如可以是相似度大于设定阈值,设定阈值的大小可以根据实际情况确定。整个训练过程仅更新第一参数,第二参数保持不变。
S130、利用目标领域的目标语料训练所述第二翻译模型的目标参数,得到目标翻译模型,训练过程中除所述目标参数以外的其他参数不变。
其中,所述目标参数为部分或全部第二参数。本实施例的目标领域可以是平行语料规模较小的特定领域。可选的,可以选取部分或全部的第二参数作为目标领域的待训练参数,利用目标领域的目标语料训练该目标参数,得到目标翻译模型。该目标翻译模型既保留了通用领域的信息,又增加了目标领域的信息,因此既可以应用于通用领域,对通用领域的语料进行翻译,也可以应用于目标领域,对目标领域的语料进行翻译,提高了模型的领域自适应性,同时也保证了多个领域的翻译效果。在训练第一翻译模型时,仅更新目标参数,除目标参数以外的参数保持不变,例如当目标参数为全部第二参数时,仅更新第二参数,第一参数保持不变,当目标参数为部分第二参数时,仅更新目标参数,第二参数中除目标参数以外的参数和第一参数保持不变。训练过程与第一参数类似。
本公开实施例一提供一种模型训练方法,通过神经网络剪枝技术确定第一翻译模型中各参数对第一领域翻译结果的影响度,得到第一参数和第二参数,所述第一参数对第一领域的翻译结果的影响度大于所述第二参数对第一领域的翻译结果的影响度;利用第一领域的第一语料训练所述第一翻译模型的第一参数,得到第二翻译模型,训练过程中所述第二参数不变,所述第二翻译模型在第一领域的翻译结果与所述第一翻译模型在第一领域的翻译结果的相似度满足预设条件;利用目标领域的目标语料训练所述第二翻译模型的目标参数,得到目标翻译模型,训练过程中除所述目标参数以外的其他参数不变,所述目标参数为部分或全部第二参数。上述方案利用第一领域的语料训练对第一领域翻译结果影响较大的第一参数,训练过程中第二参数保持不变,训练结束后在第一参数不变的情况下,利用目标域的语料训练对第一领域翻译结果影响较小的第二参数,使得最终得到的目标翻译模型既保留了第一领域的信息又增加了目标领域的信息,从而既可以适用第一领域,又可以适用目标领域,提高了目标翻译模型的领域自适应性和准确度,在利用该目标翻译模型进行翻译时,提高了翻译结果的准确度。
实施例二
图2为本公开实施例二提供的一种模型训练方法的流程图,本实施例是在上述实施例的基础上进行优化,参考图2,该方法可以包括如下步骤:
S210、将所述第一领域的第二语料输入所述第一翻译模型,得到所述第一翻译模型中各参数对翻译结果的影响因子。
第二语料可以是选取的通用领域中用于确定第一翻译模型的各参数对翻译结果的影响度的平行语料,第二语料与第一语料可以相同,也可以不同。本实施例中第一翻译模型在翻译源语言文本时,可以同时输出模型中各参数对翻译结果的影响因子,该影响因子用于可以表征各参数对翻译结果的影响程度,影响因子越大,表示对应参数对翻译结果的影响程度越大,反之亦然。
S220、根据各参数对应的影响因子确定各参数对所述翻译结果的影响度。
在一个示例中,可以直接将影响因子作为各参数对翻译结果的影响度,例如当某参数对应的影响因子为0.6时,认为该参数对翻译结果的影响度为0.6。在一个示例中,也可以根据各参数对应的影响因子,为各参数分配对应的权重,根据权重和影响因子确定各参数对翻译结果的影响度。例如某参数对应的影响因子为0.5,对应的权重为0.1,则该参数对翻译结果的影响度可以是0.5*0.1=0.05。各参数对应的权重可以根据影响因子的大小确定,影响因子越大,对应的权重越大,各参数对应的权重之和为1。
S230、将影响度大于或等于设定阈值的参数记为第一参数,将影响度小于设定阈值的参数记为第二参数。
可选的,可以预先设定一个阈值,用于划分参数。具体的,可以将影响度大于或等于设定阈值的参数记为第一参数,将影响度小于设定阈值的参数记为第二参数,设定阈值的大小可以根据实际情况确定。本实施例根据各参数对翻译结果的影响度对参数进行划分,使得该模型可以同时适用不同的领域,提高了模型的领域自适应性,同时由于不同的参数对应不同的领域,在训练某个领域时,仅使用部分参数参与训练即可,无需训练全部参数,有效提高了模型的训练效率。
S240、利用所述第一领域的第一语料训练所述第一翻译模型的第一参数,得到第二翻译模型,训练过程中所述第二参数不变。
在一个示例中,可以通过如下方式训练第一翻译模型的第一参数:
获取所述第一领域的第一源语言文本和所述第一源语言文本对应的第一参考翻译文本;
将所述第一源语言文本输入所述第一翻译模型,获取所述第一翻译模型的输出结果;
确定所述输出结果和所述第一参考翻译文本的匹配度;
如果所述匹配度小于第一设定阈值,则调整所述第一翻译模型的第一参数,直至输出结果和第一参考翻译文本的匹配度大于或等于第一设定阈值,并将匹配度大于或等于第一设定阈值对应的第一翻译模型记为第二翻译模型。
