CN112836529B - 生成目标语料样本的方法和装置 - Google Patents
生成目标语料样本的方法和装置 Download PDFInfo
- Publication number
- CN112836529B CN112836529B CN202110188556.8A CN202110188556A CN112836529B CN 112836529 B CN112836529 B CN 112836529B CN 202110188556 A CN202110188556 A CN 202110188556A CN 112836529 B CN112836529 B CN 112836529B
- Authority
- CN
- China
- Prior art keywords
- corpus
- translation
- file
- combination
- original text
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000013519 translation Methods 0.000 claims abstract description 175
- 230000011218 segmentation Effects 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- 230000014616 translation Effects 0.000 description 139
- 238000004891 communication Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000590419 Polygonia interrogationis Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification 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
- G06F40/40—Processing or translation of natural language
- G06F40/42—Data-driven 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
- G06F40/49—Data-driven translation using very large corpora, e.g. the web
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Machine Translation (AREA)
Abstract
本公开的实施例公开了生成目标语料样本的方法和装置。该方法的具体实施方式包括:获取单句的原文语料;分别通过两种翻译工具对所述原文语料进行翻译,得到第一译文和第二译文;分别对所述第一译文和所述第二译文进行切词,得到第一词集合和第二词集合;计算所述第一词集合和所述第二词集合的相似性,得到相似性得分;若所述相似性得分大于等于预定阈值,则将所述原文语料和所述第一译文的组合确定为目标语料样本,并将所述原文语料和所述第二译文的组合也确定为目标语料样本。该实施方式能够高效廉价的生成质量较高的目标语料样本。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及生成目标语料样本的方法和装置。
背景技术
现有技术中,生成机器学习所需的目标翻译语料有几种方式,其中一种是通过现有的语料,专业外语人员人工进行翻译,生成目标翻译语料;还有一种是通过调取网上所提供的文本翻译接口,生成相关目标翻译语料。
在现有技术中,通过专业人员人工进行翻译生成目标语料样本,费用成本较大,并且不能无间断工作,翻译效率相比机器也较低,无特殊情况与相关资金支持,几乎很少选择这种方式生成目标语料样本;通过调取网上所提供的文本翻译接口生成目标语料样本,可以无间断的工作,有较高的翻译效率,但大量语料下整体翻译质量较低,存在较多的不准确翻译或错误翻译。
发明内容
本公开的实施例提出了生成目标语料样本的方法和装置。
第一方面,本公开的实施例提供了一种生成目标语料样本的方法,包括:获取单句的原文语料;分别通过两种翻译工具对所述原文语料进行翻译,得到第一译文和第二译文;分别对所述第一译文和所述第二译文进行切词,得到第一词集合和第二词集合;计算所述第一词集合和所述第二词集合的相似性,得到相似性得分;若所述相似性得分大于等于预定阈值,则将所述原文语料和所述第一译文的组合确定为目标语料样本,并将所述原文语料和所述第二译文的组合也确定为目标语料样本。
