CN114611532A - 语言模型训练方法及装置、目标翻译错误检测方法及装置 - Google Patents

Abstract

本公开提供了一种语言模型训练方法及装置、目标翻译错误检测方法及装置，涉及人工智能技术领域，尤其涉及自然语言处理、机器翻译领域。实现方案为：获取第一样本数据集；基于第一样本数据集中的多个样本数据，执行下述训练过程：基于语言模型，对多个样本数据中的每个样本数据中的每个样本对进行掩码预测，以获取相应于该样本对的预测结果；基于多个样本数据中的每个样本数据中的每个样本对相应的预测结果，计算掩码预测损失函数和对比学习损失函数；基于掩码预测损失函数和对比学习损失函数，计算综合损失函数；以及基于综合损失函数调整语言模型的至少一个参数。

Description

语言模型训练方法及装置、目标翻译错误检测方法及装置

技术领域

本公开涉及人工智能技术领域，尤其涉及自然语言处理、机器翻译领域，具体涉及一种语言模型的训练方法、一种计算机执行的目标翻译错误的检测方法、一种机器翻译模型的训练方法、一种语言模型的训练装置、一种计算机执行的目标翻译错误的检测装置、一种机器翻译模型的训练装置、电子设备和计算机可读存储介质。

背景技术

人工智能是研究使计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

机器翻译，又称为自动翻译，是指利用计算机将一种自然语言（源语言）转换为另一种自然语言（目标语言）的过程。机器翻译具有重要的实用价值。目前，基于数据驱动的神经机器翻译技术仍然存在许多问题，当前技术条件下还没有达到理想水平，机器翻译系统仍然会输出错误的翻译结果。

在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

发明内容

本公开提供了一种语言模型的训练方法、一种计算机执行的目标翻译错误的检测方法、一种机器翻译模型的训练方法、一种语言模型的训练装置、一种计算机执行的目标翻译错误的检测装置、一种机器翻译模型的训练装置、电子设备和计算机可读存储介质。

根据本公开的一方面，提供了一种语言模型的训练方法，包括：获取第一样本数据集，其中，第一样本数据集包括多个样本数据，多个样本数据中的每个样本数据包括第一样本对和基于第一样本对生成的至少一个第二样本对，第一样本对包括第一源语言文本和与第一源语言文本相对应的第一目标语言文本，至少一个第二样本对中的每个第二样本对包括相应的第二源语言文本和第二目标语言文本，并且每个第二样本对分别通过对第一样本对中的第一源语言文本或第一目标语言文本进行不同的改变获取；基于第一样本数据集中的多个样本数据，执行下述训练过程：基于语言模型，对多个样本数据中的每个样本数据中的每个样本对进行掩码预测，以获取相应于该样本对的预测结果；基于多个样本数据中的每个样本数据中的每个样本对相应的预测结果，计算掩码预测损失函数和对比学习损失函数；基于掩码预测损失函数和对比学习损失函数，计算综合损失函数；以及基于综合损失函数调整语言模型的至少一个参数。

根据本公开的另一方面，提供了一种计算机执行的目标翻译错误的检测方法，包括：获取源语言文本和待检测的目标语言文本；将源语言文本和待检测的目标语言文本输入检测模型，以确定待检测的目标语言文本是否存在目标翻译错误，其中，检测模型基于本公开的语言模型训练方法训练获得。

根据本公开的另一方面，提供了一种机器翻译模型的训练方法，其中，机器翻译模型包括编码网络和解码网络，所述方法包括：获取用于训练机器翻译模型的样本数据集；基于预训练的语言模型的至少一个参数，初始化编码网络的至少一个参数和解码网络的至少一个参数，其中，预训练的语言模型基于本公开的语言模型训练方法训练获得；基于样本数据集，训练机器翻译模型。

根据本公开的另一方面，提供了一种语言模型的训练装置，包括：第一获取单元，被配置为获取第一样本数据集，其中，第一样本数据集包括多个样本数据，多个样本数据中的每个样本数据包括第一样本对和基于第一样本对生成的至少一个第二样本对，第一样本对包括第一源语言文本和与第一源语言文本相对应的第一目标语言文本，至少一个第二样本对中的每个第二样本对包括相应的第二源语言文本和第二目标语言文本，并且每个第二样本对分别通过对第一样本对中的第一源语言文本或第一目标语言文本进行不同的改变获取；执行单元，被配置为基于第一样本数据集中的多个样本数据，执行下述子单元的操作：预测子单元，被配置为基于语言模型，对多个样本数据中的每个样本数据中的每个样本对进行掩码预测，以获取相应于该样本对的预测结果；第一计算子单元，被配置为基于多个样本数据中的每个样本数据中的每个样本对相应的预测结果，计算掩码预测损失函数和对比学习损失函数；第二计算子单元，被配置为基于掩码预测损失函数和对比学习损失函数，计算综合损失函数；以及调整子单元，被配置为基于综合损失函数调整语言模型的至少一个参数。

根据本公开的另一方面，提供了一种计算机执行的目标翻译错误的检测装置，包括：第二获取单元，被配置为获取源语言文本和待检测的目标语言文本；输入单元，被配置为将源语言文本和待检测的目标语言文本输入检测模型，以确定待检测的目标语言文本是否存在目标翻译错误，其中，检测模型基于本公开的语言模型训练方法训练获得。

根据本公开的另一方面，提供了一种机器翻译模型的训练装置，其中，机器翻译模型包括编码网络和解码网络，所述装置包括：第三获取单元，被配置为获取用于训练机器翻译模型的样本数据集；初始化单元，被配置为基于预训练的语言模型的至少一个参数，初始化编码网络的至少一个参数和解码网络的至少一个参数，其中，预训练的语言模型基于本公开的语言模型训练方法训练获得；训练单元，被配置为基于样本数据集，训练机器翻译模型。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开的语言模型训练方法、计算机执行的目标翻译错误的检测方法或机器翻译模型的训练方法。