本实施例中第一源语言文本可以是通用领域中用于训练通用翻译模型第一参数的文本,实施例对该文本的语言类型不进行限定。第一参考翻译文本为第一源语言文本的标准翻译文本,第一源语言文本中语言的类型和第一参考翻译文本中语言的类型不同。第一源语言文本和第一参考翻译文本可以从平行语料库中获取,平行语料库可以包括多条平行语料。匹配度可以是通用翻译模型输出的翻译结果与第一参考翻译文本的匹配程度,匹配度越高,表示通用翻译模型输出的翻译结果与第一参考翻译文本越相近。本实施例的通用翻译模型在输出翻译结果的同时,还可以输出该翻译结果与第一参考翻译文本的匹配度。
具体的,可以将第一源语言文本输入通用翻译模型,获取通用翻译模型的输出结果,作为第一源语言文本的翻译结果,同时还可以由通用翻译模型确定该翻译结果与第一参考翻译文本的匹配度,然后将该匹配度与第一设定阈值进行比较,如果该匹配度小于第一设定阈值,则调整该通用翻译模型的第一参数,直至其输出的翻译结果与第一参考翻译文本的匹配度大于或等于第一设定阈值,此时可以将当前的通用翻译模型记为第二翻译模型。针对通用领域,第二翻译模型与第一翻译模型的翻译效果相同或相近。与传统的训练全部参数得到的模型相比,本实施例通过训练部分参数即可获取与传统模型相同或相近的翻译效果,减少了计算量,提高了模型的训练效率。整个训练过程仅更新第一参数,第二参数保持不变。
S250、利用目标领域的目标语料训练所述第二翻译模型的目标参数,得到目标翻译模型,训练过程中除所述目标参数以外的其他参数不变。
在一个示例中,可以通过如下方式训练第二翻译模型的目标参数:
获取目标领域的第二源语言文本和所述第二源语言文本对应的第二参考翻译文本;
将所述第二源语言文本输入所述第二翻译模型,获取所述第二翻译模型的输出结果;
确定所述输出结果和所述第二参考翻译文本的匹配度;
如果所述匹配度小于第二设定阈值,则调整所述第二翻译模型的目标参数,直至输出结果和第二参考翻译文本的匹配度大于或等于第二设定阈值,并将匹配度大于或等于第二设定阈值对应的第二翻译模型记为目标翻译模型。
本实施例中第二源语言文本可以是目标领域中用于训练第二翻译模型第二参数的文本,实施例对该文本的语言类型不进行限定。第二参考翻译文本为第二源语言文本的标准翻译文本,第二源语言文本中语言的类型和第二参考翻译文本中语言的类型不同。第二源语言文本和第二参考翻译文本也可以从平行语料库中获取。整个训练过程中,仅更新第二翻译模型的目标参数,其他参数保持不变。其他训练过程可以参考第一参数,此处不再赘述。第二设定阈值的大小也可以根据实际情况设定。本实施例得到的目标翻译模型既可以适用于通用领域,又可以适用于目标领域,在提高目标领域翻译效果的同时也保证了通用领域的翻译效果,有效解决了传统方式因训练全部参数,而导致过拟合的问题。
示例性的,参考图3,图3为本公开实施例二提供的一种翻译模型的训练过程示意图。首先可以在通用领域选取通用语料输入第一翻译模型,利用神经网络剪枝技术确定第一翻译模型中各参数对第一领域翻译结果的影响度,得到第一参数和第二参数,图3的第二个图中加粗的实线表示对翻译结果影响程度较大的参数,也即第一参数,未加粗的实线表示对翻译结果影响程度较小的参数,也即第二参数,然后可以利用通用领域的第一语料训练第一参数,得到第二翻译模型,再利用目标领域的目标语料训练第二翻译模型的目标参数,得到目标翻译模型,图3以目标参数为部分第二参数为例,其中虚线表示目标参数。该目标翻译模型既保留了通用领域的信息,又保留了目标领域的信息,而且仅使用少量的参数参与领域自适应的训练,有效解决了传统方式过拟合的问题,提高了目标领域的翻译效果,同时也保证了通用领域的翻译效果不下降。
本公开实施例二提供一种模型训练方法,在上述实施例的基础上,根据各参数对翻译结果的影响度,得到第一参数和第二参数,利用通用领域的语料训练第一参数,在此基础上再利用目标领域的语料训练部分或全部第二参数,使得最终得到的模型既保留了通用领域的信息,又保留了目标领域的信息,同时保证了多个领域的翻译效果。
实施例三
图4为本公开实施例三提供的一种机器翻译方法的流程图,本实施例可适用于将一种自然语言转换为另一种自然语言的情况,该方法可以由机器翻译装置来执行,该装置可以采用软件和/或硬件的方式实现,该装置可以配置在电子设备中,该电子设备可以是具备数据处理功能的终端,例如可以是手机、平板、笔记本等移动终端,也可以是台式机等固定终端或服务器。如图4所示,该方法具体包括如下步骤:
S310、获取待翻译的源语言文本。
其中,该源语言文本可以是通用领域的源语言文本,也可以是目标领域的源语言文本。
S320、将所述源语言文本输入预设机器翻译模型,获取所述预设机器翻译模型输出的结果,作为所述源语言文本的翻译结果。
其中,所述预设机器翻译模型采用如本公开实施例提供的任意一种模型训练方法训练得到。
本公开实施例提供的机器翻译方法,由于采用了本发明实施例提供的模型训练方法得到预设机器翻译模型,在基于该预设机器翻译模型进行翻译时,既提高了特定领域的翻译效果,也保证了通用领域的翻译效果,满足了多领域的翻译需求。
实施例四
图5为本公开实施例四提供的一种模型训练装置的结构图,该装置可以执行上述实施例提供的模型训练方法,参考图5,该装置可以包括:
参数确定模块41,用于通过神经网络剪枝技术确定第一翻译模型中各参数对第一领域翻译结果的影响度,得到第一参数和第二参数,所述第一参数对所述第一领域的翻译结果的影响度大于所述第二参数对所述第一领域的翻译结果的影响度;