在一些实施例中,所述获取单句的原文语料,包括:获取待翻译的文本内容;将所述文本内容拆分成至少一句原文语料。
在一些实施例中,所述方法还包括:从所述至少一句原文语料中过滤掉包括特殊词的原文语料。
在一些实施例中,所述计算所述第一词集合和所述第二词集合的相似性,得到相似性得分,包括:确定所述第一词集合和所述第二词集合相同的词,得到交集词集合;根据所述交集词集合、所述第一词集合和所述第二词集合计算精确率和召回率;根据所述精确率和所述召回率以及预设的权重计算相似性得分。
在一些实施例中,所述方法还包括:若所述相似性得分小于预定阈值,则将所述原文语料和所述第一译文的组合确定为丢弃语料,并将所述原文语料和所述第二译文的组合也确定为丢弃语料。
在一些实施例中,所述方法还包括:将所述目标语料样本和相应的相似性得分保存到第一文件中;将所述丢弃语料和相应的相似性得分保存到第二文件中;将所述原文语料和所述第一译文的组合、所述原文语料和所述第二译文的组合、以及相应的相似性得分都保存到第三文件中。
在一些实施例中,所述方法还包括:从所述第一文件中随机抽取一部分目标语料样本并从所述第二文件中随机抽取一部分丢弃语料;根据抽取出的目标语料样本和丢弃语料的翻译质量调整所述预定阈值;根据调整后的预定阈值对所述第三文件中的所述原文语料和所述第一译文的组合、所述原文语料和所述第二译文的组合重新进行相似性得分比较,重新确定出目标语料样本和丢弃语料,并分别替换掉所述第一文件的内容和所述第二文件的内容。
第二方面,本公开的实施例提供了一种生成目标语料样本的装置,包括:获取单元,被配置成获取单句的原文语料;翻译单元,被配置成分别通过两种翻译工具对所述原文语料进行翻译,得到第一译文和第二译文;切词单元,被配置成分别对所述第一译文和所述第二译文进行切词,得到第一词集合和第二词集合;计算单元,被配置成计算所述第一词集合和所述第二词集合的相似性,得到相似性得分;确定单元,被配置成若所述相似性得分大于等于预定阈值,则将所述原文语料和所述第一译文的组合确定为目标语料样本,并将所述原文语料和所述第二译文的组合也确定为目标语料样本。
在一些实施例中,获取单元进一步被配置成:获取待翻译的文本内容;将所述文本内容拆分成至少一句原文语料。
在一些实施例中,所述装置还包括过滤单元,被配置成:从所述至少一句原文语料中过滤掉包括特殊词的原文语料。
在一些实施例中,所述计算单元进一步被配置成:确定所述第一词集合和所述第二词集合相同的词,得到交集词集合;根据所述交集词集合、所述第一词集合和所述第二词集合计算精确率和召回率;根据所述精确率和所述召回率以及预设的权重计算相似性得分。
在一些实施例中,所述确定单元进一步被配置成:若所述相似性得分小于预定阈值,则将所述原文语料和所述第一译文的组合确定为丢弃语料,并将所述原文语料和所述第二译文的组合也确定为丢弃语料。
在一些实施例中,所述装置还包括存储单元,被配置成:将所述目标语料样本和相应的相似性得分保存到第一文件中;将所述丢弃语料和相应的相似性得分保存到第二文件中;将所述原文语料和所述第一译文的组合、所述原文语料和所述第二译文的组合、以及相应的相似性得分都保存到第三文件中。
在一些实施例中,所述装置还包括修正单元,被配置成:从所述第一文件中随机抽取一部分目标语料样本并从所述第二文件中随机抽取一部分丢弃语料;根据抽取出的目标语料样本和丢弃语料的翻译质量调整所述预定阈值;根据调整后的预定阈值对所述第三文件中的所述原文语料和所述第一译文的组合、所述原文语料和所述第二译文的组合重新进行相似性得分比较,重新确定出目标语料样本和丢弃语料,并分别替换掉所述第一文件的内容和所述第二文件的内容。
第三方面,本公开的实施例提供了一种生成目标语料样本的电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面中任一项所述的方法。
第四方面,本公开的实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如第一方面中任一项所述的方法。
本公开的实施例提供的生成目标语料样本的方法和装置,通过对不同翻译工具的利用及结合NLP(自然语言处理)的相似性算法,所设计一种相对于人工翻译更廉价、高效且持续性强,相对于普通单接口翻译所获得语料质量更高的一种方法。经过翻译的过程中积累的经验发现,不同翻译工具去翻译相同一条语料,能正确翻译出来的语句,不同翻译工具的译文内容中都有大部分的相似词汇,整体有较高的相似性程度,也就是说,对于同一条语料,通过两个不同的翻译工具,分别都是这么翻译的,说明这条语料就是这么翻译的(此为通过接口翻译所能做到的最大限度,即客观存在一些只要通过工具翻译就无法避免的情况,在此暂不做讨论);于是判断语句的相似性成为了关键的一环,因此可自动过滤出较高翻译质量的语句,进而舍弃翻译质量低的语句,进而整体提升翻译内容的质量。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的生成目标语料样本的方法的一个实施例的流程图;
