CN113486680A - 文本翻译方法、装置、设备及存储介质 - Google Patents

文本翻译方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113486680A
CN113486680A CN202110839097.5A CN202110839097A CN113486680A CN 113486680 A CN113486680 A CN 113486680A CN 202110839097 A CN202110839097 A CN 202110839097A CN 113486680 A CN113486680 A CN 113486680A
Authority
CN
China
Prior art keywords
text
translation
vocabulary
processed
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.)
Granted
Application number
CN202110839097.5A
Other languages
English (en)
Other versions
CN113486680B (zh
Inventor
卢春曦
王健宗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202110839097.5A priority Critical patent/CN113486680B/zh
Publication of CN113486680A publication Critical patent/CN113486680A/zh
Application granted granted Critical
Publication of CN113486680B publication Critical patent/CN113486680B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/242—Query formulation
    • G06F16/2433—Query languages
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • 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

本发明涉及人工智能，提供一种文本翻译方法、装置、设备及存储介质。该方法能够当接收到文本翻译请求时，根据所述文本翻译请求获取待处理文本；根据所述待处理文本的文本语义确定所述待处理文本所属的分析领域；根据所述分析领域获取初始翻译模型，并基于预设热词调整所述初始翻译模型，得到目标翻译模型；基于所述目标翻译模型分析所述待处理文本，得到已翻译文本；计算所述已翻译文本的文本通顺度；若所述文本通顺度小于预设阈值，基于预先训练好的纠错模型对所述已翻译文本进行纠错处理，得到目标文本。本发明能够提高目标文本的质量及流畅度。此外，本发明还涉及区块链技术，所述目标文本可存储于区块链中。

Description

文本翻译方法、装置、设备及存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种文本翻译方法、装置、设备及存储介质。
背景技术
文本翻译，是指将待翻译文本从一种语言类型转换为另一种语言类型的方式，通过文本翻译有利于辅助用户快速理解各类文档。在目前的文本翻译方式中，通常是利用机器对待处理的文本进行翻译，然而这种方式在各类专业领域以及新词汇上的适应性较低，导致翻译出的文本质量较低。
发明内容
鉴于以上内容，有必要提供一种文本翻译方法、装置、设备及存储介质，能够提高目标文本的翻译质量及通顺度。
一方面，本发明提出一种文本翻译方法，所述文本翻译方法包括：
当接收到文本翻译请求时，根据所述文本翻译请求获取待处理文本；
根据所述待处理文本的文本语义确定所述待处理文本所属的分析领域；
根据所述分析领域获取初始翻译模型，并基于预设热词调整所述初始翻译模型，得到目标翻译模型；
基于所述目标翻译模型分析所述待处理文本，得到已翻译文本；
计算所述已翻译文本的文本通顺度；
若所述文本通顺度小于预设阈值，基于预先训练好的纠错模型对所述已翻译文本进行纠错处理，得到目标文本。
根据本发明优选实施例，所述根据所述文本翻译请求获取待处理文本包括：
解析所述文本翻译请求的报文，得到数据信息；
从所述数据信息中提取存储路径及文本编号；
将所述文本编号写入查询模板中，得到查询语句；
基于所述存储路径运行所述查询语句，得到所述待处理文本。
根据本发明优选实施例，所述根据所述待处理文本的文本语义确定所述待处理文本所属的分析领域包括：
对所述待处理文本进行向量化处理，得到文本表征向量；
基于正向长短期记忆网络提取所述文本表征向量的正向特征，并基于反向长短期记忆网络提取所述文本表征向量的反向特征；
将所述正向特征及所述反向特征输入至预先训练好的语义识别模型中，得到所述文本语义；
计算所述文本语义与每个待选领域的领域相似度；
将所述领域相似度最高的待选领域确定为所述分析领域。
根据本发明优选实施例，所述基于预设热词调整所述初始翻译模型，得到目标翻译模型包括：
获取所述文本翻译请求的接收时间，并获取所述初始翻译模型的调整时间；
若所述调整时间有多个，从多个所述调整时间中选取与所述接收时间的时间差最小的时间作为更新时间；
根据所述更新时间及所述接收时间生成时间区间需求；
根据所述时间区间需求及预设标识从预设网站中获取所述预设热词及所述预设热词的翻译词汇；
