CN112686027B - 基于周期函数的机器翻译输出修正方法及系统 - Google Patents
基于周期函数的机器翻译输出修正方法及系统 Download PDFInfo
- Publication number
- CN112686027B CN112686027B CN202011550194.4A CN202011550194A CN112686027B CN 112686027 B CN112686027 B CN 112686027B CN 202011550194 A CN202011550194 A CN 202011550194A CN 112686027 B CN112686027 B CN 112686027B
- Authority
- CN
- China
- Prior art keywords
- neural network
- encoding
- periodic function
- encoder
- machine translation
- 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
- 230000000737 periodic effect Effects 0.000 title claims abstract description 60
- 238000013519 translation Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012937 correction Methods 0.000 title claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 80
- 230000006870 function Effects 0.000 claims abstract description 70
- 238000013507 mapping Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000013480 data collection Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Classifications
-
- 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
- Machine Translation (AREA)
Abstract
本发明属于人工智能翻译技术领域，涉及一种基于周期函数的机器翻译输出修正方法及系统，方法包含：获取源语言和目标语言两者对应的平行语料，对词汇进行编码得到字典表和对应的索引值；对源语言语句和位置信息进行编码，通过编码器神经网络获取信息编码，并利用周期函数对信息编码特征进行提取，获取编码器神经网络最终输出；对目标语言语句和位置信息进行编码，将编码结果和编码器神经网络最终输出作为解码器神经网络输入，利用周期函数对解码器神经网络输出特征进行提取来获取解码器神经网络最终输出；将解码器神经网络最终输出经过特征映射获取字典表中索引编号，最终输出为索引编号对应词汇。本发明能够有效提升机器翻译质量和用户体验度。
Description
技术领域
本发明属于人工智能翻译技术领域，特别涉及一种基于周期函数的机器翻译输出修正方法及系统。
背景技术
随着经济社会的发展，政府和民间交流、商务活动日益增多，涉及到外文翻译需求越来越多，语种也更加多样化；互联网的蓬勃发展，也使得人们获取信息的范围、渠道、方式、形式也日趋多样，信息量成爆炸式增长。此时，人工翻译受限于实效性差、翻译人员水平参差不齐、小语种资源稀缺、成本高等原因，已无法满足需求，机器翻译具有高速度、低成本、多语种覆盖的特点，且翻译质量趋近“信、雅、达”，是必然趋势。
发明内容
为此，本发明提供一种基于周期函数的机器翻译输出修正方法及系统，在神经网络机器翻译使用梯度下降优化的基础上，利用周期函数提升神经元获取的有效特征信息，在解决神经网络在梯度下降过程中特征信息损失过量等问题，提升机器翻译质量和用户体验度。
按照本发明所提供的设计方案，一种基于周期函数的机器翻译输出修正方法，用于改善机器翻译结果，包含如下内容：
获取源语言和目标语言两者对应的平行语料，通过对平行语料中词汇进行编码得到字典表和对应的索引值；
分别对源语言语句和位置信息进行编码，将编码结果作为编码器神经网络输入，通过编码器神经网络获取信息编码，并利用周期函数对信息编码特征进行提取，将提取信息作为编码器神经网络最终输出；
分别对目标语言语句和位置信息进行编码，将编码结果和编码器神经网络最终输出作为解码器神经网络输入，利用周期函数对解码器神经网络输出特征进行提取，将提取的输出信息作为解码器神经网络最终输出；
将解码器神经网络最终输出经过特征映射获取字典表中索引编号，最终输出为索引编号对应词汇。
作为本发明基于周期函数的机器翻译输出修正方法，进一步的，利用词汇对语句进行拆分，提取关键字并形成公共编码表；依据公共编码表对平行语料中的词汇进行编码。
作为本发明基于周期函数的机器翻译输出修正方法，进一步地，关键字至少包含：公共词、词根和前后缀。
作为本发明基于周期函数的机器翻译输出修正方法，进一步地，源语言语句编码结果表示为：
其中，X为输入的源语言语句，