第一翻译模型训练模块42,用于利用所述第一领域的第一语料训练所述第一翻译模型的第一参数,得到第二翻译模型,训练过程中所述第二参数不变,所述第二翻译模型在所述第一领域的翻译结果与所述第一翻译模型在所述第一领域的翻译结果的相似度满足预设条件;
第二翻译模型训练模块43,用于利用目标领域的目标语料训练所述第二翻译模型的目标参数,得到目标翻译模型,训练过程中除所述目标参数以外的其他参数不变,所述目标参数为部分或全部第二参数。
本公开实施例四提供一种模型训练装置,通过神经网络剪枝技术确定第一翻译模型中各参数对第一领域翻译结果的影响度,得到第一参数和第二参数,所述第一参数对第一领域的翻译结果的影响度大于所述第二参数对第一领域的翻译结果的影响度;利用第一领域的第一语料训练所述第一翻译模型的第一参数,得到第二翻译模型,训练过程中所述第二参数不变,所述第二翻译模型在第一领域的翻译结果与所述第一翻译模型在第一领域的翻译结果的相似度满足预设条件;利用目标领域的目标语料训练所述第二翻译模型的目标参数,得到目标翻译模型,训练过程中除所述目标参数以外的其他参数不变,所述目标参数为部分或全部第二参数。上述方案利用第一领域的语料训练对第一领域翻译结果影响较大的第一参数,训练过程中第二参数保持不变,训练结束后在第一参数不变的情况下,利用目标域的语料训练对第一领域翻译结果影响较小的第二参数,使得最终得到的目标翻译模型既保留了第一领域的信息又增加了目标领域的信息,从而既可以适用第一领域,又可以适用目标领域,提高了目标翻译模型的领域自适应性和准确度,在利用该目标翻译模型进行翻译时,提高了翻译结果的准确度。
在上述实施例的基础上,参数划分模块41,具体用于:
将所述第一领域的第二语料输入所述第一翻译模型,得到所述第一翻译模型中各参数对翻译结果的影响因子;
根据各参数对应的影响因子确定各参数对所述翻译结果的影响度;
将影响度大于或等于设定阈值的参数记为第一参数,将影响度小于设定阈值的参数记为第二参数。
在上述实施例的基础上,第一翻译模型训练模块42,具体用于:
获取所述第一领域的第一源语言文本和所述第一源语言文本对应的第一参考翻译文本;
将所述第一源语言文本输入所述第一翻译模型,获取所述第一翻译模型的输出结果;
确定所述输出结果和所述第一参考翻译文本的匹配度;
如果所述匹配度小于第一设定阈值,则调整所述第一翻译模型的第一参数,直至输出结果和第一参考翻译文本的匹配度大于或等于第一设定阈值,并将匹配度大于或等于第一设定阈值对应的第一翻译模型记为第二翻译模型。
在上述实施例的基础上,第二翻译模型训练模块43,具体用于:
获取目标领域的第二源语言文本和所述第二源语言文本对应的第二参考翻译文本;
将所述第二源语言文本输入所述第二翻译模型,获取所述第二翻译模型的输出结果;
确定所述输出结果和所述第二参考翻译文本的匹配度;
如果所述匹配度小于第二设定阈值,则调整所述第二翻译模型的目标参数,直至输出结果和第二参考翻译文本的匹配度大于或等于第二设定阈值,并将匹配度大于或等于第二设定阈值对应的第二翻译模型记为目标翻译模型。
在上述实施例的基础上,所述第一翻译模型为通用翻译模型,所述第一领域为通用领域,所述目标领域为特定领域。
本公开实施例提供的模型训练装置与上述实施例提供的模型训练方法属于同一发明构思,未在本实施例中详尽描述的技术细节可参见上述实施例,并且本实施例具备执行模型训练方法相同的有益效果。
实施例五
图6为本公开实施例五提供的一种机器翻译装置的结构图,该装置可以执行上述实施例提供的机器翻译方法,参考图6,该装置可以包括:
文本获取模块51,用于获取待翻译的源语言文本;
翻译模块52,用于将所述源语言文本输入预设机器翻译模型,获取所述预设机器翻译模型输出的结果,作为所述源语言文本的翻译结果。
其中,所述预设机器翻译模型采用如本公开实施例提供的任意一种模型训练方法训练得到。
本公开实施例提供的机器翻译装置,由于采用了本发明实施例提供的模型训练方法得到预设机器翻译模型,在基于该预设机器翻译模型进行翻译时,既提高了特定领域的翻译效果,也保证了通用领域的翻译效果,满足了多领域的翻译需求。
在上述实施例的基础上,所述源语言文本包括通用领域的源语言文本或目标领域的源语言文本。
本公开实施例提供的机器翻译装置与上述实施例提供的机器翻译方法属于同一发明构思,未在本实施例中详尽描述的技术细节可参见上述实施例,并且本实施例具备执行机器翻译方法相同的有益效果。
实施例六
下面参考图7,其示出了适于用来实现本公开实施例的电子设备600的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机以及服务器等等的固定终端。图7示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)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装置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,还存储有电子设备600操作所需的各种程序和数据。处理装置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。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