图3是根据本公开的生成目标语料样本的方法的一个应用场景的示意图;
图4是根据本公开的生成目标语料样本的方法的又一个实施例的流程图;
图5是根据本公开的生成目标语料样本的方法的相似性计算方法的原理图;
图6是根据本公开的生成目标语料样本的装置的一个实施例的结构示意图;
图7是适于用来实现本公开的实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的生成目标语料样本的方法或生成目标语料样本的装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如翻译类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏并且支持文本输入功能的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio LayerIV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上传的文本内容提供翻译支持的后台翻译服务器。后台翻译服务器可以对接收到的文本内容利用2种翻译工具进行翻译,然后分析两种译文的相似性,根据相似性确定译文是否准确。将翻译准确的译文保留下来用作机器学习的训练样本。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。服务器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。服务器也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。
需要说明的是,本公开的实施例所提供的生成目标语料样本的方法一般由服务器105执行,相应地,生成目标语料样本的装置一般设置于服务器105中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本公开的生成目标语料样本的方法的一个实施例的流程200。该生成目标语料样本的方法,包括以下步骤:
步骤201,获取单句的原文语料。
在本实施例中,生成目标语料样本的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从终端设备接收用户上传的原文语料,例如获取用户对购买的物品的评价信息。如果接收到的是单句(通过一些标点符号判断,例如句号、问号、分号等)的原文语料则直接使用。如果接收到的是整段的待翻译的文本内容,则将所述文本内容拆分成至少一句原文语料。可通过句子分隔符将文本内容拆分。
步骤202,分别通过两种翻译工具对原文语料进行翻译,得到第一译文和第二译文。
在本实施例中,可使用市面常见的翻译工具,包括但不限于百度翻译、有道翻译等。两种翻译工具都是将原文语料翻译成同一种语言的译文。例如,中译英、英译中。本申请的技术方案还可用于其它语言的翻译。不同翻译工具翻译出的译文一般不会完全相同,我们命名为第一译文和第二译文。“第一”和“第二”在这里并没有实际意义,不代表顺序,只是区分不同的翻译工具得到的译文而已。
在本实施例的一些可选的实现方式中,在翻译前可先过滤一下原文语料,如果原文语料包括特殊词,则不对该原文语料进行翻译。可预先设置特殊词库,将原文语料与该特征词库进行字符串匹配,如果匹配成功,则过滤掉该原文语料。特殊词库里存储了特殊词,例如,商标名、品牌名、二次元等特殊词,这样可以防止对这些特殊词的翻译造成的误解。比如将品牌“美的”翻译成了“beautiful”,会让人误以为是赞美。
对于单句的原文语料,如果包括了特殊词,则不再执行步骤203-205,如果是待翻译的文本内容有多句,则可丢弃掉包括了特殊词的原文语料,继续重新执行步骤201读取下一句原语语料。
步骤203,分别对第一译文和第二译文进行切词,得到第一词集合和第二词集合。
在本实施例中,可使用常规的切词算法分别对第一译文和第二译文进行切词,分别放入第一词集合和第二词集合。还需要进行去重处理。
步骤204,计算第一词集合和第二词集合的相似性,得到相似性得分。
在本实施例中,可通过常规的算法计算相似性,例如,杰卡德系数。杰卡德系数,英文叫做Jaccard index,又称为Jaccard相似系数,用于比较有限样本集之间的相似性与差异性。Jaccard系数值越大,样本相似度越高。实际上它的计算方式非常简单,就是两个样本的交集除以并集得到的数值,当两个样本完全一致时,结果为1,当两个样本完全不同时,结果为0。