为源语句词嵌入编码的表示，We和Be分别为计算词嵌入编码的权重矩阵和偏差表示。
作为本发明基于周期函数的机器翻译输出修正方法，进一步地，源语言位置信息编码结果表示为：
其中，X为输入的源语言语句，
为源语言语句位置信息编码的表示，
和
分别为计算源语句的位置信息编码的权重矩阵和偏差表示。
作为本发明基于周期函数的机器翻译输出修正方法，进一步地，编码器神经网络采用多层编码器网络结构，该多层编码器网络结构输出表示为：
其中，Eencoder为词嵌入编码的表示，Wencoder和Bencoder分别为计算编码器神经网络的权重矩阵和偏差表示。
作为本发明基于周期函数的机器翻译输出修正方法，进一步地，利用周期函数进行特征提取过程表示为：
其中，
为多层编码器网络结构输出表示，α为调参因子，frelu为线性激活函数，fsin为周期函数。
作为本发明基于周期函数的机器翻译输出修正方法，进一步地，解码器神经网络采用多层解码器网络结构，该多层解码器网络结构输出表示为：
其中，
为目标语言语句的词嵌入表示，
为目标语言语句位置信息编码表示，
为编码器神经网络最终输出，Wdecoder、Bdecoder分别为计算解码器神经网络的权重矩阵和偏差表示。
作为本发明基于周期函数的机器翻译输出修正方法，进一步地，特征映射表示为：
为最终输出的目标语句序列，fsoftmax为映射函数，Edecoder为解码器神经网络输出。
进一步地，本发明还提供一种基于周期函数的机器翻译输出修正系统，用于改善机器翻译结果，包含：数据收集模块、源语言编码模块、目标语言编码模块和索引映射模块，其中，
数据收集模块，用于获取源语言和目标语言两者对应的平行语料，通过对平行语料中词汇进行编码得到字典表和对应的索引值；
源语言编码模块，用于对源语言语句和位置信息进行编码，将编码结果作为编码器神经网络输入，通过编码器神经网络获取信息编码，并利用周期函数对信息编码特征进行提取，将提取信息作为编码器神经网络最终输出；
目标语言编码模块，用于对目标语言语句和位置信息进行编码，将编码结果和编码器神经网络最终输出作为解码器神经网络输入，利用周期函数对解码器神经网络输出特征进行提取，将提取的输出信息作为解码器神经网络最终输出；
索引映射模块，用于将解码器神经网络最终输出经过特征映射获取字典表中索引编号，最终输出为索引编号对应词汇。
本发明的有益效果：
本发明利用周期函数解决当前用于隐式神经表示的网络架构无法对特征信号进行精细建模等的问题，在神经网络机器翻译使用梯度下降优化的基础上使用周期函数来提升神经元获取的有效的特征信息，提升机器翻译质量和效率，具有较好的应用前景。
附图说明：
图1为实施例中基于周期函数的机器翻译输出修正方法流程示意；
图2为实施例中机器翻译输出修正原理示意；
图3为实施例中翻译结果实例示意。
具体实施方式：
为使本发明的目的、技术方案和优点更加清楚、明白，下面结合附图和技术方案对本发明作进一步详细的说明。
本发明实施例，参见图1所示，提供一种基于周期函数的机器翻译输出修正方法，用于改善机器翻译结果，包含如下内容：
S101、获取源语言和目标语言对应的平行语料，通过对平行语料中词汇进行编码得到字典表和对应的索引值；
S102、分别对源语言语句和位置信息进行编码，将编码结果作为编码器神经网络输入，通过编码器神经网络获取信息编码，并利用周期函数对信息编码特征进行提取，将提取信息作为编码器神经网络最终输出；
S103、分别对目标语言语句和位置信息进行编码，将编码结果和编码器神经网络最终输出作为解码器神经网络输入，利用周期函数对解码器神经网络输出特征进行提取，将提取的输出信息作为解码器神经网络最终输出；
S104、将解码器神经网络最终输出经过特征映射获取字典表中索引编号，最终输出为索引编号对应词汇。
利用周期函数解决当前用于隐式神经表示的网络架构无法对特征信号进行精细建模等的问题，在神经网络机器翻译使用梯度下降优化的基础上使用周期函数来提升神经元获取的有效的特征信息，提高机器翻译质量和效率，提升用户对机器翻译的体验程度。
作为本发明实施例中基于周期函数的机器翻译输出修正方法，进一步的，利用词汇对语句进行拆分，提取关键字并形成公共编码表；依据公共编码表对平行语料中的词汇进行编码。进一步地，关键字至少包含：公共词、词根和前后缀。
平行语料中，平行语料，一句源语言对应一句目标语言；对句子中的词汇进行拆分，提取公共词、词根和前后缀等，形成公共编码表；依据公共编码表，对平行语料中的词汇进行编码，形成字典表和对应的索引值。
作为本发明实施例中基于周期函数的机器翻译输出修正方法，进一步地，源语言语句编码结果表示为：
其中，X为输入的源语言语句，
为源语句词嵌入编码的表示，We和Be分别为计算词嵌入编码的权重矩阵和偏差表示。进一步地，源语言位置信息编码结果表示为：
其中，X为输入的源语言语句，
为源语言语句位置信息编码的表示，
和
分别为计算源语句的位置信息编码的权重矩阵和偏差表示。
作为本发明实施例中基于周期函数的机器翻译输出修正方法，进一步地，编码器神经网络采用多层编码器网络结构，该多层编码器网络结构输出表示为：
其中，Eencoder为词嵌入编码的表示，Wencoder和Bencoder分别为计算编码器神经网络的权重矩阵和偏差表示。进一步地，利用周期函数进行特征提取过程表示为：
其中，
为多层编码器网络结构输出表示，α为调参因子，frelu为线性激活函数，fsin为周期函数。