根据本公开的另一方面，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，其中，计算机指令用于使计算机执行本公开的语言模型训练方法、计算机执行的目标翻译错误的检测方法或机器翻译模型的训练方法。

根据本公开的一个或多个实施例，通过第一样本对（正样本）和第二样本对（负样本）对语言模型进行基于掩码预测任务和对比学习任务相结合的预训练，能够在进一步优化语言模型对语句的编码表达的同时，使模型具备区分正负样本的能力。

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

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；

图2示出了根据本公开的实施例的语言模型的训练方法的流程图；

图3示出了根据本公开的实施例的获取面向漏译检测的第一样本数据集的流程图；

图4示出了根据本公开的实施例的获取面向多译检测的第一样本数据集的流程图；

图5示出了根据本公开的示例性实施例的应用语言模型进行掩码预测的示意图；

图6示出了根据本公开的实施例的应用第一样本数据集对语言模型训练后对语言模型进行二次训练的流程图；

图7示出了根据本公开的示例性实施例的对语言模型进行基于分类任务的微调的示意图；

图8示出了根据本公开的实施例的计算机执行的目标翻译错误的检测方法的流程图；

图9示出了根据本公开的实施例的机器翻译模型的训练方法的流程图；

图10示出了根据本公开的实施例的语言模型的训练装置的结构框图；

图11示出了根据本公开的实施例的计算机执行的目标翻译错误的检测装置的结构框图；

图12示出了根据本公开的实施例的机器翻译模型的训练装置的结构框图；

图13示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围。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。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个要素与另一要素区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

在机器翻译应用中，相关的翻译结果检错方案多是通过人工制定检错规则，并基于该规则进行检错。例如，对于漏译错误的检测，通过人工设置原文（例如英文）和译文（例如中文）的长度比阈值来进行漏译问题的判断，如果原文与译文之间的长度比超过上述阈值，则认为该译文存在漏译问题。

然而，基于人工规则的翻译结果检错过于依赖人工干预，需要先进行大量的经验总结，效率低下；同时这种方式所考量的维度较为单一，通常只检测句子长度比、语义相似度等，通过这种方法仅能将较为极端的翻译错误检测出来，准确度不高。

本发明实施例提供一种语言模型的训练方法，通过第一样本对（正样本）和第二样本对（负样本）对语言模型进行基于掩码预测任务和对比学习任务相结合的预训练，从而在进一步优化语言模型对语句的编码表达的同时，使该语言模型具备区分正确翻译结果和错误翻译结果的能力。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。

在本公开的实施例中，服务器120可以运行使得能够执行语言模型的训练方法的一个或多个服务或软件应用。

在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务（SaaS）模型下提供给客户端设备101、102、103、104、105和/或106的用户。

在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。

用户可以使用客户端设备101、102、103、104、105和/或106来获取模型训练所需的样本数据。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。

客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机（诸如个人计算机和膝上型计算机）、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统（例如GOOGLE Chrome OS）；或包括各种移动操作系统，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理（PDA）等。可穿戴设备可以包括头戴式显示器（诸如智能眼镜）和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序（例如电子邮件应用程序）、短消息服务（SMS）应用程序，并且可以使用各种通信协议。

网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种（包括但不限于TCP/IP、SNA、IPX等）来支持数据通信。仅作为示例，一个或多个网络110可以是局域网（LAN）、基于以太网的网络、令牌环、广域网（WAN）、因特网、虚拟网络、虚拟专用网络（VPN）、内部网、外部网、公共交换电话网（PSTN）、红外网络、无线网络（例如蓝牙、WIFI）和/或这些和/或其他网络的任意组合。

服务器120可以包括一个或多个通用计算机、专用服务器计算机（例如PC（个人计算机）服务器、UNIX服务器、中端服务器）、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构（例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池）。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和/或106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和/或106的一个或多个显示设备来显示数据馈送和/或实时事件。

在一些实施方式中，服务器120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120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。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器（VPS，Virtual Private Server）服务中存在的管理难度大、业务扩展性弱的缺陷。

系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。

图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

根据本公开的实施例，如图2所示，提供了一种语言模型的训练方法，包括：步骤S201、获取第一样本数据集，其中，第一样本数据集包括多个样本数据，多个样本数据中的每个样本数据包括第一样本对和基于第一样本对生成的至少一个第二样本对，第一样本对包括第一源语言文本和与第一源语言文本相对应的第一目标语言文本，至少一个第二样本对中的每个第二样本对包括相应的第二源语言文本和第二目标语言文本，并且每个第二样本对分别通过对第一样本对中的第一源语言文本或第一目标语言文本进行不同的改变获取；基于第一样本数据集中的多个样本数据，执行下述训练过程：步骤S202、基于语言模型，对多个样本数据中的每个样本数据中的每个样本对进行掩码预测，以获取相应于该样本对的预测结果；步骤S203、基于多个样本数据中的每个样本数据中的每个样本对相应的预测结果，计算掩码预测损失函数和对比学习损失函数；步骤S204、基于掩码预测损失函数和对比学习损失函数，计算综合损失函数；以及步骤S205、基于综合损失函数调整语言模型的至少一个参数。

由此，通过第一样本对（正样本）和第二样本对（负样本）对语言模型进行基于掩码预测任务和对比学习任务相结合的预训练，能够在进一步优化语言模型对语句的编码表达的同时，使模型具备区分正负样本的能力。