基于所述初始翻译模型处理所述预设热词，得到预测词汇；
根据所述预测词汇与所述翻译词汇的词汇相似度调整所述初始翻译模型，直至所述词汇相似度不再升高，得到所述目标翻译模型。
根据本发明优选实施例，所述目标翻译模型包括编码器及解码器，所述基于所述目标翻译模型分析所述待处理文本，得到已翻译文本包括：
基于所述编码器对所述待处理文本中每个文本词汇进行编码处理，得到所述文本词汇的词向量；
分析每个文本词汇在所述待处理文本中的词汇权值；
基于所述词汇权值对所述词向量进行加权和运算，得到所述待处理文本的句向量；
基于所述解码器处理所述句向量，得到所述已翻译文本。
根据本发明优选实施例，所述计算所述已翻译文本的文本通顺度包括：
对于所述已翻译文本中每个目标词汇，获取所述目标词汇在所述已翻译文本中的最近邻词汇；
根据所述目标词汇与所述最近邻词汇在所述已翻译文本中的拼接关系生成组合词汇；
计算所述组合词汇在预设语料库中的词汇概率，并计算所述词汇概率的总和，得到所述已翻译文本的文本概率；
计算所述文本概率在所述已翻译文本的文本长度中的概率比值，并计算所述概率比值的倒数，得到所述文本通顺度。
根据本发明优选实施例，在基于预先训练好的纠错模型对所述已翻译文本进行纠错处理之前，所述方法还包括：
获取训练样本，所述训练样本中包括待训练文本及所述待训练文本的标准翻译文本；
将所述待训练文本输入至预先构建好的学习器中，得到预测文本；
基于预设数量拆分所述预测文本，得到所述预测文本的预测词汇；
统计每个所述预测词汇在所述预测文本中的第一数量，并统计每个所述预测词汇在所述标准翻译文本中的第二数量；
从所述第一数量及所述第二数量中筛选取值最小的数量作为每个所述预测词汇的目标数量；
统计所述预测词汇的词汇总量，并计算所述目标数量在所述词汇总量中的数量比值；
计算所述预测文本与所述标准翻译文本的长度差值；
根据所述长度差值及所述数量比值计算所述学习器的准确度：
B＝ea×eb；
其中，B是指所述准确度，a是指所述长度差值，b是指所述数量比值；
根据所述准确度调整所述学习器中的模型参数，直至所述准确度不再增高，得到所述纠错模型。
另一方面，本发明还提出一种文本翻译装置，所述文本翻译装置包括：
获取单元，用于当接收到文本翻译请求时，根据所述文本翻译请求获取待处理文本；
确定单元，用于根据所述待处理文本的文本语义确定所述待处理文本所属的分析领域；
调整单元，用于根据所述分析领域获取初始翻译模型，并基于预设热词调整所述初始翻译模型，得到目标翻译模型；
分析单元，用于基于所述目标翻译模型分析所述待处理文本，得到已翻译文本；
计算单元，用于计算所述已翻译文本的文本通顺度；
处理单元，用于若所述文本通顺度小于预设阈值，基于预先训练好的纠错模型对所述已翻译文本进行纠错处理，得到目标文本。
另一方面，本发明还提出一种电子设备，所述电子设备包括：
存储器，存储计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现所述文本翻译方法。
另一方面，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现所述文本翻译方法。
由以上技术方案可以看出，本发明通过所述文本语义能够准确的确定出所述分析领域，从而基于所述分析领域能够获取到适应于所述分析领域的初始翻译模型，进而基于所述预设热词对所述初始翻译模型进行调整，能够提高所述目标翻译模型对所述预设热词的适应性，进一步通过分析所述已翻译文本的文本通顺度能够确保所述目标文本的翻译质量。
附图说明
图1是本发明文本翻译方法的较佳实施例的流程图。
图2是本发明文本翻译装置的较佳实施例的功能模块图。
图3是本发明实现文本翻译方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1所示，是本发明文本翻译方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
所述文本翻译方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的计算机可读指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字信号处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能穿戴式设备等。
所述电子设备可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算(CloudComputing)的由大量主机或网络电子设备构成的云。
所述电子设备所处的网络包括，但不限于：互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
S10，当接收到文本翻译请求时，所述电子设备根据所述文本翻译请求获取待处理文本。
在本发明的至少一个实施例中，所述文本翻译请求可以由任意有翻译需求的用户触发。所述文本翻译请求中携带有指示所述待处理文本的相关信息。
所述待处理文本是指需要进行文本翻译的信息。
在本发明的至少一个实施例中，所述电子设备根据所述文本翻译请求获取待处理文本包括：
解析所述文本翻译请求的报文，得到数据信息；
从所述数据信息中提取存储路径及文本编号；
将所述文本编号写入查询模板中，得到查询语句；
基于所述存储路径运行所述查询语句，得到所述待处理文本。
其中，所述数据信息包括，但不限于：存储路径、指示所述存储路径的标签等。
所述查询模板可以是不包含查询对象的结构化查询语句。