参见图2所示，输入源语句表示为X＝{x1,x2,x3,…xn}，其中x1,x2,x3,…xn为源语句中的每个单词。对源语言进行词嵌入编码、位置信息编码作为编码器神经网络的输入变量；编码器神经网络的输出经过周期函数的计算保留部分有效特征信息作为编码器最终输出。
作为本发明基于周期函数的机器翻译输出修正方法，进一步地，解码器神经网络采用多层解码器网络结构，该多层解码器网络结构输出表示为：
其中，
为目标语言语句的词嵌入表示，
为目标语言语句位置信息编码表示，
为编码器神经网络最终输出，Wdecoder、Bdecoder分别为计算解码器神经网络的权重矩阵和偏差表示。进一步地，特征映射表示为：
为最终输出的目标语句序列，
fsoftmax为映射函数，Edecoder为解码器神经网络输出。
参见图2所示，目标语句表示为Y＝{y1,y2,y3,…ym}，其中y1,y2,y3,…ym为目标语句中的每个单词。共享使用和源语言相同的词嵌入参数，得到：
其中，
为目标语句的词嵌入表示，
为目标语句位置信息编码的表示，
和
分别为计算目标语句的位置信息编码的权重矩阵和偏差表示。对目标语言进行词嵌入编码、位置信息编码和编码器的最终输出共同作为解码器神经网络的输入项；解码器神经网络的输出经过周期函数的计算保留有效的特征信息作为解码器最终的输出；解码器最终的输出经过特征映射为字典表中的索引编号，最终输出索引号对应的词汇。
进一步地，基于上述的方法，本发明实施例还提供一种基于周期函数的机器翻译输出修正系统，用于改善机器翻译结果，包含：数据收集模块、源语言编码模块、目标语言编码模块和索引映射模块，其中，
数据收集模块，用于获取源语言和目标语言对应的平行语料，通过对平行语料中词汇进行编码得到字典表和对应的索引值；
源语言编码模块，用于对源语言语句和位置信息进行编码，将编码结果作为编码器神经网络输入，通过编码器神经网络获取信息编码，并利用周期函数对信息编码特征进行提取，将提取信息作为编码器神经网络最终输出；
目标语言编码模块，用于对目标语言语句和位置信息进行编码，将编码结果和编码器神经网络最终输出作为解码器神经网络输入，利用周期函数对解码器神经网络输出特征进行提取，将提取的输出信息作为解码器神经网络最终输出；
索引映射模块，用于将解码器神经网络最终输出经过特征映射获取字典表中索引编号，最终输出为索引编号对应词汇。
为验证本案方案有效性，下面结合源语句实例的翻译结果对比做进一步解释说明：
参见图3所示，在解决传统神经网络机器翻译中，使用线性激活函数产生了特征信息过渡损失问题，图中对照显示本案方案对结果有显著的改善效果，有效提升翻译结果质量。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。
基于上述的方法或系统，本发明实施例还提供一种网络设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述的系统或执行上述的方法。
基于上述的系统，本发明实施例还提供一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现上述的系统。
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述系统实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述系统实施例中相应内容。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述系统实施例中的对应过程，在此不再赘述。
在这里示出和描述的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制，因此，示例性实施例的其他示例可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、系统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，所述模块、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，两个连续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动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。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述系统的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种基于周期函数的机器翻译输出修正方法，用于改善机器翻译结果，其特征在于，包含如下内容：
获取源语言和目标语言两者对应的平行语料，通过对平行语料中词汇进行编码得到字典表和对应的索引值；
分别对源语言语句和源语言语句位置信息进行编码，将编码结果作为编码器神经网络输入，通过编码器神经网络获取信息编码，并利用周期函数对信息编码特征进行提取，将提取信息作为编码器神经网络最终输出；
分别对目标语言语句和目标语言语句位置信息进行编码，将编码结果和编码器神经网络最终输出作为解码器神经网络输入，利用周期函数对解码器神经网络输出特征进行提取，将提取的输出信息作为解码器神经网络最终输出；