在一些实施例中，本公开的训练方法中所应用的语言模型可以是基于BERT、ERNIE、RoBERTa、MacBERT等模型的。可理解的，相关技术人员可以根据实际需要自行选择应用的语言模型，在此不作限制。以下将以BERT为例进行具体方法的描述。

本公开的方法中所述的源语言和目标语言可以是任意两种不同的语言，例如，源语言可以为英语，目标语言可以为汉语；又例如，源语言可以为汉语，目标语言可以为英语。源语言文本和目标语言文本具有相同的语义，并且目标语言文本是通过对源语言文本进行翻译获得的。

在一些实施例中，本公开的训练方法中所应用的第一样本数据集可以包括多个样本数据，其中，每个样本数据均包括一个第一样本对（也即正样本）和一个或多个第二样本对（负样本）。其中，第一样本对包括一个第一源语言文本和与其相应的第一目标语言文本，并且第一目标语言文本是第一源语言文本的正确的译文。每个第二样本对中包括一个第二源语言文本和一个第二目标语言文本，其中，对于每个第二样本对，其第二源语言文本和第二目标语言文本中的其中之一与其对应的第一样本对中的相应文本是相同的，而另一个则通过一些预设的规则，基于第一样本对中的相应文本进行相应改变（例如替换、插入或删除一个或多个词汇等）。

相应于同一第一样本对的不同第二样本对均是不同的，每个第二样本对分别通过对第一样本对中的第一源语言文本或第一目标语言文本进行不同的改变获取。例如，第一样本对中的第一源语言文本为“I didn’t know if you’d have your luggage withyou. I have no luggage”，其相应的第一目标语言文本为“我不知道你是否带着行李。我没有行李”。该第一样本对对应两个第二样本对，其中一个第二样本对，其第二源语言文本与第一源语言文本相同，而其第二目标语言文本为“我知道你是否行李。我没有行李”（相对于第一目标语言文本删除了词汇“不”和“带着”）。与该第一样本对对应的另一个第二样本对，其第二源语言文本为“I didn’t know if even you’d always have your luggagewith you. I have no luggage”（相对于第一源语言文本，插入了“even”和“always”两个词汇），而其第二目标语言文本与第一目标语言文本相同。

在一些实施例中，可以根据需要检测的翻译错误类型的不同，基于用于训练机器翻译模型的训练数据，分别生成存在特定类型的翻译错误（例如漏译问题或多译问题）的负样本，从而训练出用于检测特定类型翻译错误的语言模型。

在一些实施例中，第一样本数据集中的训练数据可以是面向漏译检测模型的训练数据，如图3所示，获取上述第一样本数据集可以包括：步骤S301、获取多个原始样本对，以作为第一样本数据集中的多个样本数据相应的多个第一样本对；步骤S302、获取多个第一样本对中的每个第一样本对对应的至少一个第二样本对，其中，至少一个第二样本对通过执行下述操作中的至少一项获取：步骤S3021、随机删除该第一样本对中的第一目标语言文本对应的多个分词中的至少一个分词，以获取该第一样本对对应的一个第二样本对中的第二目标语言文本，并且，该第二样本对中的第二源语言文本与该第一样本对中的第一源语言文本相同；步骤S3022、响应于该第一样本对中的第一目标语言文本包括多个子句，随机删除多个子句中的至少一个子句，以获取该第一样本对对应的一个第二样本对中的第二目标语言文本，并且，该第二样本对中的第二源语言文本与该第一样本对中的第一源语言文本相同；以及步骤S3023、在该第一样本对中的第一源语言文本中的多个分词之间随机插入至少一个第一插入词，以获取该第一样本对对应的一个第二样本对中的第二源语言文本，并且，该第二样本对中的第二目标语言文本与该第一样本对中的第一目标语言文本相同。

在一些实施例中，可以首先判断第一样本对中的第一目标语言文本是否包含两个或两个以上的子句，如果包括，则可对其中一个或多个子句进行随机删除，并保持第一源语言文本不变，从而生成第二样本对。通过上述方法生成的第二样本对为具有句子级别漏译错误的负样本。

在一些实施例中，也可以通过向第一样本对中的第一源语言文本中随机插入一个或多个词汇（保持第一目标语言文本不变），或通过随机删除第一目标语言文本中的一个或多个词汇（保持第一源语言文本不变），从而生成第二样本对。通过上述方法生成的第二样本对为具有词汇级别漏译错误的负样本。

在一些实施例中，基于一个第一样本对可以生成一个或多个与其对应的第二样本对，每个第二样本对均不相同。可理解的，基于每个第一样本对生成的第二样本对的数量可以根据实际情况自行确定，在此不做限制。

由于实际应用中，漏译错误的情况较为复杂，因此可以基于同一第一样本对，分别通过上述方法，生成至少一个具有词汇级别漏译错误的负样本以及至少一个具有句子级别漏译错误的负样本，从而使样本数据能够覆盖各种漏译问题，避免模型仅侧重其中某一种漏译问题，对其他种类的漏译问题敏感性较差的问题。

在一些实施例中，在该第一样本对中的第一源语言文本中的多个分词之间随机插入至少一个第一插入词可以包括：在该第一样本对中的第一源语言文本中的多个分词中的相邻分词之间插入至少一个第三掩码标签；通过将插入至少一个第三掩码标签后的第一源语言文本输入预训练掩码语言模型，获取至少一个第三掩码标签对应的至少一个第一插入词，以获取该第一样本对对应的一个第二样本对中的第二源语言文本。

在向第一样本对中的第一源语言文本中随机插入一个或多个词汇时，由于词汇语义的多样性，如果随机插入一个或多个词汇，极大概率会造成生成的第二源语言文本的流利度较差等问题，进而影响模型的训练。