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,其包括承载在非暂态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装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开实施例的方法中限定的上述功能。
实施例七
本公开上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。在本公开中,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。而在本公开中,计算机可读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,该计算机可读信号介质可以发送、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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述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:通过神经网络剪枝技术确定第一翻译模型中各参数对第一领域翻译结果的影响度,得到第一参数和第二参数,所述第一参数对第一领域的翻译结果的影响度大于所述第二参数对所述第一领域的翻译结果的影响度;利用所述第一领域的第一语料训练所述第一翻译模型的第一参数,得到第二翻译模型,训练过程中所述第二参数不变,所述第二翻译模型在所述第一领域的翻译结果与所述第一翻译模型在所述第一领域的翻译结果的相似度满足预设条件;利用目标领域的目标语料训练所述第二翻译模型的目标参数,得到目标翻译模型,训练过程中除所述目标参数以外的其他参数不变,所述目标参数为部分或全部第二参数。
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:获取待翻译的源语言文本;将所述源语言文本输入预设机器翻译模型,获取所述预设机器翻译模型输出的结果,作为所述源语言文本的翻译结果,其中,所述预设机器翻译模型采用如本公开实施例提供的任意一种模型训练方法训练得到。
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公开的操作的计算机程序代码,上述程序设计语言包括但不限于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,图示了按照本公开各种实施例的系统、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。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该模块本身的限定,例如,参数确定模块还可以被描述为“通过神经网络剪枝技术确定第一翻译模型中各参数对第一领域翻译结果的影响度,得到第一参数和第二参数的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例,本公开提供了一种模型训练方法,包括:
通过神经网络剪枝技术确定第一翻译模型中各参数对第一领域翻译结果的影响度,得到第一参数和第二参数,所述第一参数对所述第一领域的翻译结果的影响度大于所述第二参数对所述第一领域的翻译结果的影响度;
利用所述第一领域的第一语料训练所述第一翻译模型的第一参数,得到第二翻译模型,训练过程中所述第二参数不变,所述第二翻译模型在所述第一领域的翻译结果与所述第一翻译模型在所述第一领域的翻译结果的相似度满足预设条件;
利用目标领域的目标语料训练所述第二翻译模型的目标参数,得到目标翻译模型,训练过程中除所述目标参数以外的其他参数不变,所述目标参数为部分或全部第二参数。
根据本公开的一个或多个实施例,本公开提供的模型训练方法中,所述通过神经网络剪枝技术确定第一翻译模型中各参数对第一领域翻译结果的影响度,得到第一参数和第二参数,包括:
将所述第一领域的第二语料输入所述第一翻译模型,得到所述第一翻译模型中各参数对翻译结果的影响因子;
根据各参数对应的影响因子确定各参数对所述翻译结果的影响度;
将影响度大于或等于设定阈值的参数记为第一参数,将影响度小于设定阈值的参数记为第二参数。
根据本公开的一个或多个实施例,本公开提供的模型训练方法中,所述利用所述第一领域的第一语料训练所述第一翻译模型的第一参数,得到第二翻译模型,包括:
获取所述第一领域的第一源语言文本和所述第一源语言文本对应的第一参考翻译文本;
将所述第一源语言文本输入所述第一翻译模型,获取所述第一翻译模型的输出结果;