将解码器神经网络最终输出经过特征映射获取字典表中索引编号，最终输出为索引编号对应词汇。
2.根据权利要求1所述的基于周期函数的机器翻译输出修正方法，其特征在于，利用词汇对语句进行拆分，提取关键字并形成公共编码表；依据公共编码表对平行语料中的词汇进行编码。
3.根据权利要求2所述的基于周期函数的机器翻译输出修正方法，其特征在于，关键字至少包含：公共词、词根和前后缀。
4.根据权利要求1所述的基于周期函数的机器翻译输出修正方法，其特征在于，源语言语句编码结果表示为：
其中，X为输入的源语言语句，
为源语言语句词嵌入编码的表示，We和Be分别为计算词嵌入编码的权重矩阵和偏差表示。
5.根据权利要求4所述的基于周期函数的机器翻译输出修正方法，其特征在于，源语言语句位置信息编码结果表示为：
其中，X为输入的源语言语句，
为源语言语句位置信息编码的表示，
和
分别为计算源语言语句的位置信息编码的权重矩阵和偏差表示。
6.根据权利要求5所述的基于周期函数的机器翻译输出修正方法，其特征在于，编码器神经网络采用多层编码器网络结构，该多层编码器网络结构输出表示为：
其中，Eencoder为多层编码器网络结构输出表示，Wencoder和Bencoder分别为计算编码器神经网络的权重矩阵和偏差表示。
7.根据权利要求6所述的基于周期函数的机器翻译输出修正方法，其特征在于，利用周期函数进行特征提取过程表示为：
其中，
为利用周期函数进行特征提取的输出表示，α为调参因子，frelu为线性激活函数，fsin为周期函数。
8.根据权利要求1所述的基于周期函数的机器翻译输出修正方法，其特征在于，解码器神经网络采用多层解码器网络结构，该多层解码器网络结构输出表示为：
其中，
为目标语言语句的词嵌入表示，
为目标语言语句位置信息编码表示，
为编码器神经网络最终输出，Wdecoder、Bdecoder分别为计算解码器神经网络的权重矩阵和偏差表示。
9.根据权利要求8所述的基于周期函数的机器翻译输出修正方法，其特征在于，特征映射表示为：
为最终输出的目标语言语句序列，fsoftmax为映射函数，Edecoder为解码器神经网络输出。
10.一种基于周期函数的机器翻译输出修正系统，用于改善机器翻译结果，其特征在于，包含：数据收集模块、源语言编码模块、目标语言编码模块和索引映射模块，其中，
数据收集模块，用于获取源语言和目标语言两者对应的平行语料，通过对平行语料中词汇进行编码得到字典表和对应的索引值；
源语言编码模块，用于分别对源语言语句和源语言语句位置信息进行编码，将编码结果作为编码器神经网络输入，通过编码器神经网络获取信息编码，并利用周期函数对信息编码特征进行提取，将提取信息作为编码器神经网络最终输出；
目标语言编码模块，用于分别对目标语言语句和目标语言语句位置信息进行编码，将编码结果和编码器神经网络最终输出作为解码器神经网络输入，利用周期函数对解码器神经网络输出特征进行提取，将提取的输出信息作为解码器神经网络最终输出；
索引映射模块，用于将解码器神经网络最终输出经过特征映射获取字典表中索引编号，最终输出为索引编号对应词汇。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011550194.4A CN112686027B (zh) | 2020-12-24 | 2020-12-24 | 基于周期函数的机器翻译输出修正方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011550194.4A CN112686027B (zh) | 2020-12-24 | 2020-12-24 | 基于周期函数的机器翻译输出修正方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112686027A CN112686027A (zh) | 2021-04-20 |
| CN112686027B true CN112686027B (zh) | 2023-06-09 |
Family
ID=75452531
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011550194.4A Active CN112686027B (zh) | 2020-12-24 | 2020-12-24 | 基于周期函数的机器翻译输出修正方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112686027B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107967262A (zh) * | 2017-11-02 | 2018-04-27 | 内蒙古工业大学 | 一种神经网络蒙汉机器翻译方法 |
| CN108563640A (zh) * | 2018-04-24 | 2018-09-21 | 中译语通科技股份有限公司 | 一种多语言对的神经网络机器翻译方法及系统 |
| CN108647214A (zh) * | 2018-03-29 | 2018-10-12 | 中国科学院自动化研究所 | 基于深层神经网络翻译模型的解码方法 |