因此，在向第一源语言文本中随机插入一个或多个词汇时，可以首先对第一源语言文本进行分词，随后，随机地在两相邻分词之间插入一个掩码标签，并将插入掩码标签后的文本通过预训练掩码语言模型进行掩码预测，获取到该掩码标签对应的概率最高的词汇（也即第一插入词），从而获取第二源语言文本。

在一些实施例中，每个第一源语言文本中可以通过上述方式插入一个或多个掩码标签，并相应的生成不同的第二源语言文本。

由此，通过将掩码标签插入第一源语言文本，并对其进行掩码预测，将掩码部分进行合理填充，从而能够保证生成的负样本的句子的流利性和语义的合理性，从而保证模型训练的有效性。

在一些实施例中，第一样本数据集中的训练数据可以是面向多译检测模型的训练数据，如图4所示，获取上述第一样本数据集可以包括：步骤S401、获取多个原始样本对，以作为第一样本数据集中的多个样本数据相应的多个第一样本对；步骤S402、获取多个第一样本对中的每个第一样本对对应的至少一个第二样本对，其中，至少一个第二样本对通过执行下述操作中的至少一项获取：步骤S4021、随机删除该第一样本对中的第一源语言文本对应的多个分词中的至少一个分词，以获取该第一样本对对应的一个第二样本对中的第二源语言文本，并且，该第二样本对中的第二目标语言文本与该第一样本对中的第一目标语言文本相同；步骤S4022、响应于该第一样本对中的第一源语言文本包括多个子句，随机删除多个子句中的至少一个子句，以获取该第一样本对对应的一个第二样本对中的第二源语言文本，并且，该第二样本对中的第二目标语言文本与该第一样本对中的第一目标语言文本相同；以及步骤S4023、在该第一样本对中的第一目标语言文本中的多个分词之间随机插入至少一个第二插入词，以获取该第一样本对对应的一个第二样本对中的第二目标语言文本，并且，该第二样本对中的第二源语言文本与该第一样本对中的第一源语言文本相同。

在一些实施例中，可以首先判断第一样本对中的第一源语言文本是否包含两个或两个以上的子句，如果包括，则可对其中一个或多个子句进行随机删除，并保持第一目标语言文本不变，从而生成第二样本对。通过上述方法生成的第二样本对为具有句子级别多译错误的负样本。

在一些实施例中，也可以通过向第一样本对中的第一目标语言文本中随机插入一个或多个词汇（保持第一源语言文本不变），或通过随机删除第一源语言文本中的一个或多个词汇（保持第一目标语言文本不变），从而生成第二样本对。通过上述方法生成的第二样本对为具有词汇级别多译错误的负样本。

在一些实施例中，基于一个第一样本对可以生成一个或多个与其对应的第二样本对，每个第二样本对均不相同。可理解的，基于每个第一样本对生成的第二样本对的数量可以根据实际情况自行确定，在此不做限制。

由于实际应用中，漏译错误的情况较为复杂，因此可以基于同一第一样本对，分别通过上述方法，生成至少一个具有词汇级别漏译错误的负样本以及至少一个具有句子级别漏译错误的负样本，从而使样本数据能够覆盖各种多译问题，避免模型仅侧重其中某一种多译问题，对其他种类的多译问题敏感性较差的问题。

在一些实施例中，在该第一样本对中的第一目标语言文本中的多个分词之间随机插入至少一个第二插入词可以包括：在该第一样本对中的第一目标语言文本中的多个分词中的相邻分词之间插入至少一个第四掩码标签；通过将插入至少一个第四掩码标签后的第一目标语言文本输入预训练掩码语言模型，获取至少一个第四掩码标签对应的至少一个第二插入词，以获取该第一样本对对应的一个第二样本对中的第二目标语言文本。

在向第一样本对中的第一目标语言文本中随机插入一个或多个词汇时，由于词汇语义的多样性，如果随机插入一个或多个词汇，极大概率会造成生成的第二目标语言文本的流利度较差等问题，进而影响模型的训练。

因此，在向第一目标语言文本中随机插入一个或多个词汇时，可以首先对第一目标语言文本进行分词，随后，随机地在两相邻分词之间插入一个掩码标签，并将插入掩码标签后的文本通过预训练掩码语言模型进行掩码预测，获取到该掩码标签对应的概率最高的词汇（也即第一插入词），从而获取第二目标语言文本。

在一些实施例中，每个第一目标语言文本中可以通过上述方式插入一个或多个掩码标签，并相应的生成不同的第二目标语言文本。

由此，通过将掩码标签插入第一目标语言文本，并对其进行掩码预测，将掩码部分进行合理填充，从而能够保证生成的负样本的句子的流利性和语义的合理性，从而保证模型训练的有效性。

在将每个样本数据输入到语言模型之前，首先需要对该样本数据中的每个文本进行分词和编码处理。

如图5示出了一种应用语言模型进行掩码预测的示意图。其中，输入的样本对包括源语言文本“I have no luggage.”和目标语言文本“我没有行李。”

首先，对上述两个文本分别进行分词处理，分别获得“I”、“have”、“no”、“luggage”和“.”，以及“我”、“没有”、“行李”和“。”等多个分词。

随后，将上述两个文本的多个分词拼接在一起，得到拼接后的分词序列为“[CLS]”、“I”、“have”、“no”、“luggage”、“.”、“[SEP]”、“我”、“没有”、“行李”、“。”以及“[SEP]”。其中，[CLS]为在文本开始处添加的占位符，[SEP]为两个文本之间的分隔符。