通过所述报文的解析，能够快速获取到所述存储路径及所述文本编号，进而根据所述查询模板生成所述查询语句，能够从所述存储路径中直接获取到所述待处理文本，提高所述待处理文本的获取效率及获取准确性。
S11，所述电子设备根据所述待处理文本的文本语义确定所述待处理文本所属的分析领域。
在本发明的至少一个实施例中，所述文本语义是指能够反映所述待处理文本含义的信息。
所述分析领域是指所述待处理文本所解读的领域，例如，所述分析领域可以是通讯领域等。
在本发明的至少一个实施例中，所述电子设备根据所述待处理文本的文本语义确定所述待处理文本所属的分析领域包括：
对所述待处理文本进行向量化处理，得到文本表征向量；
基于正向长短期记忆网络提取所述文本表征向量的正向特征，并基于反向长短期记忆网络提取所述文本表征向量的反向特征；
将所述正向特征及所述反向特征输入至预先训练好的语义识别模型中，得到所述文本语义；
计算所述文本语义与每个待选领域的领域相似度；
将所述领域相似度最高的待选领域确定为所述分析领域。
其中，所述文本表征向量是指能够表征所述待处理文本的向量表示。
所述语义识别模型是根据文本样本训练而生成的模型，所述语义识别模型的训练方式属于现有技术，本发明对此不再赘述。
通过结合所述待处理文本的正向特征及反向特征生成所述文本语义，能够避免词汇在所述待处理文本中的不同位置造成出现语义歧义的问题，从而提高所述文本语义的准确性，进而利用所述文本语义与所述待选领域的相似度分析，由于所述文本语义的表征维度小于所述文本表征向量的表征维度，因此，能够提高所述分析领域的确定效率。
S12，所述电子设备根据所述分析领域获取初始翻译模型，并基于预设热词调整所述初始翻译模型，得到目标翻译模型。
在本发明的至少一个实施例中，所述初始翻译模型是指适用于所述分析领域的翻译模型。
所述预设热词是指热度较高的词汇。可以理解的是，不同时段的预设热词有所不同。
所述目标翻译模型是指适用于所述预设热词及所述分析领域的翻译模型。
在本发明的至少一个实施例中，所述电子设备根据所述分析领域获取初始翻译模型包括：
获取所述分析领域的领域标识；
基于所述领域标识从模型库中获取所述初始翻译模型。
通过所述领域标识能够准确的获取到适用于所述分析领域的初始翻译模型。
在本发明的至少一个实施例中，所述电子设备基于预设热词调整所述初始翻译模型，得到目标翻译模型包括：
获取所述文本翻译请求的接收时间，并获取所述初始翻译模型的调整时间；
若所述调整时间有多个，从多个所述调整时间中选取与所述接收时间的时间差最小的时间作为更新时间；
根据所述更新时间及所述接收时间生成时间区间需求；
根据所述时间区间需求及预设标识从预设网站中获取所述预设热词及所述预设热词的翻译词汇；
基于所述初始翻译模型处理所述预设热词，得到预测词汇；
根据所述预测词汇与所述翻译词汇的词汇相似度调整所述初始翻译模型，直至所述词汇相似度不再升高，得到所述目标翻译模型。
其中，所述接收时间是指所述电子设备接收到所述文本翻译请求的时间。
所述调整时间是指调整所述初始翻译模型中的网络参数时所处的时间点。
所述预设标识是指能够标识出热词的标签。
所述预设网络中存储有多个时段所对应的热词。
通过与所述时间区间需求对应的预设热词调整所述初始翻译模型，能够避免基于同一热词重复调整所述初始翻译模型，此外，通过所述预设热词调整所述初始翻译模型，能够提高所述目标翻译模型对热词的适应性，从而能够提高所述目标文本的翻译质量。
S13，所述电子设备基于所述目标翻译模型分析所述待处理文本，得到已翻译文本。
在本发明的至少一个实施例中，所述目标翻译模型包括编码器及解码器，所述电子设备基于所述目标翻译模型分析所述待处理文本，得到已翻译文本包括：
基于所述编码器对所述待处理文本中每个文本词汇进行编码处理，得到所述文本词汇的词向量；
分析每个文本词汇在所述待处理文本中的词汇权值；
基于所述词汇权值对所述词向量进行加权和运算，得到所述待处理文本的句向量；
基于所述解码器处理所述句向量，得到所述已翻译文本。
通过衡量每个文本词汇在所述待处理文本中的贡献大小能够准确生成所述句向量，从而提高所述已翻译文本的准确性。
S14，所述电子设备计算所述已翻译文本的文本通顺度。
在本发明的至少一个实施例中，所述文本通顺度是指所述已翻译文本在预设语料库中的通顺度。
在本发明的至少一个实施例中，所述电子设备计算所述已翻译文本的文本通顺度包括：
对于所述已翻译文本中每个目标词汇，获取所述目标词汇在所述已翻译文本中的最近邻词汇；
根据所述目标词汇与所述最近邻词汇在所述已翻译文本中的拼接关系生成组合词汇；
计算所述组合词汇在预设语料库中的词汇概率，并计算所述词汇概率的总和，得到所述已翻译文本的文本概率；
计算所述文本概率在所述已翻译文本的文本长度中的概率比值，并计算所述概率比值的倒数，得到所述文本通顺度。
其中，所述目标词汇是指所述已翻译文本中的任意单词。
所述最近邻词汇是指在所述已翻译文本中与所述目标词汇相邻近的单词。
所述组合词汇是根据所述拼接关系处理所述目标词汇及所述最近邻词汇所得到的词汇。例如，所述已翻译文本为：who am I，所述目标词汇为am，所述最近邻词汇为who，则所述组合词汇为：who am。
所述预设语料库中存储有多个与所述已翻译文本的语种相同的语句及该语句所对应的语句词汇。
所述词汇概率是指所述组合词汇在所述预设语料库中出现的概率。
通过所述组合词汇在所述预设语料库中出现的概率能够准确的确定出所述已翻译文本的文本通顺度。
S15，若所述文本通顺度小于预设阈值，所述电子设备基于预先训练好的纠错模型对所述已翻译文本进行纠错处理，得到目标文本。
在本发明的至少一个实施例中，所述预设阈值是根据实际需求设定的。
