CN114841175A - 机器翻译方法、装置、设备及存储介质 - Google Patents
机器翻译方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114841175A CN114841175A CN202210431485.4A CN202210431485A CN114841175A CN 114841175 A CN114841175 A CN 114841175A CN 202210431485 A CN202210431485 A CN 202210431485A CN 114841175 A CN114841175 A CN 114841175A
- Authority
- CN
- China
- Prior art keywords
- text
- intervention
- translation
- term vocabulary
- translated
- 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.)
- Pending
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
- G06F40/42—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Machine Translation (AREA)
Abstract
本公开提供了一种机器翻译方法、装置、设备及存储介质,涉及深度学习和自然语言处理等人工智能技术领域。该方法包括:获取待翻译源文本;利用干预符号生成待翻译源文本对应的干预文本,其中,干预文本包括术语词汇部分和其它文本部分;对干预文本进行翻译,得到干预文本的第一翻译结果,其中,第一翻译结果包括其他文本部分的翻译结果以及术语词汇部分;基于第一翻译结果和术语词汇部分的预设翻译内容,生成待翻译源文本的目标翻译文本。本公开提供的机器翻译方法提高了机器翻译的翻译效率和翻译质量。
Description
技术领域
本公开涉及人工智能技术领域,具体涉及深度学习、自然语言处理等领域,尤其涉及机器翻译方法、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(源语言)转换为另一种自然语言(目标语言)的过程。目前,随着人工智能、自然语言处理等技术的发展,机器翻译在同传、外语教学等场景中得到了广泛的应用。例如,在同传场景下,机器翻译技术可将说话者的语言类型转换为不同语言类型,从而方便人们交流。
发明内容
本公开提供了一种机器翻译方法、装置、设备及存储介质。
根据本公开的第一方面,提供了一种机器翻译方法,包括:获取待翻译源文本;利用干预符号生成待翻译源文本对应的干预文本,其中,干预文本包括术语词汇部分和其它文本部分;对干预文本进行翻译,得到干预文本的第一翻译结果,其中,第一翻译结果包括其他文本部分的翻译结果以及术语词汇部分;基于第一翻译结果和术语词汇部分的预设翻译内容,生成待翻译源文本的目标翻译文本。
根据本公开的第二方面,提供了一种机器翻译装置,包括:获取模块,被配置成获取待翻译源文本;第一生成模块,被配置成利用干预符号生成待翻译源文本对应的干预文本,其中,干预文本包括术语词汇部分和其它文本部分;翻译模块,被配置成对干预文本进行翻译,得到干预文本的第一翻译结果,其中,第一翻译结果包括其他文本部分的翻译结果以及术语词汇部分;第二生成模块,被配置成基于第一翻译结果和术语词汇部分的预设翻译内容,生成待翻译源文本的目标翻译文本。
根据本公开的第三方面,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如第一方面中任一实现方式描述的方法。
根据本公开的第四方面,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,计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。
根据本公开的第五方面,提供了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现如第一方面中任一实现方式描述的方法。
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
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是本公开可以应用于其中的示例性系统架构图;
图2是根据本公开的机器翻译方法的一个实施例的流程图;
图3是根据本公开的机器翻译方法的一个应用场景的示意图;
图4是根据本公开的机器翻译方法的另一个实施例的流程图;
图5是根据本公开的机器翻译方法的又一个实施例的流程图;
图6是根据本公开的机器翻译装置的一个实施例的结构示意图;
图7是用来实现本公开实施例的机器翻译方法的电子设备的框图。