对于每个分词进行相应的编码，每个分词的编码均由分词编码、分割编码和位置编码等三个部分拼接而成，其中分割编码用于表述该分词所属的句子，位置编码用于表示该分词在分词序列中所处的位置。以其中一个分词“luggage”为例，其编码由其相应的分词编码E_luggage、分割编码E_A、以及位置编码E₄拼接构成。

在一些实施例中，在对上述源语言文本和目标语言文本对应的分词序列应用该语言模型进行掩码预测之前，首先需要对分词序列中的一个或多个分词进行随机掩盖，例如可以以15%的概率随机地选中某个分词，并将选中的分词替换为掩码标签“[MASK]”，则其相应的分词编码就被替换为E_[MASK]。例如，如图5所示，其中随机选中分词“我”和“行李”进行掩盖，也即，将其相应的分词编码分别替换为E_[MASK]。

在一些实施例中，可以对源语言文本和目标语言文本中的至少一个文本中进行分词的选择和掩盖。优选的，可以仅针对目标语言文本进行分词的随机选择和掩盖，由此，能够进一步侧重于训练优化模型对目标语言文本（也即目标语言文本）的编码表达。

随后，将每个分词对应的分词编码输入到语言模型中，该语言模型所输出的预测结果包括：每个分词对应的输出编码，其中，两个掩码标签对应的输出编码分别为语言模型所预测的该位置概率最高的分词编码。例如，如图5所示，对于两个掩码的预测的分词编码分别是T₁'和T₃'，这两个分词编码可以分别对应分词“我”和分词“行李”。同时，通过对源语言文本中的每个分词对应的输出编码进行加权求和，即可获得该源语言文本对应的输出编码；相似的，也可以获得目标语言文本的输出编码。

在一些实施例中，可以将第一数据集中的每个样本数据对应的每个样本对（包括第一样本对和第二样本对）均通过上述方式进行掩码预测，获取每个样本对相应的预测结果，并基于相应的预测结果计算掩码预测损失函数和对比学习损失函数。

在一些实施例中，掩码预测损失函数L _MLM 可以通过如下公式计算：

其中，x ^ori 表示第一样本对中的第一源语言文本对应的输出编码，其通过对源语言文本的每个分词对应的输出编码加权求和得到；y ^ori 表示上述第一样本对中的第一目标语言文本对应的输出编码，其通过对目标语言文本的每个分词对应的输出编码加权求和得到，D表示第一样本数据集，θ为一变量。并且其中，y ^m 表示在目标语言文本中进行掩盖的分词所对应的原分词编码，y _t 表示对于掩码进行预测所得的输出编码，y ^o 则表示未被掩盖的分词通过语言模型预测得到的输出编码。

在一些实施例中，对比学习损失函数L _cts 可以通过如下公式计算：

其中，（x ^ori ，y ^ori ）对应于第一样本数据集D中的一个第一样本对，（x ^ori ，y ^ant ）对应与上述第一样本对相应的一个第二样本对，（x ^ant ，y ^ori ）对应与上述第一样本对相应的另一个第二样本对，并且其中，x ^ori 、y ^ori 、x ^ant 、y ^ant 分别为上述样本对中相应的各文本的输出向量。

上述公式中的f（x,y）是一个用于计算向量相似度的函数，例如f（x,y）可以为余弦相似度的计算。

在一些实施例中，可以基于掩码预测损失函数和对比学习损失函数，计算综合损失函数，具体方法可以包括：基于掩码预测损失函数对应的第一权重、对比学习损失函数对应的第二权重、掩码预测损失函数和对比学习损失函数，计算综合损失函数。

具体的，综合损失函数L可以通过下述公式计算：

其中，λ₁为第一权重，λ₂为第二权重。

由此，综合损失函数通过对掩码预测损失函数和对比学习损失函数加权求和获得，从而能在将两种训练方式结合的同时，减少运算量，提升模型训练效率。

在一些实施例中，第一样本数据集包括多个样本数据子集，每个样本数据子集包括多个样本数据，方法还包括：依次基于多个样本数据子集中的每个样本数据子集，分别执行训练过程，并且其中，计算综合损失函数包括：根据当前训练过程所应用的样本数据子集在多个样本数据子集中的次序，调整第一权重和第二权重，其中，调整后的第一权重与调整后的第二权重的总和等于调整前的第一权重和第二权重的总和；以及基于调整后的第一权重、调整后的第二权重、掩码预测损失函数和对比学习损失函数，计算当前训练过程相应的综合损失函数。

在训练过程中，相关技术人员可以将第一样本数据集划分为多个样本数据子集（多个批次），并且将多个样本数据子集分别应用上述方式对语言模型进行训练，即对每个样本数据子集均计算相应的综合损失函数，并基于相应的综合损失函数调整该语言模型的参数。

在训练过程中，相关技术人员可以根据模型训练的进度（例如可以根据当前用于训练的样本数据子集在多个样本数据子集中的顺序进行判断）对两个权重进行相应调整，从而能够使模型应用每个批次的数据进行训练时，能够达到不同的训练目的和训练效果（例如着重优化模型对语句的编码表达，或着重优化模型对正负样本的区分能力等）。

可理解的，相关技术人员可以根据实际情况自行确定是否调整第一权重和第二权重，以及调整第一权重和第二权重的幅度，在此不做限制。

在一些实施例中，应用第一样本数据集对语言模型训练后，如图6所示，语言模型的训练方法还可以包括：步骤S601、获取用于二次训练所述语言模型的第二样本数据集，其中，所述第二样本数据集中的每个样本数据包括由源语言文本和目标语言文本组成的样本对以及相应的样本对标签；对所述第二样本数据集中的每个样本数据，执行下述操作：步骤S602、将该样本数据中的源语言文本和目标语言文本输入所述语言模型，以获取该样本数据对应的样本对预测结果；步骤S603、基于所述样本对预测结果和该样本数据对应的样本对标签，调整所述语言模型的参数。