所述纠错模型用于提高所述已翻译文本的翻译质量。
需要强调的是，为进一步保证上述目标文本的私密和安全性，上述目标文本还可以存储于一区块链的节点中。
在本发明的至少一个实施例中，在基于预先训练好的纠错模型对所述已翻译文本进行纠错处理之前，所述方法还包括：
获取训练样本，所述训练样本中包括待训练文本及所述待训练文本的标准翻译文本；
将所述待训练文本输入至预先构建好的学习器中，得到预测文本；
基于预设数量拆分所述预测文本，得到所述预测文本的预测词汇；
统计每个所述预测词汇在所述预测文本中的第一数量，并统计每个所述预测词汇在所述标准翻译文本中的第二数量；
从所述第一数量及所述第二数量中筛选取值最小的数量作为每个所述预测词汇的目标数量；
统计所述预测词汇的词汇总量，并计算所述目标数量在所述词汇总量中的数量比值；
计算所述预测文本与所述标准翻译文本的长度差值；
根据所述长度差值及所述数量比值计算所述学习器的准确度：
B＝ea×eb；
其中，B是指所述准确度，a是指所述长度差值，b是指所述数量比值；
根据所述准确度调整所述学习器中的模型参数，直至所述准确度不再增高，得到所述纠错模型。
其中，所述预设数量可以包含多个，例如，所述预设数量包括1、2、3等。
所述长度差值是指所述预测文本的文本长度与所述标准翻译文本的文本长度的差值。
通过所述准确度调整所述学习器，能够确保所述纠错模型的纠错准确性，从而提高所述目标文本的翻译质量。
由以上技术方案可以看出，本发明通过所述文本语义能够准确的确定出所述分析领域，从而基于所述分析领域能够获取到适应于所述分析领域的初始翻译模型，进而基于所述预设热词对所述初始翻译模型进行调整，能够提高所述目标翻译模型对所述预设热词的适应性，进一步通过分析所述已翻译文本的文本通顺度能够确保所述目标文本的翻译质量。
如图2所示，是本发明文本翻译装置的较佳实施例的功能模块图。所述文本翻译装置11包括获取单元110、确定单元111、调整单元112、分析单元113、计算单元114、处理单元115、输入单元116及筛选单元117。本发明所称的模块/单元是指一种能够被处理器13所获取，并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
当接收到文本翻译请求时，获取单元110根据所述文本翻译请求获取待处理文本。
在本发明的至少一个实施例中，所述文本翻译请求可以由任意有翻译需求的用户触发。所述文本翻译请求中携带有指示所述待处理文本的相关信息。
所述待处理文本是指需要进行文本翻译的信息。
在本发明的至少一个实施例中，所述获取单元110根据所述文本翻译请求获取待处理文本包括：
解析所述文本翻译请求的报文，得到数据信息；
从所述数据信息中提取存储路径及文本编号；
将所述文本编号写入查询模板中，得到查询语句；
基于所述存储路径运行所述查询语句，得到所述待处理文本。
其中，所述数据信息包括，但不限于：存储路径、指示所述存储路径的标签等。
所述查询模板可以是不包含查询对象的结构化查询语句。
通过所述报文的解析，能够快速获取到所述存储路径及所述文本编号，进而根据所述查询模板生成所述查询语句，能够从所述存储路径中直接获取到所述待处理文本，提高所述待处理文本的获取效率及获取准确性。
确定单元111根据所述待处理文本的文本语义确定所述待处理文本所属的分析领域。
在本发明的至少一个实施例中，所述文本语义是指能够反映所述待处理文本含义的信息。
所述分析领域是指所述待处理文本所解读的领域，例如，所述分析领域可以是通讯领域等。
在本发明的至少一个实施例中，所述确定单元111根据所述待处理文本的文本语义确定所述待处理文本所属的分析领域包括：
对所述待处理文本进行向量化处理，得到文本表征向量；
基于正向长短期记忆网络提取所述文本表征向量的正向特征，并基于反向长短期记忆网络提取所述文本表征向量的反向特征；
将所述正向特征及所述反向特征输入至预先训练好的语义识别模型中，得到所述文本语义；
计算所述文本语义与每个待选领域的领域相似度；
将所述领域相似度最高的待选领域确定为所述分析领域。
其中，所述文本表征向量是指能够表征所述待处理文本的向量表示。
所述语义识别模型是根据文本样本训练而生成的模型，所述语义识别模型的训练方式属于现有技术，本发明对此不再赘述。
通过结合所述待处理文本的正向特征及反向特征生成所述文本语义，能够避免词汇在所述待处理文本中的不同位置造成出现语义歧义的问题，从而提高所述文本语义的准确性，进而利用所述文本语义与所述待选领域的相似度分析，由于所述文本语义的表征维度小于所述文本表征向量的表征维度，因此，能够提高所述分析领域的确定效率。
调整单元112根据所述分析领域获取初始翻译模型，并基于预设热词调整所述初始翻译模型，得到目标翻译模型。
在本发明的至少一个实施例中，所述初始翻译模型是指适用于所述分析领域的翻译模型。
所述预设热词是指热度较高的词汇。可以理解的是，不同时段的预设热词有所不同。
所述目标翻译模型是指适用于所述预设热词及所述分析领域的翻译模型。
在本发明的至少一个实施例中，所述调整单元112根据所述分析领域获取初始翻译模型包括：
获取所述分析领域的领域标识；
基于所述领域标识从模型库中获取所述初始翻译模型。
通过所述领域标识能够准确的获取到适用于所述分析领域的初始翻译模型。
在本发明的至少一个实施例中，所述调整单元112基于预设热词调整所述初始翻译模型，得到目标翻译模型包括：
获取所述文本翻译请求的接收时间，并获取所述初始翻译模型的调整时间；
若所述调整时间有多个，从多个所述调整时间中选取与所述接收时间的时间差最小的时间作为更新时间；
根据所述更新时间及所述接收时间生成时间区间需求；