| CN109446534A (zh) * | 2018-09-21 | 2019-03-08 | 清华大学 | 机器翻译方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102342066B1 (ko) * | 2017-06-21 | 2021-12-22 | 삼성전자주식회사 | 뉴럴 네트워크 모델을 이용한 기계 번역 방법, 장치 및 그 장치를 학습시키기 위한 방법 |
-
2020
- 2020-12-24 CN CN202011550194.4A patent/CN112686027B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107967262A (zh) * | 2017-11-02 | 2018-04-27 | 内蒙古工业大学 | 一种神经网络蒙汉机器翻译方法 |
| CN108647214A (zh) * | 2018-03-29 | 2018-10-12 | 中国科学院自动化研究所 | 基于深层神经网络翻译模型的解码方法 |
| CN108563640A (zh) * | 2018-04-24 | 2018-09-21 | 中译语通科技股份有限公司 | 一种多语言对的神经网络机器翻译方法及系统 |
| CN109446534A (zh) * | 2018-09-21 | 2019-03-08 | 清华大学 | 机器翻译方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 赵亚平 等.基于神经网络迁移学习的蒙汉机器翻译方法.计算机应用与软件.2020,第37卷(第1期),179-185. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112686027A (zh) | 2021-04-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112507065B (zh) | 一种基于注释语义信息的代码搜索方法 | |
| CN108416058A (zh) | 一种基于Bi-LSTM输入信息增强的关系抽取方法 | |
| CN109992775B (zh) | 一种基于高级语义的文本摘要生成方法 | |
| Ikeda | Japanese text normalization with encoder-decoder model | |
| CN116737759B (zh) | 一种基于关系感知注意力的中文查询生成sql语句方法 | |
| CN115759119B (zh) | 一种金融文本情感分析方法、系统、介质和设备 | |
| CN113946684A (zh) | 电力基建知识图谱构建方法 | |
| CN111814479B (zh) | 一种企业简称生成及其模型的训练方法及装置 | |
| Mathur et al. | A scaled‐down neural conversational model for chatbots | |
| CN111401037A (zh) | 自然语言的生成方法、装置、电子设备及存储介质 | |
| CN114254108B (zh) | 一种中文文本对抗样本生成的方法、系统及介质 | |
| CN113822044B (zh) | 语法纠错数据生成方法、装置、计算机设备及存储介质 | |
| CN111680524A (zh) | 基于逆向矩阵分析的人机反馈翻译方法与系统 | |
| CN111177404A (zh) | 家装知识的知识图谱构建方法、装置、计算机设备 | |
| CN104331400A (zh) | 一种蒙古文编码转换方法和装置 | |
| CN112380882B (zh) | 一种具有误差修正功能的蒙汉神经机器翻译方法 | |
| CN112686027B (zh) | 基于周期函数的机器翻译输出修正方法及系统 | |
| CN111680146A (zh) | 确定新词的方法、装置、电子设备及可读存储介质 | |
| CN110825869A (zh) | 一种基于复制机制的变分生成解码器的文本摘要生成方法 | |
| CN116432662A (zh) | 文本处理模型的训练方法、文本处理方法及装置 | |
| Zhong et al. | Contrast-augmented diffusion model with fine-grained sequence alignment for markup-to-image generation | |
| KR20200137936A (ko) | 한국어 기반 신경망 언어 모델을 위한 어휘 목록 생성 방법 및 장치 | |
| CN117874175B (zh) | 一种基于信息瓶颈的信息检索方法和系统 | |
| Sun | [Retracted] Recognition of English Vocabulary and Speech Corpus Based on Computer Image Processing | |
| CN118377883B (zh) | 一种通过思维链策略重写查询的会话式检索方法 |
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 |