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和精神。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。
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机器翻译方法或机器翻译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,以接收或发送信息等。终端设备101、102、103上可以安装有各种客户端应用。
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,可以是各种电子设备,包括但不限于智能手机、平板电脑、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,可以安装在上述电子设备中。其可以实现成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105可以提供各种服务。例如,服务器105可以对从终端设备101、102、103获取的待翻译源文本进行分析和处理,并生成处理结果(例如目标翻译文本)。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105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105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),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本公开实施例所提供的机器翻译方法一般由服务器105执行,相应地,机器翻译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,其示出了根据本公开的机器翻译方法的一个实施例的流程200。该机器翻译方法包括以下步骤:
步骤201,获取待翻译源文本。
在本实施例中,机器翻译方法的执行主体(例如图1所示的服务器105)可以获取待翻译源文本,其中,待翻译源文本为需要翻译的文本。在机器翻译中,源语言是指被翻译的语言,源文本(即源语言文本)是指被翻译语言的文本。在本实施例中,会将源文本翻译成目标文本,目标文本即经过翻译得到的目标语言的文本。在实际应用中,源文本一般为英语文本,目标文本一般为汉语文本,当然,源文本与目标文本还可以为其他语言的文本,可以根据实际需要进行设定,本实施例中对此不做具体限定。
步骤202,利用干预符号生成待翻译源文本对应的干预文本。
在本实施例中,上述执行主体利用干预符号生成待翻译源文本对应的干预文本,其中,干预符号为预先定义的符号,干预文本包括术语词汇部分和其它文本部分。也即本实施例中上述执行主体会将待翻译源文本分为术语词汇部分和其他文本部分,并以干预符号对术语词汇部分进行标记,从而得到待翻译源文本对应的干预文本。例如,上述执行主体会先识别待翻译源文本中是否包含预先定义对术语词汇,若包含,则将术语词汇以干预符号进行包裹,从而得到干预文本,需要说明的是,待翻译源文本中除去术语词汇部分的其他文本被称为其他文本部分。
需要说明的是,由于专有名词和一些新词是随着时间的变化而迁移、出现的,因此不可能通过数据增强等方式来让模型学习到这些词汇对应的翻译。所以,本实施例中会预先定义多个术语词汇,术语词汇一般为专有名词和新词,还可以根据实际场景需要来定义术语词汇,例如小说中主角的名字等等。通过预先定义术语词汇以及对应的翻译,可以保证术语词汇的翻译结果的一致性。
步骤203,对干预文本进行翻译,得到干预文本的第一翻译结果。
在本实施例中,上述执行主体可以对干预文本进行翻译,从而得到干预文本的第一翻译结果,其中,第一翻译结果包括其他文本部分的翻译结果以及术语词汇部分。由于干预文本中包含干预符号包裹的术语词汇部分,所以上述执行主体在对干预文本进行翻译时,只会对干预文本中的其他文本部分进行翻译,而不会对干预符号包裹的术语词汇部分进行翻译,从而得到包含其他文本部分的翻译结果和干预符号包裹的术语词汇部分的第一翻译结果。
步骤204,基于第一翻译结果和术语词汇部分的预设翻译内容,生成待翻译源文本的目标翻译文本。
在本实施例中,上述执行主体可以基于第一翻译结果和预先定义的术语词汇部分的预设翻译内容来生成待翻译源文本对应的目标翻译文本。由于本实施例在对干预文本进行翻译时,是对干预文本中的其他文本部分进行翻译,而未对术语词汇部分进行处理,所以,第一翻译结果中包含其他文本部分的翻译结果和干预符号包裹的术语词汇部分。然后,上述执行主体可以获取预先定义的术语词汇部分的预设翻译内容,以该预设翻译内容替换第一翻译结果中的术语词汇部分,从而得到最终的翻译文本,即目标翻译文本,目标翻译文本中既包含了术语词汇部分的翻译结果,又包含了其他文本部分的翻译结果。