根据所述时间区间需求及预设标识从预设网站中获取所述预设热词及所述预设热词的翻译词汇；
基于所述初始翻译模型处理所述预设热词，得到预测词汇；
根据所述预测词汇与所述翻译词汇的词汇相似度调整所述初始翻译模型，直至所述词汇相似度不再升高，得到所述目标翻译模型。
其中，所述接收时间是指所述获取单元110接收到所述文本翻译请求的时间。
所述调整时间是指调整所述初始翻译模型中的网络参数时所处的时间点。
所述预设标识是指能够标识出热词的标签。
所述预设网络中存储有多个时段所对应的热词。
通过与所述时间区间需求对应的预设热词调整所述初始翻译模型，能够避免基于同一热词重复调整所述初始翻译模型，此外，通过所述预设热词调整所述初始翻译模型，能够提高所述目标翻译模型对热词的适应性，从而能够提高所述目标文本的翻译质量。
分析单元113基于所述目标翻译模型分析所述待处理文本，得到已翻译文本。
在本发明的至少一个实施例中，所述目标翻译模型包括编码器及解码器，所述分析单元113基于所述目标翻译模型分析所述待处理文本，得到已翻译文本包括：
基于所述编码器对所述待处理文本中每个文本词汇进行编码处理，得到所述文本词汇的词向量；
分析每个文本词汇在所述待处理文本中的词汇权值；
基于所述词汇权值对所述词向量进行加权和运算，得到所述待处理文本的句向量；
基于所述解码器处理所述句向量，得到所述已翻译文本。
通过衡量每个文本词汇在所述待处理文本中的贡献大小能够准确生成所述句向量，从而提高所述已翻译文本的准确性。
计算单元114计算所述已翻译文本的文本通顺度。
在本发明的至少一个实施例中，所述文本通顺度是指所述已翻译文本在预设语料库中的通顺度。
在本发明的至少一个实施例中，所述计算单元114计算所述已翻译文本的文本通顺度包括：
对于所述已翻译文本中每个目标词汇，获取所述目标词汇在所述已翻译文本中的最近邻词汇；
根据所述目标词汇与所述最近邻词汇在所述已翻译文本中的拼接关系生成组合词汇；
计算所述组合词汇在预设语料库中的词汇概率，并计算所述词汇概率的总和，得到所述已翻译文本的文本概率；
计算所述文本概率在所述已翻译文本的文本长度中的概率比值，并计算所述概率比值的倒数，得到所述文本通顺度。
其中，所述目标词汇是指所述已翻译文本中的任意单词。
所述最近邻词汇是指在所述已翻译文本中与所述目标词汇相邻近的单词。
所述组合词汇是根据所述拼接关系处理所述目标词汇及所述最近邻词汇所得到的词汇。例如，所述已翻译文本为：who am I，所述目标词汇为am，所述最近邻词汇为who，则所述组合词汇为：who am。
所述预设语料库中存储有多个与所述已翻译文本的语种相同的语句及该语句所对应的语句词汇。
所述词汇概率是指所述组合词汇在所述预设语料库中出现的概率。
通过所述组合词汇在所述预设语料库中出现的概率能够准确的确定出所述已翻译文本的文本通顺度。
若所述文本通顺度小于预设阈值，处理单元115基于预先训练好的纠错模型对所述已翻译文本进行纠错处理，得到目标文本。
在本发明的至少一个实施例中，所述预设阈值是根据实际需求设定的。
所述纠错模型用于提高所述已翻译文本的翻译质量。
需要强调的是，为进一步保证上述目标文本的私密和安全性，上述目标文本还可以存储于一区块链的节点中。
在本发明的至少一个实施例中，在基于预先训练好的纠错模型对所述已翻译文本进行纠错处理之前，所述获取单元110获取训练样本，所述训练样本中包括待训练文本及所述待训练文本的标准翻译文本；
输入单元116将所述待训练文本输入至预先构建好的学习器中，得到预测文本；
所述处理单元115基于预设数量拆分所述预测文本，得到所述预测文本的预测词汇；
所述计算单元114统计每个所述预测词汇在所述预测文本中的第一数量，并统计每个所述预测词汇在所述标准翻译文本中的第二数量；
筛选单元117从所述第一数量及所述第二数量中筛选取值最小的数量作为每个所述预测词汇的目标数量；
所述计算单元114统计所述预测词汇的词汇总量，并计算所述目标数量在所述词汇总量中的数量比值；
所述计算单元114计算所述预测文本与所述标准翻译文本的长度差值；
所述计算单元114根据所述长度差值及所述数量比值计算所述学习器的准确度：
B＝ea×eb；
其中，B是指所述准确度，a是指所述长度差值，b是指所述数量比值；
所述调整单元112根据所述准确度调整所述学习器中的模型参数，直至所述准确度不再增高，得到所述纠错模型。
其中，所述预设数量可以包含多个，例如，所述预设数量包括1、2、3等。
所述长度差值是指所述预测文本的文本长度与所述标准翻译文本的文本长度的差值。
通过所述准确度调整所述学习器，能够确保所述纠错模型的纠错准确性，从而提高所述目标文本的翻译质量。
由以上技术方案可以看出，本发明通过所述文本语义能够准确的确定出所述分析领域，从而基于所述分析领域能够获取到适应于所述分析领域的初始翻译模型，进而基于所述预设热词对所述初始翻译模型进行调整，能够提高所述目标翻译模型对所述预设热词的适应性，进一步通过分析所述已翻译文本的文本通顺度能够确保所述目标文本的翻译质量。
如图3所示，是本发明实现文本翻译方法的较佳实施例的电子设备的结构示意图。
在本发明的一个实施例中，所述电子设备1包括，但不限于，存储器12、处理器13，以及存储在所述存储器12中并可在所述处理器13上运行的计算机可读指令，例如文本翻译程序。
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所述处理器13可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器13是所述电子设备1的运算核心和控制中心，利用各种接口和线路连接整个电子设备1的各个部分，及执行所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