其中，第二样本数据集可以是重新获取的样本数据集，其中每个样本数据都包括源语言文本和目标语言文本以及相应的样本对标签，其中，该样本对标签用于指示目标语言文本相对于源语言文本是否存在特定翻译错误。

在一些实施例中，第二样本数据集也可以直接应用上述第一样本数据集。也即，第二样本数据集的每个样本数据分别对应第一样本数据集中的每个样本对，并且，每个样本数据的样本对标签用于指示目标语言文本相对于源语言文本是否存在特定翻译错误。

图7示例性的示出了对语言模型进行基于分类任务的微调的示意图。

在一个示例性实施例中，如图7所示，一个样本数据包括源语言文本“I have noluggage.”以及目标语言文本“我没有行李。”通过将上述文本进行拼接，并将其每个分词对应的分词编码输入到经过上述训练的语言模型中，从而获取到相应的预测结果，其中包括基于占位符“[CLS]”对应的输出编码获取的分类预测结果以及其余分词对应的输出编码（图中未示出）。

基于上述分类预测结果以及该样本数据对应的样本对标签，可以构建损失函数（例如二分类损失函数），并基于该损失函数对该语言模型进行二次训练，从而到达对模型参数进行微调的效果。

由此，通过对经过预训练的语言模型进一步地进行基于分类任务的二次训练，对模型参数进行微调，从而进一步提升漏译（或多译）问题检测的准确率，优化模型效果；同时，相比于直接进行基于分类任务的训练，先对模型进行预训练，再进行二次训练微调模型参数，所需样本量更小，模型训练效率更高，效果更好。

在一些实施例中，如图8所示，还提供了一种计算机执行的目标翻译错误的检测方法，包括：步骤S801、获取源语言文本和待检测的目标语言文本；步骤S802、将源语言文本和待检测的目标语言文本输入检测模型，以确定待检测的目标语言文本是否存在目标翻译错误，其中，检测模型基于本公开的语言模型训练方法训练获得。

其中，目标翻译错误至少可以包括漏译错误或多译错误。

在一些实施例中，如图9所示，还提供了一种机器翻译模型的训练方法，其中，机器翻译模型包括编码网络和解码网络，所述方法包括：步骤S901、获取用于训练机器翻译模型的样本数据集；步骤S902、基于预训练的语言模型的至少一个参数，初始化编码网络的至少一个参数和解码网络的至少一个参数，其中，预训练的语言模型基于本公开的语言模型训练方法训练获得；步骤S903、基于样本数据集，训练机器翻译模型。

由于应用本公开的语言模型训练方法训练的模型在具备区分正负样本的能力的同时，其对语句的编码表达也得到了进一步的优化，因此可以应用该模型的参数初始化机器翻译模型的参数，从而提升机器翻译模型的训练效率以及训练效率。

在一些实施例中，如图10所示，还提供了一种语言模型的训练装置1000，包括：第一获取单元1010，被配置为获取第一样本数据集，其中，第一样本数据集包括多个样本数据，多个样本数据中的每个样本数据包括第一样本对和基于第一样本对生成的至少一个第二样本对，第一样本对包括第一源语言文本和与第一源语言文本相对应的第一目标语言文本，至少一个第二样本对中的每个第二样本对包括相应的第二源语言文本和第二目标语言文本，并且每个第二样本对分别通过对第一样本对中的第一源语言文本或第一目标语言文本进行不同的改变获取；执行单元1020，被配置为基于第一样本数据集中的多个样本数据，执行下述子单元的操作：预测子单元1021，被配置为基于语言模型，对多个样本数据中的每个样本数据中的每个样本对进行掩码预测，以获取相应于该样本对的预测结果；第一计算子单元1022，被配置为基于多个样本数据中的每个样本数据中的每个样本对相应的预测结果，计算掩码预测损失函数和对比学习损失函数；第二计算子单元1023，被配置为基于掩码预测损失函数和对比学习损失函数，计算综合损失函数；以及调整子单元1024，被配置为基于综合损失函数调整语言模型的至少一个参数。

其中，语言模型的训练装置1000中的单元1010、单元1020以及子单元1021~1024的操作与上述语言模型的训练方法中的步骤S201~步骤S205的操作类似，在此不做赘述。

在一些实施例中，如图11所示，还提供了一种计算机执行的目标翻译错误的检测装置1100，包括：第二获取单元1110，被配置为获取源语言文本和待检测的目标语言文本；输入单元1120，被配置为将源语言文本和待检测的目标语言文本输入检测模型，以确定待检测的目标语言文本是否存在目标翻译错误，其中，检测模型基于本公开的语言模型训练方法训练获得。

其中，计算机执行的目标翻译错误的检测装置1100中的单元1110、单元1120的操作与上述计算机执行的目标翻译错误的检测方法中的步骤S801~步骤S802的操作类似，在此不做赘述。

在一些实施例中，如图12所示，还提供了一种机器翻译模型的训练装置1200，其中，机器翻译模型包括编码网络和解码网络，装置1200包括：第三获取单元1210，被配置为获取用于训练机器翻译模型的样本数据集；初始化单元1220，被配置为基于预训练的语言模型的至少一个参数，初始化编码网络的至少一个参数和解码网络的至少一个参数，其中，预训练的语言模型基于本公开的语言模型训练方法训练获得；训练单元1230，被配置为基于样本数据集，训练机器翻译模型。

其中，机器翻译模型的训练装置1200中的单元1210~单元1230的操作与上述机器翻译模型的训练方法中的步骤S901~步骤S903的操作类似，在此不做赘述。

根据本公开的实施例，还提供了一种电子设备和一种可读存储介质。

参考图13，现将描述可以作为本公开的服务器或客户端的电子设备1300的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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13所示，电子设备1300包括计算单元1301，其可以根据存储在只读存储器（ROM）1302中的计算机程序或者从存储单元1308加载到随机访问存储器（RAM）1303中的计算机程序，来执行各种适当的动作和处理。在RAM 1303中，还可存储电子设备1300操作所需的各种程序和数据。计算单元1301、ROM 1302以及RAM 1303通过总线1304彼此相连。输入/输出（I/O）接口1305也连接至总线1304。

电子设备1300中的多个部件连接至I/O接口1305，包括：输入单元1306、输出单元1307、存储单元1308以及通信单元1309。输入单元1306可以是能向电子设备1300输入信息的任何类型的设备，输入单元1306可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元1307可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元1308可以包括但不限于磁盘、光盘。通信单元1309允许电子设备1300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，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元1301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1301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1301执行上文所描述的各个方法和处理，例如语言模型训练方法、计算机执行的目标翻译错误的检测方法或机器翻译模型的训练方法。例如，在一些实施例中，语言模型训练方法、计算机执行的目标翻译错误的检测方法或机器翻译模型的训练方法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1308。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1302和/或通信单元1309而被载入和/或安装到电子设备1300上。当计算机程序加载到RAM 1303并由计算单元1301执行时，可以执行上文描述的语言模型训练方法、计算机执行的目标翻译错误的检测方法或机器翻译模型的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元1301可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行语言模型训练方法、计算机执行的目标翻译错误的检测方法或机器翻译模型的训练方法。

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）、复杂可编程逻辑设备（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。服务器可以是云服务器，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。

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，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，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。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (15)

1.一种语言模型的训练方法，其特征在于，所述方法包括：

获取第一样本数据集，其中，所述第一样本数据集包括多个样本数据，所述多个样本数据中的每个样本数据包括第一样本对和基于所述第一样本对生成的至少一个第二样本对，所述第一样本对包括第一源语言文本和与所述第一源语言文本相对应的第一目标语言文本，所述至少一个第二样本对中的每个第二样本对包括相应的第二源语言文本和第二目标语言文本，并且所述每个第二样本对分别通过对所述第一样本对中的第一源语言文本或第一目标语言文本进行不同的改变获取；

基于所述第一样本数据集中的多个样本数据，执行下述训练过程：

基于所述语言模型，对所述多个样本数据中的每个样本数据中的每个样本对进行掩码预测，以获取相应于该样本对的预测结果；

基于所述多个样本数据中的每个样本数据中的每个样本对相应的预测结果，计算掩码预测损失函数和对比学习损失函数；

基于所述掩码预测损失函数和所述对比学习损失函数，计算综合损失函数；以及

基于所述综合损失函数调整所述语言模型的至少一个参数。

2.根据权利要求1所述的训练方法，其中，所述基于所述掩码预测损失函数和所述对比学习损失函数，计算综合损失函数包括：

基于所述掩码预测损失函数对应的第一权重、所述对比学习损失函数对应的第二权重、所述掩码预测损失函数和所述对比学习损失函数，计算所述综合损失函数。

3.根据权利要求2所述的训练方法，其中，所述第一样本数据集包括多个样本数据子集，所述多个样本数据子集中的每个样本数据子集包括多个样本数据，所述方法还包括：

依次基于所述多个样本数据子集中的每个样本数据子集，分别执行所述训练过程，并且其中，

所述计算所述综合损失函数包括：

根据当前训练过程所应用的样本数据子集在所述多个样本数据子集中的次序，调整所述第一权重和所述第二权重，其中，调整后的第一权重与调整后的第二权重的总和等于调整前的所述第一权重和所述第二权重的总和；以及

基于调整后的第一权重、调整后的第二权重、所述掩码预测损失函数和所述对比学习损失函数，计算当前训练过程相应的综合损失函数。

4.根据权利要求1-3中任一项所述的训练方法，其中，所述获取第一样本数据集包括：

获取多个原始样本对，以作为所述第一样本数据集中的多个样本数据相应的多个第一样本对；

获取所述多个第一样本对中的每个第一样本对对应的至少一个第二样本对，其中，所述至少一个第二样本对通过执行下述操作中的至少一项获取：

随机删除该第一样本对中的第一目标语言文本对应的多个分词中的至少一个分词，以获取该第一样本对对应的一个第二样本对中的第二目标语言文本，并且，该第二样本对中的第二源语言文本与该第一样本对中的第一源语言文本相同；

响应于该第一样本对中的第一目标语言文本包括多个子句，随机删除所述多个子句中的至少一个子句，以获取该第一样本对对应的一个第二样本对中的第二目标语言文本，并且，该第二样本对中的第二源语言文本与该第一样本对中的第一源语言文本相同；以及

在该第一样本对中的第一源语言文本中的多个分词之间随机插入至少一个第一插入词，以获取该第一样本对对应的一个第二样本对中的第二源语言文本，并且，该第二样本对中的第二目标语言文本与该第一样本对中的第一目标语言文本相同。

5.根据权利要求4所述的训练方法，其中，所述在该第一样本对中的第一源语言文本中的多个分词之间随机插入至少一个第一插入词包括：

在该第一样本对中的第一源语言文本中的多个分词中的相邻分词之间插入至少一个第三掩码标签；

通过将插入所述至少一个第三掩码标签后的第一源语言文本输入预训练掩码语言模型，获取所述至少一个第三掩码标签对应的所述至少一个第一插入词，以获取该第一样本对对应的一个第二样本对中的第二源语言文本。

6.根据权利要求1-3中任一项所述的训练方法，其中，所述获取第一样本数据集包括：

获取多个原始样本对，以作为所述第一样本数据集中的多个样本数据相应的多个第一样本对；

获取所述多个第一样本对中的每个第一样本对对应的至少一个第二样本对，其中，所述至少一个第二样本对通过执行下述操作中的至少一项获取：

随机删除该第一样本对中的第一源语言文本对应的多个分词中的至少一个分词，以获取该第一样本对对应的一个第二样本对中的第二源语言文本，并且，该第二样本对中的第二目标语言文本与该第一样本对中的第一目标语言文本相同；

响应于该第一样本对中的第一源语言文本包括多个子句，随机删除所述多个子句中的至少一个子句，以获取该第一样本对对应的一个第二样本对中的第二源语言文本，并且，该第二样本对中的第二目标语言文本与该第一样本对中的第一目标语言文本相同；以及

在该第一样本对中的第一目标语言文本中的多个分词之间随机插入至少一个第二插入词，以获取该第一样本对对应的一个第二样本对中的第二目标语言文本，并且，该第二样本对中的第二源语言文本与该第一样本对中的第一源语言文本相同。

7.根据权利要求6所述的训练方法，其中，所述在该第一样本对中的第一目标语言文本中的多个分词之间随机插入至少一个第二插入词包括：

在该第一样本对中的第一目标语言文本中的多个分词中的相邻分词之间插入至少一个第四掩码标签；

通过将插入所述至少一个第四掩码标签后的第一目标语言文本输入预训练掩码语言模型，获取所述至少一个第四掩码标签对应的所述至少一个第二插入词，以获取该第一样本对对应的一个第二样本对中的第二目标语言文本。

8.根据权利要求1-3中任一项所述的训练方法，应用所述第一样本数据集对所述语言模型训练后，还包括：

获取用于二次训练所述语言模型的第二样本数据集，其中，所述第二样本数据集中的每个样本数据包括由源语言文本和目标语言文本组成的样本对以及相应的样本对标签；

对所述第二样本数据集中的每个样本数据，执行下述操作：

将该样本数据中的源语言文本和目标语言文本输入所述语言模型，以获取该样本数据对应的样本对预测结果；

基于所述样本对预测结果和该样本数据对应的样本对标签，调整所述语言模型的参数。

9.一种计算机执行的目标翻译错误的检测方法，其特征在于，所述方法包括：

获取源语言文本和待检测的目标语言文本；

将所述源语言文本和所述待检测的目标语言文本输入检测模型，以确定所述待检测的目标语言文本是否存在所述目标翻译错误，其中，所述检测模型基于权利要求1-8中任一项所述的方法训练获得。

10.一种机器翻译模型的训练方法，其中，所述机器翻译模型包括编码网络和解码网络，其特征在于，所述方法包括：

获取用于训练所述机器翻译模型的样本数据集；

基于预训练的语言模型的至少一个参数，初始化所述编码网络的至少一个参数和所述解码网络的至少一个参数，其中，所述预训练的语言模型基于权利要求1-7中任一项所述的方法训练获得；

基于所述样本数据集，训练所述机器翻译模型。

11.一种语言模型的训练装置，其特征在于，所述装置包括：

第一获取单元，被配置为获取第一样本数据集，其中，所述第一样本数据集包括多个样本数据，所述多个样本数据中的每个样本数据包括第一样本对和基于所述第一样本对生成的至少一个第二样本对，所述第一样本对包括第一源语言文本和与所述第一源语言文本相对应的第一目标语言文本，所述至少一个第二样本对中的每个第二样本对包括相应的第二源语言文本和第二目标语言文本，并且所述每个第二样本对分别通过对所述第一样本对中的第一源语言文本或第一目标语言文本进行不同的改变获取；

执行单元，被配置为基于所述第一样本数据集中的多个样本数据，执行下述子单元的操作：

预测子单元，被配置为基于所述语言模型，对所述多个样本数据中的每个样本数据中的每个样本对进行掩码预测，以获取相应于该样本对的预测结果；

第一计算子单元，被配置为基于所述多个样本数据中的每个样本数据中的每个样本对相应的预测结果，计算掩码预测损失函数和对比学习损失函数；

第二计算子单元，被配置为基于所述掩码预测损失函数和所述对比学习损失函数，计算综合损失函数；以及

调整子单元，被配置为基于所述综合损失函数调整所述语言模型的至少一个参数。

12.一种计算机执行的目标翻译错误的检测装置，其特征在于，所述装置包括：

第二获取单元，被配置为获取源语言文本和待检测的目标语言文本；

输入单元，被配置为将所述源语言文本和所述待检测的目标语言文本输入检测模型，以确定所述待检测的目标语言文本是否存在所述目标翻译错误，其中，所述检测模型基于权利要求1-8中任一项所述的方法训练获得。

13.一种机器翻译模型的训练装置，其中，所述机器翻译模型包括编码网络和解码网络，其特征在于，所述装置包括：

第三获取单元，被配置为获取用于训练所述机器翻译模型的样本数据集；

初始化单元，被配置为基于预训练的语言模型的至少一个参数，初始化所述编码网络的至少一个参数和所述解码网络的至少一个参数，其中，所述预训练的语言模型基于权利要求1-7中任一项所述的方法训练获得；

训练单元，被配置为基于所述样本数据集，训练所述机器翻译模型。

14. 一种电子设备，其特征在于，所述电子设备包括：

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1-10中任一项所述的方法。

15.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行根据权利要求1-10中任一项所述的方法。

Images