本公开实施例提供的机器翻译方法,首先获取待翻译源文本;然后,利用干预符号生成待翻译源文本对应的干预文本,其中,干预文本包括术语词汇部分和其它文本部分;之后,对干预文本进行翻译,得到干预文本的第一翻译结果,其中,第一翻译结果包括其他文本部分的翻译结果以及术语词汇部分;最后,基于第一翻译结果和术语词汇部分的预设翻译内容,生成待翻译源文本的目标翻译文本。本实施例中的机器翻译方法,该方法以干预符号将术语词汇进行包裹,在对干预文本的翻译过程中只对其他文本部分进行翻译,最后再基于术语词汇部分的预设翻译内容得到最终的目标翻译文本,从而保证了术语词汇的翻译结果的一致性,提高了翻译质量。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
继续参考图3,图3示出了根据本公开的机器翻译方法的一个应用场景的示意图。在该应用场景中,执行主体301先获取待翻译源文本302。然后,上述执行主体301利用干预符号将待翻译源文本302中的术语词汇进行标记,从而得到包含术语词汇部分和其他文本部分的干预文本303。之后,上述执行主体301会对干预文本303进行翻译,从而得到包含其他文本部分的翻译结果和术语词汇部分的第一翻译结果304。最后,上述执行主体会获取术语词汇部分的预设翻译内容,并基于第一翻译结果304和术语词汇部分的预设翻译内容,生成待翻译源文本的目标翻译文本305。
继续参考图4,图4示出了根据本公开的机器翻译方法的另一个实施例的流程400。该机器翻译方法包括以下步骤:
步骤401,获取待翻译源文本。
在本实施例中,机器翻译方法的执行主体(例如图1所示的服务器105)会先获取待翻译源文本。步骤401与前述实施例的步骤201基本一致,具体实现方式可以参考前述对步骤201的描述,此处不再赘述。
步骤402,对待翻译源文本进行文本识别,得到识别结果。
在本实施例中,上述执行主体会对待翻译源文本进行文本识别,从而得到识别结果。文字识别方法可采用现有技术实现,在此不再赘述。
步骤403,响应于识别结果中包含预先定义的术语词汇,将术语词汇以预设的干预符号进行标记,得到术语词汇部分。
在本实施例中,会预先定义多个术语词汇,上述执行主体会判断识别结果中是否包含预先定义的术语词汇,在识别结果中包含术语词汇的情况下,将术语词汇以预设的干预符号进行标记,从而得到术语词汇部分。
在本实施例的一些可选实施方式中,步骤403包括:响应于识别结果中包含预先定义的术语词汇,在术语词汇的起始位置处以第一干预符号进行标记,在术语词汇的结束位置处以第二干预符号进行标记,得到以第一干预符号和第二干预符号包裹的术语词汇部分。
在本实现方式中,上述执行主体在确定识别结果中包含预先定义的术语词汇的情况下,会在术语词汇的起始位置处以第一干预符号进行标记,并在术语词汇的结束位置处以第二干预符号进行标记,从而得到以第一干预符号和第二干预符号进行包裹的术语词汇部分,其中,第一干预符号可以表示为<B>,第二干预符号可以表示为<E>。
例如,假设待翻译源文本的第一个字符为术语词汇“CNN”,那么上述执行主体在确定“CNN”为预先定义的术语词汇的情况下,会在“CNN”的起始位置以第一干预符号进行标记,也即在字母“C”之前添加第一干预符号<B>,在字母“N”之后添加第二干预符号<E>,从而得到的以第一干预符号和第二干预符号包裹的术语词汇部分可表示为<B>CNN<E>。同时可选地,由于该术语词汇为待翻译源文本的第一个词语,那么该术语词汇在待翻译源文本中的索引值为0,所以进一步基于术语词汇的索引值来更准确地对其进行标记,也即可以将第一干预符号和第二干预符号表示为<B0>和<E0>,也即最后得到的以第一干预符号和第二干预符号包裹的术语词汇部分可表示为<B0>CNN<E0>。
步骤404,将待翻译源文本中除去术语词汇的其他文本记为其它文本部分,得到包含术语词汇部分和其他文本部分的干预文本。
在本实施例中,上述执行主体在将待翻译源文本中的术语词汇部分进行标记之后,会将待翻译源文本中除去术语词汇部分的其他文本记为其他文本部分,从而得到干预文本,也即干预文本中包括术语词汇部分和其他文本部分。
通过上述步骤,实现了用干预符号将术语词汇进行包裹,从而得到干预文本。
步骤405,将干预文本输入至预先训练的机器翻译模型,输出得到干预文本的第一翻译结果。
在本实施例中,上述执行主体将干预文本输入至预先训练的机器翻译模型,输出得到干预文本的第一翻译结果,其中,机器翻译模型包括嵌入层,嵌入层的扩展区域存储有第一干预符号和第二干预符。其中,机器翻译模型可以是在NMT(Neural MachineTranslation,神经机器翻译)模型的基础上进行训练得到的,NMT模型可以为现有的神经机器翻译模型。本实施例中,对现有的神经机器翻译模型进行扩展,并将第一干预符号和第二干预符号存储在机器翻译模型的嵌入层的扩展区域,从而可以得到本实施例中的机器翻译模型。在使用上述机器翻译模型对干预文本进行翻译时,只会对其他文本部分进行翻译(也即对没有干预符号标记的部分进行翻译),而对于干预符号包裹的部分则不会进行翻译。上述执行主体将干预文本输入至得到的机器翻译模型,便可以输出得到干预文本的第一翻译结果。
本实施例中的机器翻译模型其输入、模型结构与通用模型一致,所以可以基于线上扩展,而不需要重新训练和部署;且在新添加干预词汇时,不需要重新训练模型,从而提升了节省了时间成本。