示例性的，所述计算机可读指令可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该计算机可读指令段用于描述所述计算机可读指令在所述电子设备1中的执行过程。例如，所述计算机可读指令可以被分割成获取单元110、确定单元111、调整单元112、分析单元113、计算单元114、处理单元115、输入单元116及筛选单元117。
所述存储器12可用于存储所述计算机可读指令和/或模块，所述处理器13通过运行或执行存储在所述存储器12内的计算机可读指令和/或模块，以及调用存储在存储器12内的数据，实现所述电子设备1的各种功能。所述存储器12可主要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、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。存储器12可以包括非易失性和易失性存储器，例如：硬盘、内存、插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地，所述存储器12可以是具有实物形式的存储器，如内存条、TF卡(Trans-flash Card)等等。
所述电子设备1集成的模块/单元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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一计算机可读存储介质中，该计算机可读指令在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机可读指令包括计算机可读指令代码，所述计算机可读指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机可读指令代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
结合图1，所述电子设备1中的所述存储器12存储计算机可读指令实现一种文本翻译方法，所述处理器13可执行所述计算机可读指令从而实现：
当接收到文本翻译请求时，根据所述文本翻译请求获取待处理文本；
根据所述待处理文本的文本语义确定所述待处理文本所属的分析领域；
根据所述分析领域获取初始翻译模型，并基于预设热词调整所述初始翻译模型，得到目标翻译模型；
基于所述目标翻译模型分析所述待处理文本，得到已翻译文本；
计算所述已翻译文本的文本通顺度；
若所述文本通顺度小于预设阈值，基于预先训练好的纠错模型对所述已翻译文本进行纠错处理，得到目标文本。
具体地，所述处理器13对上述计算机可读指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述计算机可读存储介质上存储有计算机可读指令，其中，所述计算机可读指令被处理器13执行时用以实现以下步骤：
当接收到文本翻译请求时，根据所述文本翻译请求获取待处理文本；
根据所述待处理文本的文本语义确定所述待处理文本所属的分析领域；
根据所述分析领域获取初始翻译模型，并基于预设热词调整所述初始翻译模型，得到目标翻译模型；
基于所述目标翻译模型分析所述待处理文本，得到已翻译文本；
计算所述已翻译文本的文本通顺度；
若所述文本通顺度小于预设阈值，基于预先训练好的纠错模型对所述已翻译文本进行纠错处理，得到目标文本。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。所述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种文本翻译方法，其特征在于，所述文本翻译方法包括：
当接收到文本翻译请求时，根据所述文本翻译请求获取待处理文本；
根据所述待处理文本的文本语义确定所述待处理文本所属的分析领域；
根据所述分析领域获取初始翻译模型，并基于预设热词调整所述初始翻译模型，得到目标翻译模型；
基于所述目标翻译模型分析所述待处理文本，得到已翻译文本；
计算所述已翻译文本的文本通顺度；
若所述文本通顺度小于预设阈值，基于预先训练好的纠错模型对所述已翻译文本进行纠错处理，得到目标文本。
2.如权利要求1所述的文本翻译方法，其特征在于，所述根据所述文本翻译请求获取待处理文本包括：
解析所述文本翻译请求的报文，得到数据信息；
从所述数据信息中提取存储路径及文本编号；
将所述文本编号写入查询模板中，得到查询语句；
基于所述存储路径运行所述查询语句，得到所述待处理文本。
3.如权利要求1所述的文本翻译方法，其特征在于，所述根据所述待处理文本的文本语义确定所述待处理文本所属的分析领域包括：
对所述待处理文本进行向量化处理，得到文本表征向量；
基于正向长短期记忆网络提取所述文本表征向量的正向特征，并基于反向长短期记忆网络提取所述文本表征向量的反向特征；
将所述正向特征及所述反向特征输入至预先训练好的语义识别模型中，得到所述文本语义；
计算所述文本语义与每个待选领域的领域相似度；
将所述领域相似度最高的待选领域确定为所述分析领域。
4.如权利要求1所述的文本翻译方法，其特征在于，所述基于预设热词调整所述初始翻译模型，得到目标翻译模型包括：
获取所述文本翻译请求的接收时间，并获取所述初始翻译模型的调整时间；
若所述调整时间有多个，从多个所述调整时间中选取与所述接收时间的时间差最小的时间作为更新时间；