还可使用其它的算法计算相似性,不同的计算方法使用不同的阈值。
在本实施例的一些可选的实现方式中,计算所述第一词集合和所述第二词集合的相似性,得到相似性得分,包括:确定所述第一词集合和所述第二词集合相同的词,得到交集词集合;根据所述交集词集合、所述第一词集合和所述第二词集合计算精确率和召回率;根据所述精确率和所述召回率以及预设的权重计算相似性得分。如图5所示,计算第一词集合X和第二词集合Y的相似性,可先确定出X和Y的交集A,即为相同的词。集合X=集合B+集合A,集合Y=集合C+集合A。精确率P=A/(A+C),即用集合A中的词的数量除以集合Y中词的数量。召回率R=A/(A+B),即用集合A中的词的数量除以集合X中词的数量。然后再基于权重计算出标准分F作为相似性得分。具体公式如图5所示。
步骤205,若相似性得分大于等于预定阈值,则将原文语料和第一译文的组合确定为目标语料样本,并将原文语料和第二译文的组合也确定为目标语料样本。
在本实施例中,若相似性得分大于等于预定阈值,则说明这两种翻译结果都是准确的、可信的。则可得到两组目标语料样本。每组目标语料样本中包括原文语料和译文。机器学习时,可将原文语料作为输入,将译文作为期望输出,进行有监督的学习。
可选地,每次识别出的目标语料样本都保存到一个文件中,可命名为pass.dat,如果相似性得分小于预定阈值,则将所述原文语料和所述第一译文的组合确定为丢弃语料,并将所述原文语料和所述第二译文的组合也确定为丢弃语料。可将这两组丢弃语料保存到另一个文件中,可命名为abandon.dat。还可将目标语料样本和丢弃语料都保存到一个文件中,可命名为summary.dat。
以图5中相似性计算方法为例,F值计算完成之后,与提前设定好的β基准分值(预定阈值)进行比较(β基准分支当前设定为0.6,经过经验验证是适配评论这种口语化语料较好的分值档位),分别输出到三个文件中,三个文件中的内容均包括中文,百度译文、有道译文、P值、R值和F值,按行分开;其中summary.dat中记录所有翻译过的语句;abandon.dat中为遗弃的翻译语句,记录的是相似性标准分数F低于提前设置好的基准分值β的翻译语句。pass.dat中为保留的翻译语句,记录的是相似性标准分数F大于等于提前设置好的基准分值β的翻译语句。
可选地,可将存储了目标语料样本的文件转换成目标机器学习所需的格式。对于内容保留原文语料及相关译文内容,并支持选择原文语料是否拆分。
如果原文语料需要拆分,则将原文和译文拆为多个文件形式,如原文.dat、译文1.dat、译文2.dat多份文件;如果原文语料不需要拆分,则生成带有原文语料的文件,如原文+译文1+译文2.dat、原文+译文1.dat、原文+译文2.dat多份带有原文语料的文件。
继续参见图3,图3是根据本实施例的生成目标语料样本的方法的应用场景的一个示意图。在图3的应用场景中,服务器从终端设备获取了大量原文语料。将原文语料拆分成单句,再将包括特殊词的语句过滤进行数据清洗。将经过清洗的原文语料每次读取一句输入不同的渠道进行翻译。再进行译文相似性计算,若相似性大于等于阈值,则保留这两组译文,否则丢弃这两组译文。反复从原文语料中读取一句,进行翻译后再判断译文的相似性,将保留的翻译文本都存储到一个文件中,转换成机器学习所需要的格式,再作为训练样本输入翻译模型。
通过本申请的方法,对比人工翻译来说,使生成目标翻译语料,更廉价、更高效、可持续性更强;同比调用接口的方式来说,解决了语料质量参差不齐的情况,进而高效、可持续性的产生了质量更高的语料,有效减少了后续机器学习的学习偏差,更进一步提升了服务的可用性及稳定性,为服务的对外赋能创造了更大的价值。
进一步参考图4,其示出了生成目标语料样本的方法的又一个实施例的流程400。该生成目标语料样本的方法的流程400,包括以下步骤:
步骤401,获取单句的原文语料。
步骤402,分别通过两种翻译工具对原文语料进行翻译,得到第一译文和第二译文。
步骤403,分别对第一译文和第二译文进行切词,得到第一词集合和第二词集合。
步骤404,计算第一词集合和第二词集合的相似性,得到相似性得分。
步骤405,若相似性得分大于等于预定阈值,则将原文语料和第一译文的组合确定为目标语料样本,并将原文语料和第二译文的组合也确定为目标语料样本。
步骤401-405与步骤201-205基本相同,因此不再赘述。每次判别出的目标语料样本和相应的相似性得分保存到第一文件中。
步骤406,若相似性得分小于阈值,则将原文语料和第一译文的组合确定为丢弃语料,并将原文语料和第二译文的组合也确定为丢弃语料。