步骤406,获取术语词汇部分的预设翻译内容。
在本实施例中,上述执行主体会从预先定义的术语词汇以及术语词汇对应的翻译集合中获取待翻译源文本中包含的术语词汇的预设翻译内容。
步骤407,以预设翻译内容替换第一翻译结果中的术语词汇部分,得到待翻译源文本的目标翻译文本。
在本实施例中,上述执行主体会用获取的预设翻译内容替换第一翻译结果中的术语词汇部分,从而得到待翻译源文本对应的目标翻译文本,从而保证了术语词汇的翻译结果的一致性。
从图4中可以看出,与图2对应的实施例相比,本实施例中的机器翻译方法,该方法突出了生成干预文本以及生成目标翻译文本的步骤,从而以干预符号将术语词汇进行包裹,得到对应的干预文本,在对干预文本进行翻译的过程中,不对干预符号包裹的术语词汇进行处理,最后以术语词汇的预设翻译内容替换干预文本的翻译结果中的术语词汇部分,从而保证了术语词汇的翻译结果的一致性,提升了翻译效率和质量。
继续参考图5,图5示出了根据本公开的机器翻译方法的又一个实施例的流程500。该机器翻译方法包括以下步骤:
步骤501,获取待翻译源文本。
步骤502,对待翻译源文本进行文本识别,得到识别结果。
步骤501-502与前述实施例的步骤401-402基本一致,具体实现方式可以参考前述对步骤401-402的描述,此处不再赘述。
步骤503,响应于识别结果中包含预先定义的术语词汇,在术语词汇的起始位置处以第一干预符号进行标记,在术语词汇的结束位置处以第二干预符号进行标记,得到以第一干预符号和第二干预符号包裹的术语词汇部分。
在本实施例中,机器翻译方法的执行主体(例如图1所示的服务器105)会在确定识别结果中包含预先定义的术语词汇的情况下,在术语词汇的起始位置处以第一干预符号进行标记,在术语词汇的结束位置处以第二干预符号进行标记,从而得到以第一干预符号和第二干预符号包裹的术语词汇部分。
步骤504,将待翻译源文本中除去术语词汇的其他文本记为其它文本部分,得到包含术语词汇部分和其他文本部分的干预文本。
步骤504与前述实施例的步骤404基本一致,具体实现方式可以参考前述对步骤404的描述,此处不再赘述。
步骤505,利用编码器对干预文本中的其它文本部分进行编码,得到其它文本部分对应的向量序列。
在本实施例中,机器翻译模型包括编码器(encoder)和解码器(decoder),上述执行主体会利用机器翻译模型的编码器对干预文本中的其他文本部分进行编码,从而得到其他文本部分对应的向量序列。
在本实施例的一些可选实施方式中,步骤505包括:利用编码器对干预文本中的其它文本部分进行分词,得到分词结果;分别生成分词结果中各分词对应的特征向量;基于各分词对应的特征向量,生成其它文本部分对应的向量序列。
在本实现方式中,上述执行主体会利用机器翻译模型中的编码器对干预文本中对其他文本部分进行分词,从而得到对应的分词结果。然后分别生成分词结果中每个分词的特征向量。之后基于各个分词的特征向量来生成其他文本部分的向量序列。从而完成利用编码器对其他文本部分进行编码的过程。
步骤506,利用解码器对向量序列进行解码,得到其它文本部分的翻译结果。
在本实施例中,上述执行主体会利用解码器对步骤505生成的向量序列进行解码,从而得到其他文本部分的翻译结果。
步骤507,获取术语词汇部分的预设翻译内容。
步骤508,以预设翻译内容替换第一翻译结果中的术语词汇部分,得到待翻译源文本的目标翻译文本。
步骤507-508与前述实施例的步骤406-407基本一致,具体实现方式可以参考前述对步骤406-407的描述,此处不再赘述。
从图5中可以看出,与图4对应的实施例相比,本实施例中的机器翻译方法,该方法突出了利用编码器对干预文本进行编码以及利用解码器进行解码从而得到翻译结果的过程,从而提升了得到的翻译结果的准确性。
进一步参考图6,作为对上述各图所示方法的实现,本公开提供了一种机器翻译装置的一个实施例,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,本实施例的机器翻译装置600包括:获取模块601、第一生成模块602、翻译模块603和第二生成模块604。其中,获取模块601,被配置成获取待翻译源文本;第一生成模块602,被配置成利用干预符号生成待翻译源文本对应的干预文本,其中,干预文本包括术语词汇部分和其它文本部分;翻译模块603,被配置成对干预文本进行翻译,得到干预文本的第一翻译结果,其中,第一翻译结果包括其他文本部分的翻译结果以及术语词汇部;第二生成模块604,被配置成基于第一翻译结果和术语词汇部分的预设翻译内容,生成待翻译源文本的目标翻译文本。
在本实施例中,机器翻译装置600中:获取模块601、第一生成模块602、翻译模块603和第二生成模块604的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-204的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,第一生成模块包括:识别子模块,被配置成对待翻译源文本进行文本识别,得到识别结果;第一标记子模块,被配置成响应于识别结果中包含预先定义的术语词汇,将术语词汇以预设的干预符号进行标记,得到术语词汇部分;第二标记子模块,被配置成将待翻译源文本中除去术语词汇的其他文本记为其它文本部分。
在本实施例的一些可选的实现方式中,第一标记子模块被进一步配置成:在术语词汇的起始位置处以第一干预符号进行标记,在术语词汇的结束位置处以第二干预符号进行标记,得到以第一干预符号和第二干预符号包裹的术语词汇部分。
在本实施例的一些可选的实现方式中,翻译模块包括:翻译子模块,被配置成将干预文本输入至预先训练的机器翻译模型,输出得到干预文本的第一翻译结果,其中,机器翻译模型包括嵌入层,嵌入层的扩展区域存储有第一干预符号和第二干预符号。
在本实施例的一些可选的实现方式中,机器翻译模型还包括编码器和解码器;以及翻译子模块包括:编码单元,被配置成利用编码器对干预文本中的其它文本部分进行编码,得到其它文本部分对应的向量序列;解码单元,被配置成利用解码器对向量序列进行解码,得到其它文本部分的翻译结果。
在本实施例的一些可选的实现方式中,编码单元包括:分词子单元,被配置成利用编码器对干预文本中的其它文本部分进行分词,得到分词结果;第一生成子单元,被配置成分别生成分词结果中各分词对应的特征向量;第二生成子单元,被配置成基于各分词对应的特征向量,生成其它文本部分对应的向量序列。
在本实施例的一些可选的实现方式中,第二生成模块包括:获取子模块,被配置成获取术语词汇部分的预设翻译内容;替换子模块,被配置成以预设翻译内容替换第一翻译结果中的术语词汇部分,得到待翻译源文本的目标翻译文本。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
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,例如机器翻译方法。例如,在一些实施例中,机器翻译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机器翻译方法的一个或多个步骤。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)而被配置为执行机器翻译方法。
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)、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。
云计算(cloud computer),指的是通过网络接入弹性可扩展的共享物理或虚拟资源池,资源可以包括服务器、操作系统、网络、软件、应用或存储设备等,并可以以按需、自服务的方式对资源进行部署和管理的技术体系。通过云计算技术,可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。
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 (17)
1.一种机器翻译方法,包括:
获取待翻译源文本;
利用干预符号生成所述待翻译源文本对应的干预文本,其中,所述干预文本包括术语词汇部分和其它文本部分;
对所述干预文本进行翻译,得到所述干预文本的第一翻译结果,其中,所述第一翻译结果包括所述其他文本部分的翻译结果以及所述术语词汇部分;
基于所述第一翻译结果和所述术语词汇部分的预设翻译内容,生成所述待翻译源文本的目标翻译文本。
2.根据权利要求1所述的方法,其中,所述利用干预符号生成所述待翻译源文本对应的干预文本,包括:
对所述待翻译源文本进行文本识别,得到识别结果;
响应于所述识别结果中包含预先定义的术语词汇,将所述术语词汇以预设的干预符号进行标记,得到术语词汇部分;
将所述待翻译源文本中除去所述术语词汇的其他文本记为其它文本部分。
3.根据权利要求2所述的方法,其中,所述将所述术语词汇以预设的干预符号进行标记,得到术语词汇部分,包括:
在所述术语词汇的起始位置处以第一干预符号进行标记,在所述术语词汇的结束位置处以第二干预符号进行标记,得到以所述第一干预符号和所述第二干预符号包裹的术语词汇部分。
4.根据权利要求3所述的方法,其中,所述对所述干预文本进行翻译,得到所述干预文本的第一翻译结果,包括:
将所述干预文本输入至预先训练的机器翻译模型,输出得到所述干预文本的第一翻译结果,其中,所述机器翻译模型包括嵌入层,所述嵌入层的扩展区域存储有所述第一干预符号和所述第二干预符号。
5.根据权利要求4所述的方法,其中,所述机器翻译模型还包括编码器和解码器;以及
所述将所述干预文本输入至预先训练的机器翻译模型,输出得到所述干预文本的第一翻译结果,包括:
利用所述编码器对所述干预文本中的其它文本部分进行编码,得到所述其它文本部分对应的向量序列;
利用所述解码器对所述向量序列进行解码,得到所述其它文本部分的翻译结果。
6.根据权利要求5所述的方法,其中,所述利用所述编码器对所述干预文本中的其它文本部分进行编码,得到所述其它文本部分对应的向量序列,包括:
利用所述编码器对所述干预文本中的其它文本部分进行分词,得到分词结果;
分别生成所述分词结果中各分词对应的特征向量;
基于所述各分词对应的特征向量,生成所述其它文本部分对应的向量序列。
7.根据权利要求1-6中任一项所述的方法,其中,所述基于所述第一翻译结果和所述术语词汇部分的预设翻译内容,生成所述待翻译源文本的目标翻译文本,包括:
获取所述术语词汇部分的预设翻译内容;
以所述预设翻译内容替换所述第一翻译结果中的术语词汇部分,得到所述待翻译源文本的目标翻译文本。
8.一种机器翻译装置,包括:
获取模块,被配置成获取待翻译源文本;
第一生成模块,被配置成利用干预符号生成所述待翻译源文本对应的干预文本,其中,所述干预文本包括术语词汇部分和其它文本部分;
翻译模块,被配置成对所述干预文本进行翻译,得到所述干预文本的第一翻译结果,其中,所述第一翻译结果包括所述其他文本部分的翻译结果以及所述术语词汇部分;
第二生成模块,被配置成基于所述第一翻译结果和所述术语词汇部分的预设翻译内容,生成所述待翻译源文本的目标翻译文本。
9.根据权利要求8所述的装置,其中,所述第一生成模块包括:
识别子模块,被配置成对所述待翻译源文本进行文本识别,得到识别结果;
第一标记子模块,被配置成响应于所述识别结果中包含预先定义的术语词汇,将所述术语词汇以预设的干预符号进行标记,得到术语词汇部分;
第二标记子模块,被配置成将所述待翻译源文本中除去所述术语词汇的其他文本记为其它文本部分。
10.根据权利要求9所述的装置,其中,所述第一标记子模块被进一步配置成:
在所述术语词汇的起始位置处以第一干预符号进行标记,在所述术语词汇的结束位置处以第二干预符号进行标记,得到以所述第一干预符号和所述第二干预符号包裹的术语词汇部分。
11.根据权利要求10所述的装置,其中,所述翻译模块包括:
翻译子模块,被配置成将所述干预文本输入至预先训练的机器翻译模型,输出得到所述干预文本的第一翻译结果,其中,所述机器翻译模型包括嵌入层,所述嵌入层的扩展区域存储有所述第一干预符号和所述第二干预符号。
12.根据权利要求11所述的装置,其中,所述机器翻译模型还包括编码器和解码器;以及
所述翻译子模块包括:
编码单元,被配置成利用所述编码器对所述干预文本中的其它文本部分进行编码,得到所述其它文本部分对应的向量序列;
解码单元,被配置成利用所述解码器对所述向量序列进行解码,得到所述其它文本部分的翻译结果。
13.根据权利要求12所述的装置,其中,所述编码单元包括:
分词子单元,被配置成利用所述编码器对所述干预文本中的其它文本部分进行分词,得到分词结果;
第一生成子单元,被配置成分别生成所述分词结果中各分词对应的特征向量;
第二生成子单元,被配置成基于所述各分词对应的特征向量,生成所述其它文本部分对应的向量序列。
14.根据权利要求8-13中任一项所述的装置,其中,所述第二生成模块包括:
获取子模块,被配置成获取所述术语词汇部分的预设翻译内容;
替换子模块,被配置成以所述预设翻译内容替换所述第一翻译结果中的术语词汇部分,得到所述待翻译源文本的目标翻译文本。
15.一种电子设备,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1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
17.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210431485.4A CN114841175A (zh) | 2022-04-22 | 2022-04-22 | 机器翻译方法、装置、设备及存储介质 |
US18/096,297 US20230153550A1 (en) | 2022-04-22 | 2023-01-12 | Machine Translation Method and Apparatus, Device and Storage Medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210431485.4A CN114841175A (zh) | 2022-04-22 | 2022-04-22 | 机器翻译方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114841175A true CN114841175A (zh) | 2022-08-02 |
Family
ID=82565468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210431485.4A Pending CN114841175A (zh) | 2022-04-22 | 2022-04-22 | 机器翻译方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20230153550A1 (zh) |
CN (1) | CN114841175A (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117236347B (zh) * | 2023-11-10 | 2024-03-05 | 腾讯科技(深圳)有限公司 | 交互文本翻译的方法、交互文本的显示方法和相关装置 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08329089A (ja) * | 1995-05-31 | 1996-12-13 | Oki Software Kansai:Kk | 機械翻訳方法および装置 |
EP0798652A2 (en) * | 1996-03-27 | 1997-10-01 | Hitachi Business International, Ltd. | Document composition supporting method and system, and electronic dictionary for terminology |
CN103488628A (zh) * | 2013-09-09 | 2014-01-01 | 武汉传神信息技术有限公司 | 对大文本中术语自动翻译的方法 |
CN104298662A (zh) * | 2014-04-29 | 2015-01-21 | 中国专利信息中心 | 一种基于有机物命名实体的机器翻译方法及翻译系统 |
CN104598530A (zh) * | 2014-12-26 | 2015-05-06 | 语联网(武汉)信息技术有限公司 | 一种领域术语抽取的方法 |
US20190156817A1 (en) * | 2017-11-22 | 2019-05-23 | Baidu Usa Llc | Slim embedding layers for recurrent neural language models |
CN110263353A (zh) * | 2019-06-25 | 2019-09-20 | 北京金山数字娱乐科技有限公司 | 一种机器翻译方法及装置 |
CN110543644A (zh) * | 2019-09-04 | 2019-12-06 | 语联网(武汉)信息技术有限公司 | 包含术语翻译的机器翻译方法、装置与电子设备 |
CN111178094A (zh) * | 2019-12-20 | 2020-05-19 | 沈阳雅译网络技术有限公司 | 一种基于预训练的稀缺资源神经机器翻译训练方法 |
CN111652006A (zh) * | 2020-06-09 | 2020-09-11 | 北京中科凡语科技有限公司 | 一种计算机辅助翻译方法及装置 |
CN113935339A (zh) * | 2021-08-31 | 2022-01-14 | 北京百度网讯科技有限公司 | 翻译方法、装置、电子设备及存储介质 |
CN113947094A (zh) * | 2021-09-29 | 2022-01-18 | 甲骨易(北京)语言科技股份有限公司 | 辅助翻译方法 |
CN114267325A (zh) * | 2021-12-30 | 2022-04-01 | 思必驰科技股份有限公司 | 语音合成模型的训练方法、系统、电子设备和存储介质 |
CN114462385A (zh) * | 2021-07-13 | 2022-05-10 | 北京金山数字娱乐科技有限公司 | 一种文本分段方法及装置 |
-
2022
- 2022-04-22 CN CN202210431485.4A patent/CN114841175A/zh active Pending
-
2023
- 2023-01-12 US US18/096,297 patent/US20230153550A1/en not_active Abandoned
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08329089A (ja) * | 1995-05-31 | 1996-12-13 | Oki Software Kansai:Kk | 機械翻訳方法および装置 |
EP0798652A2 (en) * | 1996-03-27 | 1997-10-01 | Hitachi Business International, Ltd. | Document composition supporting method and system, and electronic dictionary for terminology |
CN103488628A (zh) * | 2013-09-09 | 2014-01-01 | 武汉传神信息技术有限公司 | 对大文本中术语自动翻译的方法 |
CN104298662A (zh) * | 2014-04-29 | 2015-01-21 | 中国专利信息中心 | 一种基于有机物命名实体的机器翻译方法及翻译系统 |
CN104598530A (zh) * | 2014-12-26 | 2015-05-06 | 语联网(武汉)信息技术有限公司 | 一种领域术语抽取的方法 |
US20190156817A1 (en) * | 2017-11-22 | 2019-05-23 | Baidu Usa Llc | Slim embedding layers for recurrent neural language models |
CN110263353A (zh) * | 2019-06-25 | 2019-09-20 | 北京金山数字娱乐科技有限公司 | 一种机器翻译方法及装置 |
CN110543644A (zh) * | 2019-09-04 | 2019-12-06 | 语联网(武汉)信息技术有限公司 | 包含术语翻译的机器翻译方法、装置与电子设备 |
CN111178094A (zh) * | 2019-12-20 | 2020-05-19 | 沈阳雅译网络技术有限公司 | 一种基于预训练的稀缺资源神经机器翻译训练方法 |
CN111652006A (zh) * | 2020-06-09 | 2020-09-11 | 北京中科凡语科技有限公司 | 一种计算机辅助翻译方法及装置 |
CN114462385A (zh) * | 2021-07-13 | 2022-05-10 | 北京金山数字娱乐科技有限公司 | 一种文本分段方法及装置 |
CN113935339A (zh) * | 2021-08-31 | 2022-01-14 | 北京百度网讯科技有限公司 | 翻译方法、装置、电子设备及存储介质 |
CN113947094A (zh) * | 2021-09-29 | 2022-01-18 | 甲骨易(北京)语言科技股份有限公司 | 辅助翻译方法 |
CN114267325A (zh) * | 2021-12-30 | 2022-04-01 | 思必驰科技股份有限公司 | 语音合成模型的训练方法、系统、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US20230153550A1 (en) | 2023-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210397780A1 (en) | Method, device, and storage medium for correcting error in text | |
KR102589637B1 (ko) | 기계 번역 방법 및 장치 | |
CN113590858B (zh) | 目标对象的生成方法、装置、电子设备以及存储介质 | |
JP7346788B2 (ja) | 音声認識モデルのトレーニング方法、装置、機器、および記憶媒体 | |
CN112232062A (zh) | 文本纠错方法、装置、电子设备和存储介质 | |
CN112926306B (zh) | 文本纠错方法、装置、设备以及存储介质 | |
CN108415939B (zh) | 基于人工智能的对话处理方法、装置、设备及计算机可读存储介质 | |
CN113408272A (zh) | 摘要生成模型的训练方法、装置、设备和存储介质 | |
CN112560846B (zh) | 纠错语料的生成方法、装置及电子设备 | |
CN115640520B (zh) | 跨语言跨模态模型的预训练方法、设备和存储介质 | |
CN114724168A (zh) | 深度学习模型的训练方法、文本识别方法、装置和设备 | |
CN111027333B (zh) | 篇章翻译方法和装置 | |
CN113743101B (zh) | 文本纠错方法、装置、电子设备和计算机存储介质 | |
US20230153550A1 (en) | Machine Translation Method and Apparatus, Device and Storage Medium | |
CN113468857A (zh) | 风格转换模型的训练方法、装置、电子设备以及存储介质 | |
CN113408303B (zh) | 翻译模型的训练与翻译方法、装置 | |
CN114429106B (zh) | 页面信息处理方法、装置、电子设备和存储介质 | |
CN115357710A (zh) | 表格描述文本生成模型的训练方法、装置及电子设备 | |
CN114282551B (zh) | 翻译方法、装置、电子设备及存储介质 | |
CN115565186A (zh) | 文字识别模型的训练方法、装置、电子设备和存储介质 | |
CN113553413A (zh) | 对话状态的生成方法、装置、电子设备和存储介质 | |
CN113204616A (zh) | 文本抽取模型的训练与文本抽取的方法、装置 | |
CN112651449A (zh) | 确定视频的内容特征的方法、装置、电子设备及存储介质 | |
CN114282552B (zh) | 非自回归翻译模型的训练方法及其装置 | |
CN113553863B (zh) | 文本生成方法、装置、电子设备和存储介质 |
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 |