根据所述更新时间及所述接收时间生成时间区间需求；
根据所述时间区间需求及预设标识从预设网站中获取所述预设热词及所述预设热词的翻译词汇；
基于所述初始翻译模型处理所述预设热词，得到预测词汇；
根据所述预测词汇与所述翻译词汇的词汇相似度调整所述初始翻译模型，直至所述词汇相似度不再升高，得到所述目标翻译模型。
5.如权利要求1所述的文本翻译方法，其特征在于，所述目标翻译模型包括编码器及解码器，所述基于所述目标翻译模型分析所述待处理文本，得到已翻译文本包括：
基于所述编码器对所述待处理文本中每个文本词汇进行编码处理，得到所述文本词汇的词向量；
分析每个文本词汇在所述待处理文本中的词汇权值；
基于所述词汇权值对所述词向量进行加权和运算，得到所述待处理文本的句向量；
基于所述解码器处理所述句向量，得到所述已翻译文本。
6.如权利要求1所述的文本翻译方法，其特征在于，所述计算所述已翻译文本的文本通顺度包括：
对于所述已翻译文本中每个目标词汇，获取所述目标词汇在所述已翻译文本中的最近邻词汇；
根据所述目标词汇与所述最近邻词汇在所述已翻译文本中的拼接关系生成组合词汇；
计算所述组合词汇在预设语料库中的词汇概率，并计算所述词汇概率的总和，得到所述已翻译文本的文本概率；
计算所述文本概率在所述已翻译文本的文本长度中的概率比值，并计算所述概率比值的倒数，得到所述文本通顺度。
7.如权利要求1述的文本翻译方法，其特征在于，在基于预先训练好的纠错模型对所述已翻译文本进行纠错处理之前，所述方法还包括：
获取训练样本，所述训练样本中包括待训练文本及所述待训练文本的标准翻译文本；
将所述待训练文本输入至预先构建好的学习器中，得到预测文本；
基于预设数量拆分所述预测文本，得到所述预测文本的预测词汇；
统计每个所述预测词汇在所述预测文本中的第一数量，并统计每个所述预测词汇在所述标准翻译文本中的第二数量；
从所述第一数量及所述第二数量中筛选取值最小的数量作为每个所述预测词汇的目标数量；
统计所述预测词汇的词汇总量，并计算所述目标数量在所述词汇总量中的数量比值；
计算所述预测文本与所述标准翻译文本的长度差值；
根据所述长度差值及所述数量比值计算所述学习器的准确度：
B＝ea×eb；
其中，B是指所述准确度，a是指所述长度差值，b是指所述数量比值；
根据所述准确度调整所述学习器中的模型参数，直至所述准确度不再增高，得到所述纠错模型。
8.一种文本翻译装置，其特征在于，所述文本翻译装置包括：
获取单元，用于当接收到文本翻译请求时，根据所述文本翻译请求获取待处理文本；
确定单元，用于根据所述待处理文本的文本语义确定所述待处理文本所属的分析领域；
调整单元，用于根据所述分析领域获取初始翻译模型，并基于预设热词调整所述初始翻译模型，得到目标翻译模型；
分析单元，用于基于所述目标翻译模型分析所述待处理文本，得到已翻译文本；
计算单元，用于计算所述已翻译文本的文本通顺度；
处理单元，用于若所述文本通顺度小于预设阈值，基于预先训练好的纠错模型对所述已翻译文本进行纠错处理，得到目标文本。
9.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储有计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现如权利要求1至7中任意一项所述的文本翻译方法。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的文本翻译方法。
CN202110839097.5A 2021-07-23 2021-07-23 文本翻译方法、装置、设备及存储介质 Active CN113486680B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110839097.5A CN113486680B (zh) 2021-07-23 2021-07-23 文本翻译方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110839097.5A CN113486680B (zh) 2021-07-23 2021-07-23 文本翻译方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113486680A true CN113486680A (zh) 2021-10-08
CN113486680B CN113486680B (zh) 2023-12-15

Family

ID=77943454

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110839097.5A Active CN113486680B (zh) 2021-07-23 2021-07-23 文本翻译方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113486680B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023243946A1 (en) * 2022-06-14 2023-12-21 Samsung Electronics Co., Ltd. Machine translation method, devices, and storage media

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180322117A1 (en) * 2017-05-03 2018-11-08 Google Llc Contextual language translation