确定所述输出结果和所述第一参考翻译文本的匹配度;
如果所述匹配度小于第一设定阈值,则调整所述第一翻译模型的第一参数,直至输出结果和第一参考翻译文本的匹配度大于或等于第一设定阈值,并将匹配度大于或等于第一设定阈值对应的第一翻译模型记为第二翻译模型。
根据本公开的一个或多个实施例,本公开提供的模型训练方法中,所述利用目标领域的目标语料训练所述第二翻译模型的目标参数,得到目标翻译模型,包括:
获取目标领域的第二源语言文本和所述第二源语言文本对应的第二参考翻译文本;
将所述第二源语言文本输入所述第二翻译模型,获取所述第二翻译模型的输出结果;
确定所述输出结果和所述第二参考翻译文本的匹配度;
如果所述匹配度小于第二设定阈值,则调整所述第二翻译模型的目标参数,直至输出结果和第二参考翻译文本的匹配度大于或等于第二设定阈值,并将匹配度大于或等于第二设定阈值对应的第二翻译模型记为目标翻译模型。
根据本公开的一个或多个实施例,本公开提供的模型训练方法中,所述第一翻译模型为通用翻译模型,所述第一领域为通用领域。
根据本公开的一个或多个实施例,本公开提供了一种机器翻译方法,包括:
获取待翻译的源语言文本;
将所述源语言文本输入预设机器翻译模型,获取所述预设机器翻译模型输出的结果,作为所述源语言文本的翻译结果,其中,所述预设机器翻译模型采用如本公开实施例提供的任意一种模型训练方法训练得到。
根据本公开的一个或多个实施例,本公开提供了一种模型训练装置,包括:
参数确定模块,用于通过神经网络剪枝技术确定第一翻译模型中各参数对第一领域翻译结果的影响度,得到第一参数和第二参数,所述第一参数对所述第一领域的翻译结果的影响度大于所述第二参数对所述第一领域的翻译结果的影响度;
第一翻译模型训练模块,用于利用所述第一领域的第一语料训练所述第一翻译模型的第一参数,得到第二翻译模型,训练过程中所述第二参数不变,所述第二翻译模型在所述第一领域的翻译结果与所述第一翻译模型在所述第一领域的翻译结果的相似度满足预设条件;
第二翻译模型训练模块,用于利用目标领域的目标语料训练所述第二翻译模型的目标参数,得到目标翻译模型,训练过程中除所述目标参数以外的其他参数不变,所述目标参数为部分或全部第二参数。
根据本公开的一个或多个实施例,本公开提供了一种机器翻译装置,包括:
文本获取模块,用于获取待翻译的源语言文本;
翻译模块,用于将所述源语言文本输入预设机器翻译模型,获取所述预设机器翻译模型输出的结果,作为所述源语言文本的翻译结果,其中,所述预设机器翻译模型采用如本公开实施例提供的任意一种模型训练方法训练得到。
根据本公开的一个或多个实施例,本公开提供了一种电子设备,包括:
一个或多个处理器;
存储器,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时实现如本公开提供任一所述的模型训练方法或机器翻译方法。
根据本公开的一个或多个实施例,本公开提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本公开提供任一所述的模型训练方法或机器翻译方法。
以上描述仅为本公开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,本公开中所涉及的公开范围,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公开构思的情况下,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。例如上述特征与本公开中公开的(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。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (10)
1.一种模型训练方法,其特征在于,包括:
通过神经网络剪枝技术确定第一翻译模型中各参数对第一领域翻译结果的影响度,得到第一参数和第二参数,所述第一参数对所述第一领域的翻译结果的影响度大于所述第二参数对所述第一领域的翻译结果的影响度;
利用所述第一领域的第一语料训练所述第一翻译模型的第一参数,得到第二翻译模型,训练过程中所述第二参数不变,所述第二翻译模型在所述第一领域的翻译结果与所述第一翻译模型在所述第一领域的翻译结果的相似度满足预设条件;
利用目标领域的目标语料训练所述第二翻译模型的目标参数,得到目标翻译模型,训练过程中除所述目标参数以外的其他参数不变,所述目标参数为部分或全部第二参数。
2.根据权利要求1所述的方法,其特征在于,所述通过神经网络剪枝技术确定第一翻译模型中各参数对第一领域翻译结果的影响度,得到第一参数和第二参数,包括:
将所述第一领域的第二语料输入所述第一翻译模型,得到所述第一翻译模型中各参数对翻译结果的影响因子;
根据各参数对应的影响因子确定各参数对所述翻译结果的影响度;
将影响度大于或等于设定阈值的参数记为第一参数,将影响度小于设定阈值的参数记为第二参数。
3.根据权利要求1所述的方法,其特征在于,所述利用所述第一领域的第一语料训练所述第一翻译模型的第一参数,得到第二翻译模型,包括:
获取所述第一领域的第一源语言文本和所述第一源语言文本对应的第一参考翻译文本;
将所述第一源语言文本输入所述第一翻译模型,获取所述第一翻译模型的输出结果;
确定所述输出结果和所述第一参考翻译文本的匹配度;
如果所述匹配度小于第一设定阈值,则调整所述第一翻译模型的第一参数,直至输出结果和第一参考翻译文本的匹配度大于或等于第一设定阈值,并将匹配度大于或等于第一设定阈值对应的第一翻译模型记为第二翻译模型。
4.根据权利要求1所述的方法,其特征在于,所述利用目标领域的目标语料训练所述第二翻译模型的目标参数,得到目标翻译模型,包括:
获取目标领域的第二源语言文本和所述第二源语言文本对应的第二参考翻译文本;
将所述第二源语言文本输入所述第二翻译模型,获取所述第二翻译模型的输出结果;
确定所述输出结果和所述第二参考翻译文本的匹配度;
如果所述匹配度小于第二设定阈值,则调整所述第二翻译模型的目标参数,直至输出结果和第二参考翻译文本的匹配度大于或等于第二设定阈值,并将匹配度大于或等于第二设定阈值对应的第二翻译模型记为目标翻译模型。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述第一翻译模型为通用翻译模型,所述第一领域为通用领域,所述目标领域为特定领域。
6.一种机器翻译方法,其特征在于,包括:
获取待翻译的源语言文本;
将所述源语言文本输入预设机器翻译模型,获取所述预设机器翻译模型输出的结果,作为所述源语言文本的翻译结果,其中,所述预设机器翻译模型采用如权利要求1-5任一项所述的模型训练方法训练得到。
7.一种模型训练装置,其特征在于,包括:
参数确定模块,用于通过神经网络剪枝技术确定第一翻译模型中各参数对第一领域翻译结果的影响度,得到第一参数和第二参数,所述第一参数对所述第一领域的翻译结果的影响度大于所述第二参数对所述第一领域的翻译结果的影响度;
第一翻译模型训练模块,用于利用所述第一领域的第一语料训练所述第一翻译模型的第一参数,得到第二翻译模型,训练过程中所述第二参数不变,所述第二翻译模型在所述第一领域的翻译结果与所述第一翻译模型在所述第一领域的翻译结果的相似度满足预设条件;
第二翻译模型训练模块,用于利用目标领域的目标语料训练所述第二翻译模型的目标参数,得到目标翻译模型,训练过程中除所述目标参数以外的其他参数不变,所述目标参数为部分或全部第二参数。
8.一种机器翻译装置,其特征在于,包括:
文本获取模块,用于获取待翻译的源语言文本;
翻译模块,用于将所述源语言文本输入预设机器翻译模型,获取所述预设机器翻译模型输出的结果,作为所述源语言文本的翻译结果,其中,所述预设机器翻译模型采用如权利要求1-5任一项所述的模型训练方法训练得到。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器,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时实现如权利要求1-5任一项所述的模型训练方法或如权利要求6所述的机器翻译方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5中任一项所述的模型训练方法或如权利要求6所述的机器翻译方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011412735.7A CN112380883B (zh) | 2020-12-04 | 2020-12-04 | 模型训练方法、机器翻译方法、装置、设备及存储介质 |
US18/255,790 US20240037349A1 (en) | 2020-12-04 | 2021-11-17 | Model training method and apparatus, machine translation method and apparatus, and device and storage medium |
PCT/CN2021/131073 WO2022116819A1 (zh) | 2020-12-04 | 2021-11-17 | 模型训练方法及装置、机器翻译方法及装置、设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011412735.7A CN112380883B (zh) | 2020-12-04 | 2020-12-04 | 模型训练方法、机器翻译方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112380883A CN112380883A (zh) | 2021-02-19 |
CN112380883B true CN112380883B (zh) | 2023-07-25 |
Family
ID=74591086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011412735.7A Active CN112380883B (zh) | 2020-12-04 | 2020-12-04 | 模型训练方法、机器翻译方法、装置、设备及存储介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20240037349A1 (zh) |
CN (1) | CN112380883B (zh) |
WO (1) | WO2022116819A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112380883B (zh) * | 2020-12-04 | 2023-07-25 | 北京有竹居网络技术有限公司 | 模型训练方法、机器翻译方法、装置、设备及存储介质 |
CN112905189A (zh) * | 2021-02-24 | 2021-06-04 | 嘉楠明芯(北京)科技有限公司 | 模型翻译方法、装置及计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019024050A1 (en) * | 2017-08-03 | 2019-02-07 | Lingochamp Information Technology (Shanghai) Co., Ltd. | CORRECTION OF GRAMMAR ERRORS BASED ON DEEP CONTEXT AND USING ARTIFICIAL NEURAL NETWORKS |
CN110555213A (zh) * | 2019-08-21 | 2019-12-10 | 语联网(武汉)信息技术有限公司 | 文本翻译模型的训练方法、文本翻译方法及装置 |
CN111104807A (zh) * | 2019-12-06 | 2020-05-05 | 北京搜狗科技发展有限公司 | 一种数据处理方法、装置和电子设备 |
CN111859995A (zh) * | 2020-06-16 | 2020-10-30 | 北京百度网讯科技有限公司 | 机器翻译模型的训练方法、装置、电子设备及存储介质 |
CN111859991A (zh) * | 2020-07-29 | 2020-10-30 | 中国平安财产保险股份有限公司 | 语言翻译处理模型训练方法和语言翻译处理方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016070034A1 (en) * | 2014-10-31 | 2016-05-06 | Linkedin Corporation | Transfer learning for bilingual content classification |
CN106355248A (zh) * | 2016-08-26 | 2017-01-25 | 深圳先进技术研究院 | 一种深度卷积神经网络训练方法及装置 |
CN108829684A (zh) * | 2018-05-07 | 2018-11-16 | 内蒙古工业大学 | 一种基于迁移学习策略的蒙汉神经机器翻译方法 |
CN110472251B (zh) * | 2018-05-10 | 2023-05-30 | 腾讯科技(深圳)有限公司 | 翻译模型训练的方法、语句翻译的方法、设备及存储介质 |
CN109117483B (zh) * | 2018-07-27 | 2020-05-19 | 清华大学 | 神经网络机器翻译模型的训练方法及装置 |
US20200242492A1 (en) * | 2019-01-25 | 2020-07-30 | Stripe, Inc. | Shared learning across separate entities with private data features |
CN110598848A (zh) * | 2019-08-16 | 2019-12-20 | 中国科学院计算技术研究所 | 一种基于通道剪枝的迁移学习加速方法 |
CN111008533B (zh) * | 2019-12-09 | 2021-07-23 | 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 |
CN111353545B (zh) * | 2020-03-09 | 2022-11-18 | 大连理工大学 | 一种基于稀疏网络迁移的植株病虫害识别方法 |
CN112380883B (zh) * | 2020-12-04 | 2023-07-25 | 北京有竹居网络技术有限公司 | 模型训练方法、机器翻译方法、装置、设备及存储介质 |
-
2020
- 2020-12-04 CN CN202011412735.7A patent/CN112380883B/zh active Active
-
2021
- 2021-11-17 WO PCT/CN2021/131073 patent/WO2022116819A1/zh active Application Filing
- 2021-11-17 US US18/255,790 patent/US20240037349A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019024050A1 (en) * | 2017-08-03 | 2019-02-07 | Lingochamp Information Technology (Shanghai) Co., Ltd. | CORRECTION OF GRAMMAR ERRORS BASED ON DEEP CONTEXT AND USING ARTIFICIAL NEURAL NETWORKS |
CN110555213A (zh) * | 2019-08-21 | 2019-12-10 | 语联网(武汉)信息技术有限公司 | 文本翻译模型的训练方法、文本翻译方法及装置 |
CN111104807A (zh) * | 2019-12-06 | 2020-05-05 | 北京搜狗科技发展有限公司 | 一种数据处理方法、装置和电子设备 |
CN111859995A (zh) * | 2020-06-16 | 2020-10-30 | 北京百度网讯科技有限公司 | 机器翻译模型的训练方法、装置、电子设备及存储介质 |
CN111859991A (zh) * | 2020-07-29 | 2020-10-30 | 中国平安财产保险股份有限公司 | 语言翻译处理模型训练方法和语言翻译处理方法 |
Non-Patent Citations (1)
Title |
---|
基于双语合成语义的翻译相似度模型;王超超等;北京大学学报(自然科学版);全文 * |
Also Published As
Publication number | Publication date |
---|---|
US20240037349A1 (en) | 2024-02-01 |
WO2022116819A1 (zh) | 2022-06-09 |
CN112380883A (zh) | 2021-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112712801B (zh) | 一种语音唤醒方法、装置、电子设备及存储介质 | |
CN111597825B (zh) | 语音翻译方法、装置、可读介质及电子设备 | |
CN112380883B (zh) | 模型训练方法、机器翻译方法、装置、设备及存储介质 | |
CN110349107B (zh) | 图像增强的方法、装置、电子设备、及存储介质 | |
CN113204977B (zh) | 信息翻译方法、装置、设备和存储介质 | |
CN116894188A (zh) | 业务标签集更新方法、装置、介质及电子设备 | |
CN110009101B (zh) | 用于生成量化神经网络的方法和装置 | |
CN111738316A (zh) | 零样本学习的图像分类方法、装置及电子设备 | |
CN112257459B (zh) | 语言翻译模型的训练方法、翻译方法、装置和电子设备 | |
CN117236805B (zh) | 电力设备控制方法、装置、电子设备和计算机可读介质 | |
CN112734631A (zh) | 基于微调模型的视频图像换脸方法、装置、设备及介质 | |
CN116912734A (zh) | 视频摘要数据集构建方法、装置、介质及电子设备 | |
CN111259676A (zh) | 翻译模型的训练方法、装置、电子设备、及存储介质 | |
CN111680754B (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
CN112286808B (zh) | 应用程序的测试方法、装置、电子设备及介质 | |
CN112669816B (zh) | 模型的训练方法、语音识别方法、装置、介质及设备 | |
CN110222777B (zh) | 图像特征的处理方法、装置、电子设备及存储介质 | |
CN116974684B (zh) | 地图页面布局方法、装置、电子设备与计算机可读介质 | |
CN111738416B (zh) | 模型同步更新方法、装置及电子设备 | |
CN112346630B (zh) | 状态确定方法、装置、设备和计算机可读介质 | |
CN112070163B (zh) | 图像分割模型训练和图像分割方法、装置、设备 | |
CN113282853B (zh) | 一种评论预加载方法、装置、存储介质及电子设备 | |
CN111461227B (zh) | 样本生成方法、装置、电子设备和计算机可读介质 | |
CN111292329B (zh) | 视频分割网络的训练方法、装置及电子设备 | |
CN115565607B (zh) | 确定蛋白质信息的方法、装置、可读介质及电子设备 |
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 |