在本实施例中,即使相似性得分小于阈值,也可作为临时的丢弃语料保留下来,后续可能会修正成目标语料样本。每次判别出的丢弃语料和相应的相似性得分保存到第二文件中。将所述原文语料和所述第一译文的组合、所述原文语料和所述第二译文的组合、以及相应的相似性得分都保存到第三文件中。
步骤407,根据目标语料样本和丢弃语料分析翻译质量。
在本实施例中,从所述第一文件中随机抽取一部分目标语料样本并从所述第二文件中随机抽取一部分丢弃语料。根据抽取出的目标语料样本和丢弃语料分析翻译质量。可人工判断翻译质量,也可通过预先训练的翻译质量打分模型分别判断目标语料样本和丢弃语料的翻译质量。
步骤408,根据翻译质量调整预定阈值,重新确定目标语料样本和丢弃语料。
在本实施例中,如果检测出抽取出的丢弃语料的平均翻译质量较高,则说明之前设置的相似性阈值太高了,则可将阈值调小。如果检测出抽取出的目标语料样本的平均翻译质量较低,则说明之前设置的相似性阈值太低了,则可将阈值调大。使用重新调整后的阈值从第三文件中根据相似性得分重新进行筛选,重新确定出目标语料样本和丢弃语料,并分别替换掉所述第一文件的内容和所述第二文件的内容。
此种方法的使用,免去了人工翻译方式的大额开支,提升了效率与持久性,并且比正常通过调取翻译接口翻译得到的目标翻译语料有较高的质量提升,并且有灵活可控的阈值,可以根据结果满意情况灵活进行调整,来重新输出不同文件中的目标语料内容。
进一步参考图6,作为对上述各图所示方法的实现,本公开提供了一种生成目标语料样本的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例的生成目标语料样本的装置600包括:获取单元601、翻译单元602、切词单元603、计算单元604和确定单元605。其中,获取单元601,被配置成获取单句的原文语料;翻译单元602,被配置成分别通过两种翻译工具对所述原文语料进行翻译,得到第一译文和第二译文;切词单元603,被配置成分别对所述第一译文和所述第二译文进行切词,得到第一词集合和第二词集合;计算单元604,被配置成计算所述第一词集合和所述第二词集合的相似性,得到相似性得分;确定单元605,被配置成若所述相似性得分大于等于预定阈值,则将所述原文语料和所述第一译文的组合确定为目标语料样本,并将所述原文语料和所述第二译文的组合也确定为目标语料样本。
在本实施例中,生成目标语料样本的装置600的接获取单元601、翻译单元602、切词单元603、计算单元604和确定单元605的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204、步骤205。
在本实施例的一些可选的实现方式中,获取单元601进一步被配置成:获取待翻译的文本内容;将所述文本内容拆分成至少一句原文语料。
在一些实施例中,所述装置还包括过滤单元(附图中未示出),被配置成:从所述至少一句原文语料中过滤掉包括特殊词的原文语料。
在一些实施例中,所述计算单元604进一步被配置成:确定所述第一词集合和所述第二词集合相同的词,得到交集词集合;根据所述交集词集合、所述第一词集合和所述第二词集合计算精确率和召回率;根据所述精确率和所述召回率以及预设的权重计算相似性得分。
在一些实施例中,所述确定单元605进一步被配置成:若所述相似性得分小于预定阈值,则将所述原文语料和所述第一译文的组合确定为丢弃语料,并将所述原文语料和所述第二译文的组合也确定为丢弃语料。
在一些实施例中,所述装置还包括存储单元(附图中未示出),被配置成:将所述目标语料样本和相应的相似性得分保存到第一文件中;将所述丢弃语料和相应的相似性得分保存到第二文件中;将所述原文语料和所述第一译文的组合、所述原文语料和所述第二译文的组合、以及相应的相似性得分都保存到第三文件中。
在一些实施例中,所述装置还包括修正单元(附图中未示出),被配置成:从所述第一文件中随机抽取一部分目标语料样本并从所述第二文件中随机抽取一部分丢弃语料;根据抽取出的目标语料样本和丢弃语料的翻译质量调整所述预定阈值;根据调整后的预定阈值对所述第三文件中的所述原文语料和所述第一译文的组合、所述原文语料和所述第二译文的组合重新进行相似性得分比较,重新确定出目标语料样本和丢弃语料,并分别替换掉所述第一文件的内容和所述第二文件的内容。
根据本公开的实施例,本公开还提供了一种电子设备。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。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/或者要求的本公开的实现。
如图7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如方法生成目标语料样本。例如,在一些实施例中,方法生成目标语料样本可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的方法生成目标语料样本的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法生成目标语料样本。
本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
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。
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。服务器可以为分布式系统的服务器,或者是结合了区块链的服务器。服务器也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。服务器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。服务器也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。
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,本发公开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,只要能够实现本公开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,并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (7)
1.一种生成目标语料样本的方法,包括:
获取单句的原文语料;
分别通过两种翻译工具对所述原文语料进行翻译,得到第一译文和第二译文;
分别对所述第一译文和所述第二译文进行切词,得到第一词集合和第二词集合;
计算所述第一词集合和所述第二词集合的相似性,得到相似性得分;
若所述相似性得分大于等于预定阈值,则将所述原文语料和所述第一译文的组合确定为目标语料样本,并将所述原文语料和所述第二译文的组合也确定为目标语料样本;
若所述相似性得分小于预定阈值,则将所述原文语料和所述第一译文的组合确定为丢弃语料,并将所述原文语料和所述第二译文的组合也确定为丢弃语料;
将所述目标语料样本和相应的相似性得分保存到第一文件中;
将所述丢弃语料和相应的相似性得分保存到第二文件中;
将所述原文语料和所述第一译文的组合、所述原文语料和所述第二译文的组合、以及相应的相似性得分都保存到第三文件中;
从所述第一文件中随机抽取一部分目标语料样本并从所述第二文件中随机抽取一部分丢弃语料;
根据抽取出的目标语料样本和丢弃语料的翻译质量调整所述预定阈值;
根据调整后的预定阈值对所述第三文件中的所述原文语料和所述第一译文的组合、所述原文语料和所述第二译文的组合重新进行相似性得分比较,重新确定出目标语料样本和丢弃语料,并分别替换掉所述第一文件的内容和所述第二文件的内容。
2.根据权利要求1所述的方法,其中,所述获取单句的原文语料,包括:
获取待翻译的文本内容;
将所述文本内容拆分成至少一句原文语料。
3.根据权利要求2所述的方法,其中,所述方法还包括:
从所述至少一句原文语料中过滤掉包括特殊词的原文语料。
4.根据权利要求1所述的方法,其中,所述计算所述第一词集合和所述第二词集合的相似性,得到相似性得分,包括:
确定所述第一词集合和所述第二词集合相同的词,得到交集词集合;
根据所述交集词集合、所述第一词集合和所述第二词集合计算精确率和召回率;
根据所述精确率和所述召回率以及预设的权重计算相似性得分。
5.一种生成目标语料样本的装置,包括:
获取单元,被配置成获取单句的原文语料;
翻译单元,被配置成分别通过两种翻译工具对所述原文语料进行翻译,得到第一译文和第二译文;
切词单元,被配置成分别对所述第一译文和所述第二译文进行切词,得到第一词集合和第二词集合;
计算单元,被配置成计算所述第一词集合和所述第二词集合的相似性,得到相似性得分;
确定单元,被配置成若所述相似性得分大于等于预定阈值,则将所述原文语料和所述第一译文的组合确定为目标语料样本,并将所述原文语料和所述第二译文的组合也确定为目标语料样本;
所述确定单元进一步被配置成:
若所述相似性得分小于预定阈值,则将所述原文语料和所述第一译文的组合确定为丢弃语料,并将所述原文语料和所述第二译文的组合也确定为丢弃语料;
将所述目标语料样本和相应的相似性得分保存到第一文件中;
将所述丢弃语料和相应的相似性得分保存到第二文件中;
将所述原文语料和所述第一译文的组合、所述原文语料和所述第二译文的组合、以及相应的相似性得分都保存到第三文件中;
从所述第一文件中随机抽取一部分目标语料样本并从所述第二文件中随机抽取一部分丢弃语料;
根据抽取出的目标语料样本和丢弃语料的翻译质量调整所述预定阈值;
根据调整后的预定阈值对所述第三文件中的所述原文语料和所述第一译文的组合、所述原文语料和所述第二译文的组合重新进行相似性得分比较,重新确定出目标语料样本和丢弃语料,并分别替换掉所述第一文件的内容和所述第二文件的内容。
6.一种生成目标语料样本的电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-4中任一项所述的方法。
7.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110188556.8A CN112836529B (zh) | 2021-02-19 | 2021-02-19 | 生成目标语料样本的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110188556.8A CN112836529B (zh) | 2021-02-19 | 2021-02-19 | 生成目标语料样本的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112836529A CN112836529A (zh) | 2021-05-25 |
CN112836529B true CN112836529B (zh) | 2024-04-12 |
Family
ID=75933687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110188556.8A Active CN112836529B (zh) | 2021-02-19 | 2021-02-19 | 生成目标语料样本的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112836529B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012113459A (ja) * | 2010-11-24 | 2012-06-14 | Toshiba Corp | 用例翻訳システム、用例翻訳方法及び用例翻訳プログラム |
CN107665193A (zh) * | 2017-09-21 | 2018-02-06 | 曾传德 | 用于翻译的大样本获取方法 |
CN108182182A (zh) * | 2017-12-27 | 2018-06-19 | 传神语联网网络科技股份有限公司 | 翻译数据库中文档匹配方法、装置及计算机可读存储介质 |
CN109710952A (zh) * | 2018-12-27 | 2019-05-03 | 北京百度网讯科技有限公司 | 基于人工智能的翻译历史检索方法、装置、设备和介质 |
CN111027331A (zh) * | 2019-12-05 | 2020-04-17 | 百度在线网络技术(北京)有限公司 | 用于评估翻译质量的方法和装置 |
CN111274358A (zh) * | 2020-01-20 | 2020-06-12 | 腾讯科技(深圳)有限公司 | 文本处理方法、装置、电子设备及存储介质 |
CN111767743A (zh) * | 2020-09-01 | 2020-10-13 | 浙江蓝鸽科技有限公司 | 翻译试题的机器智能评阅方法及系统 |
CN111814493A (zh) * | 2020-04-21 | 2020-10-23 | 北京嘀嘀无限科技发展有限公司 | 机器翻译方法、装置、电子设备和存储介质 |
CN112183117A (zh) * | 2019-06-14 | 2021-01-05 | 上海流利说信息技术有限公司 | 一种翻译评价的方法、装置、存储介质及电子设备 |
-
2021
- 2021-02-19 CN CN202110188556.8A patent/CN112836529B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012113459A (ja) * | 2010-11-24 | 2012-06-14 | Toshiba Corp | 用例翻訳システム、用例翻訳方法及び用例翻訳プログラム |
CN107665193A (zh) * | 2017-09-21 | 2018-02-06 | 曾传德 | 用于翻译的大样本获取方法 |
CN108182182A (zh) * | 2017-12-27 | 2018-06-19 | 传神语联网网络科技股份有限公司 | 翻译数据库中文档匹配方法、装置及计算机可读存储介质 |
CN109710952A (zh) * | 2018-12-27 | 2019-05-03 | 北京百度网讯科技有限公司 | 基于人工智能的翻译历史检索方法、装置、设备和介质 |
CN112183117A (zh) * | 2019-06-14 | 2021-01-05 | 上海流利说信息技术有限公司 | 一种翻译评价的方法、装置、存储介质及电子设备 |
CN111027331A (zh) * | 2019-12-05 | 2020-04-17 | 百度在线网络技术(北京)有限公司 | 用于评估翻译质量的方法和装置 |
CN111274358A (zh) * | 2020-01-20 | 2020-06-12 | 腾讯科技(深圳)有限公司 | 文本处理方法、装置、电子设备及存储介质 |
CN111814493A (zh) * | 2020-04-21 | 2020-10-23 | 北京嘀嘀无限科技发展有限公司 | 机器翻译方法、装置、电子设备和存储介质 |
CN111767743A (zh) * | 2020-09-01 | 2020-10-13 | 浙江蓝鸽科技有限公司 | 翻译试题的机器智能评阅方法及系统 |
Non-Patent Citations (1)
Title |
---|
融合检索技术的译文推荐系统;蒋宗礼;王威;;哈尔滨工程大学学报;20170331;38(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112836529A (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109214386B (zh) | 用于生成图像识别模型的方法和装置 | |
CN108388674B (zh) | 用于推送信息的方法和装置 | |
CN110781273B (zh) | 文本数据处理方法、装置、电子设备及存储介质 | |
US11907659B2 (en) | Item recall method and system, electronic device and readable storage medium | |
CN109858045B (zh) | 机器翻译方法和装置 | |
US20160188569A1 (en) | Generating a Table of Contents for Unformatted Text | |
CN111861596B (zh) | 一种文本分类方法和装置 | |
CN112926306A (zh) | 文本纠错方法、装置、设备以及存储介质 | |
CN113407677B (zh) | 评估咨询对话质量的方法、装置、设备和存储介质 | |
US20170060841A1 (en) | Text Extraction | |
CN111930792A (zh) | 数据资源的标注方法、装置、存储介质及电子设备 | |
CN109190123B (zh) | 用于输出信息的方法和装置 | |
CN115099239B (zh) | 一种资源识别方法、装置、设备以及存储介质 | |
CN107766498B (zh) | 用于生成信息的方法和装置 | |
JP7309811B2 (ja) | データ注釈方法、装置、電子機器および記憶媒体 | |
CN112148841B (zh) | 一种对象分类以及分类模型构建方法和装置 | |
CN113626441A (zh) | 基于扫描设备的文本管理方法、装置、设备以及存储介质 | |
CN112506864A (zh) | 文件检索的方法、装置、电子设备及可读存储介质 | |
CN112836529B (zh) | 生成目标语料样本的方法和装置 | |
CN113254578B (zh) | 用于数据聚类的方法、装置、设备、介质和产品 | |
CN114240250A (zh) | 一种职业评测的智能管理方法及系统 | |
CN112926297B (zh) | 处理信息的方法、装置、设备和存储介质 | |
CN112784599B (zh) | 诗句的生成方法、装置、电子设备和存储介质 | |
CN114141235A (zh) | 语音语料库生成方法、装置、计算机设备和存储介质 | |
CN114171063A (zh) | 一种实时话务客户情绪分析辅助方法及系统 |
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 |