CN110210028A (zh) * 2019-05-30 2019-09-06 杭州远传新业科技有限公司 针对语音转译文本的领域特征词提取方法、装置、设备及介质
CN110765785A (zh) * 2019-09-19 2020-02-07 平安科技（深圳）有限公司 基于神经网络的中英翻译方法、及其相关设备
CN110941965A (zh) * 2018-09-06 2020-03-31 重庆好德译信息技术有限公司 一种基于专业语言的即时翻译系统
CN111178085A (zh) * 2019-12-12 2020-05-19 科大讯飞(苏州)科技有限公司 文本翻译器训练方法、专业领域文本语义解析方法和装置
WO2020253648A1 (zh) * 2019-06-19 2020-12-24 腾讯科技（深圳）有限公司 翻译方法、机器翻译模型的训练方法、装置及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180322117A1 (en) * 2017-05-03 2018-11-08 Google Llc Contextual language translation
CN110941965A (zh) * 2018-09-06 2020-03-31 重庆好德译信息技术有限公司 一种基于专业语言的即时翻译系统
CN110210028A (zh) * 2019-05-30 2019-09-06 杭州远传新业科技有限公司 针对语音转译文本的领域特征词提取方法、装置、设备及介质
WO2020253648A1 (zh) * 2019-06-19 2020-12-24 腾讯科技（深圳）有限公司 翻译方法、机器翻译模型的训练方法、装置及存储介质
CN110765785A (zh) * 2019-09-19 2020-02-07 平安科技（深圳）有限公司 基于神经网络的中英翻译方法、及其相关设备
CN111178085A (zh) * 2019-12-12 2020-05-19 科大讯飞(苏州)科技有限公司 文本翻译器训练方法、专业领域文本语义解析方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
姚亮;洪宇;刘昊;刘乐;姚建民;: "基于翻译模型和语言模型相融合的双语句对选择方法", 中文信息学报, vol. 30, no. 05, pages 145 - 151 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023243946A1 (en) * 2022-06-14 2023-12-21 Samsung Electronics Co., Ltd. Machine translation method, devices, and storage media

Also Published As

Publication number Publication date
CN113486680B (zh) 2023-12-15

Similar Documents

Publication Publication Date Title
CN111694826B (zh) 基于人工智能的数据增强方法、装置、电子设备及介质
CN112989826B (zh) 基于人工智能的试题分数确定方法、装置、设备及介质
CN113656547B (zh) 文本匹配方法、装置、设备及存储介质
CN113094478B (zh) 表情回复方法、装置、设备及存储介质
CN113408268B (zh) 槽位填充方法、装置、设备及存储介质
CN113470664A (zh) 语音转换方法、装置、设备及存储介质
CN113064973A (zh) 文本分类方法、装置、设备及存储介质
CN113283675A (zh) 指标数据分析方法、装置、设备及存储介质
CN113536770B (zh) 基于人工智能的文本解析方法、装置、设备及存储介质
CN113268597B (zh) 文本分类方法、装置、设备及存储介质
CN114037545A (zh) 客户推荐方法、装置、设备及存储介质
CN113705468A (zh) 基于人工智能的数字图像识别方法及相关设备
CN113486680B (zh) 文本翻译方法、装置、设备及存储介质
CN113420545B (zh) 摘要生成方法、装置、设备及存储介质
CN113627186B (zh) 基于人工智能的实体关系检测方法及相关设备
CN112949305B (zh) 负反馈信息采集方法、装置、设备及存储介质
CN113326365A (zh) 回复语句生成方法、装置、设备及存储介质
CN113342977A (zh) 发票图像分类方法、装置、设备及存储介质
CN113283389A (zh) 手写文字质量检测方法、装置、设备及存储介质
CN113408265A (zh) 基于人机交互的语义解析方法、装置、设备及存储介质
CN112989820A (zh) 法律文书定位方法、装置、设备及存储介质
CN113434895B (zh) 文本解密方法、装置、设备及存储介质
CN113421575B (zh) 声纹识别方法、装置、设备及存储介质
CN113468334B (zh) 密文情感分类方法、装置、设备及存储介质
CN113420143B (zh) 文书摘要生成方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant