CN114936566A - 机器翻译方法、装置、设备和存储介质 - Google Patents
机器翻译方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN114936566A CN114936566A CN202210465501.1A CN202210465501A CN114936566A CN 114936566 A CN114936566 A CN 114936566A CN 202210465501 A CN202210465501 A CN 202210465501A CN 114936566 A CN114936566 A CN 114936566A
- Authority
- CN
- China
- Prior art keywords
- translation
- text
- source language
- language text
- missing
- 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
- 238000013519 translation Methods 0.000 title claims abstract description 163
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000001514 detection method Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims 2
- 230000000694 effects Effects 0.000 abstract description 14
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000003058 natural language processing Methods 0.000 abstract description 2
- 230000014616 translation Effects 0.000 description 133
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 10
- 230000007246 mechanism Effects 0.000 description 8
- 241001122767 Theaceae Species 0.000 description 7
- 230000007547 defect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000035622 drinking Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005242 forging Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 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
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F40/47—Machine-assisted translation, e.g. using translation memory
-
- 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
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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
- G06F40/51—Translation evaluation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (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、设备和存储介质，涉及计算机技术领域，具体涉及自然语言处理、深度学习等人工智能领域。机器翻译方法包括：采用初始的NMT模型，对源语言文本进行第一次翻译，以获得第一目标语言文本；基于所述源语言文本和所述第一目标语言文本，识别所述源语言文本中的漏译部分；增大所述初始的NMT模型中的所述漏译部分对应的注意力权重，以获得调整后的NMT模型；采用所述调整后的NMT模型，对所述源语言文本进行第二次翻译，以获得第二目标语言文本。本公开可以提高机器翻译效果。
Description
技术领域
本公开涉及计算机技术领域，具体涉及自然语言处理、深度学习等人工智能领域，尤其涉及一种机器翻译方法、装置、设备和存储介质。
背景技术
机器翻译(Machine Translation，MT)是指将源语言文本转换为目标语言文本。机器翻译可以分为神经网络机器翻译(Neural Machine Translation，NMT)和统计机器翻译(Statistical Machine Translation，SMT)。NMT一般基于注意力(attention)机制进行翻译。
由于注意力机制的局限性，NMT容易造成漏译，影响翻译效果。
发明内容
本公开提供了一种机器翻译方法、装置、设备和存储介质。
根据本公开的一方面，提供了一种机器翻译方法，包括：采用初始的NMT模型，对源语言文本进行第一次翻译，以获得第一目标语言文本；基于所述源语言文本和所述第一目标语言文本，识别所述源语言文本中的漏译部分；增大所述初始的NMT模型中的所述漏译部分对应的注意力权重，以获得调整后的NMT模型；采用所述调整后的NMT模型，对所述源语言文本进行第二次翻译，以获得第二目标语言文本。
根据本公开的另一方面，提供了一种机器翻译装置，包括：第一翻译模块，用于采用初始的NMT模型，对源语言文本进行第一次翻译，以获得第一目标语言文本；识别模块，用于基于所述源语言文本和所述第一目标语言文本，识别所述源语言文本中的漏译部分；调整模块，用于增大所述初始的NMT模型中的所述漏译部分对应的注意力权重，以获得调整后的NMT模型；第二翻译模块，用于采用所述调整后的NMT模型，对所述源语言文本进行第二次翻译，以获得第二目标语言文本。
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如上述任一方面的任一项所述的方法。
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，所述计算机指令用于使所述计算机执行根据上述任一方面的任一项所述的方法。
根据本公开的另一方面，提供了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上述任一方面的任一项所述的方法。
根据本公开的技术方案，可以提高机器翻译效果。
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是根据本公开第一实施例的示意图；
图2是用来实现本公开实施例的机器翻译方法的应用场景的示意图；
图3是根据本公开第二实施例的示意图；
图4是本公开实施例中漏译检测模型的示意图；
图5是本公开实施例中漏译检测模型的训练数据的扩充过程示意图；
图6是本公开实施例中NMT模型的调整前后的注意力权重的示意图；
图7是根据本公开第三实施例的示意图；
图8是用来实现本公开实施例的机器翻译方法的电子设备的示意图。
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。
基于注意力机制的NMT模型，不是逐字翻译，而是输入整个句子之后通过模型进行理解后翻译，因此，可以会由于模型注意力机制的缺陷，导致部分内容的漏译，尤其对于长句子更为明显。
为了提高机器翻译效果，本公开提供如下实施例。
图1是根据本公开第一实施例的示意图。本实施例提供一种机器翻译方法，包括：
101、采用初始的NMT模型，对源语言文本进行第一次翻译，以获得第一目标语言文本。
102、基于所述源语言文本和所述第一目标语言文本，识别所述源语言文本中的漏译部分。
103、增大所述初始的NMT模型中的所述漏译部分对应的注意力权重，以获得调整后的NMT模型。
104、采用所述调整后的NMT模型，对所述源语言文本进行第二次翻译，以获得第二目标语言文本。
本实施例中，整体上，采用漏译检测+重新翻译结构，从而降低漏译现象，提高机器翻译效果。
第一目标语言文本，是指第一次翻译后获得的翻译结果；第二目标语言文本，是指第二次翻译(即重新翻译)后获得的翻译结果。
源语言文本中的漏译部分可以以文本单元为单位，即，可以识别出源语言文本中漏译的文本单元。
以文本为中文文本为例，中文文本的文本单元可以是词。相应地，源语言文本的漏译部分是指源语言文本中漏译的词。
NMT模型大多采用注意力机制，具体地，NMT模型中可以包括注意力层，注意力层可以确定文本中的各个文本单元的注意力权重，基于注意力权重对各个文本单元对应的特征进行加权运算。注意力机制的具体内容可以采用相关技术实现。
在翻译场景下，上述的文本是指源语言文本。以源语言为中文为例，文本单元可以是指词。
因此，基于漏译的词，可以调整NMT模型中的源语言文本中的词对应的注意力权重，具体是增大漏译的词对应的注意力权重。
为了区分，第一次翻译对应的NMT模型可以称为初始的NMT模型，调整后的NMT模型可以称为调整后的NMT模型。
获得调整后的NMT模型后，可以采用调整后的NMT模型对源语言文本进行重新翻译。
可以理解的是，上述漏译检测+重新翻译，可以执行多次。例如，获得第二目标语言文本后，还可以再次进行漏译检测以及再次进行重新翻译，直至达到预设的迭代次数。
假设预设的迭代次数是2次，即进行两次翻译，则可以将第二目标语言文本作为源语言文本的最终翻译结果。
本实施例中，通过识别漏译部分，增大初始的NMT模型中的所述漏译部分的注意力权重，以及对源语言文本进行第二次翻译，可以在第二次翻译时增加对漏译部分的注意力，从而可以降低漏译情况，提高机器翻译效果。
为了更好地理解本公开实施例，对本公开实施例所适用的一种应用场景进行说明。
图2是用来实现本公开实施例的机器翻译方法的应用场景的示意图。本实施例以在服务器中进行语音识别为例。
如图2所示，应用场景所涉及的设备可以包括：用户设备201和服务器202。用户设备201与服务器202之间采用通信网络进行交互。用户设备可以包括移动设备(如，手机、便携式电脑等)、智能家居设备(如，智能音箱、智能电视等)、智能可穿戴式设备(如，智能手表、智能手环等)等。服务器可以为本地服务器或者云端服务器。通信网络可以是广域网、局域网、因特网或任何其它公用或专用网络或上述各项组合。
机器翻译时，用户设备201可以将源语言文本发送给服务器202，服务器202采用机器翻译模型对源语言文本进行翻译，以获得翻译结果，翻译结果是目标语言文本，之后，服务器202将目标语言文本反馈给用户设备201，用户设备201可以通过用户界面(UserInterface，UI)将目标语言文本展示给用户。
例如，源语言文本是“我早上不喝茶”，如图2所示，会获得其对应的目标语言文本是“I don’t drink tea in the morning”。
本实施例中，服务器的机器翻译部分，可以包括：NMT模型和漏译检测模型。其中，NMT模型用于将源语言文本转换为目标语言文本，其输入是源语言文本，输出是目标语言文本，本实施例中以2次翻译为例，相应的翻译结果分别称为第一目标语言文本和第二目标语言文本。漏译检测模型用于检测源语言文本中的漏译部分，其输入是源语言文本和第一目标语言文本，输出是源语言文本中的漏译部分的标识信息，从而可以基于该标识信息确定出漏译部分。以及，基于源语言文本的漏译部分可以调整NMT模型中的注意力权重。
可以理解的是，本实施例以服务器进行机器翻译为例，但是若用户设备具有机器翻译能力，也可以在用户设备本地进行机器翻译。
结合图2所示的应用场景，对本公开实施例进行说明如下。
图3是根据本公开第二实施例的示意图，如图3所示，本实施例的方法包括：
301、采用初始的NMT模型，对源语言文本进行第一次翻译，以获得第一目标语言文本。
302、采用漏译检测模型，对输入的所述源语言文本和所述第一目标语言文本进行处理，以识别所述源语言文本中的漏译部分。
其中，漏译检测模型的示意图如图4所示，其输入是源语言文本及其对应的目标语言文本，其输出是源语言文本中的漏译部分的标识信息。之后，可以基于标识信息识别漏译部分。
例如，源语言文本是：“我早上不喝茶”，目标语言文本是“I don’t drink tea”。假设标识信息“1”表示对应的词是漏译的，标识信息“0”表示对应的词不是漏译的，则基于上述示例，可以输出如图4所示的标识信息01000，即，源语言文本中的第二个词(即，早上)存在漏译。
本实施例中，采用漏译检测模型可以获得源语言文本中各个文本单元对应的标识信息，标识信息用于标识对应文本单元是否发生漏译，进而可以基于标识信息识别源语言文本中的漏译部分。由于模型一般都具有较好的检测性能，因此采用模型识别漏译部分，可以提高源语言文本中的漏译部分的检测准确度。
另外，在具体处理时，词可以包括标点，如图4所示的句号。
另外，在输入时，源语言文本和目标语言文本可以采用间隔符号进行间隔，间隔符号用[SEP]表示。
漏译检测模型的骨干结构可以采用相关的预训练模型，如图4所示，可以是双向Transformer的Encoder(Bidirectional Encoder Representations from Transformers，BERT)模型，或者，知识增强语义表示(Enhanced Representation from kNowledgeIntEgration，ERNIE)模型。
漏译检测模型可以是预先训练的，其训练数据包括：输入样本和漏译标签，输入样本包括翻译对，翻译对包括源语言文本和目标语言文本，漏译标签用于标识源语言文本中的各个文本单元是否发生漏译。
训练数据可以采用伪造数据的方式生成，具体可以包括：获取第一源语言样本和第一目标语言样本；对所述第一目标语言样本进行内容扩充，以获得第二目标语言样本；基于所述第二目标语言样本，获得第二源语言样本；将所述第二源语言样本和所述第一目标语言样本作为所述输入样本；比较所述第二源语言样本和所述第一源语言样本，以确定所述漏译标签。
其中，第一源语言样本和第一目标语言样本是一对翻译对，可以用(x,y)表示，x为第一源语言样本，y为第一目标语言样本。
第一源语言样本和第一目标语言样本可以在已有的样本集中获得，例如，x＝“我不喝茶”，y＝“I dont’t drink tea”。
之后，可以对第一目标语言样本进行内容扩展，以获得第二目标语言样本，第二目标语言样本可以用y’表示。
其中，可以采用预训练模型实现内容扩展，例如，参见图5，采用通用预训练(Generative Pre-Training，GPT)模型，和/或，掩码语言模型(Masked Language Model，MLM)模型，对第一目标语言样本进行内容扩展。如图5所示，针对GPT模型，可以将第一目标语言样本y作为GPT模型的输入N(y)，经过GPT模型的处理，可以输出第二目标语言样本y’。针对MLM模型，可以对第一目标语言样本进行掩码处理，例如随机加上[MASK]标识，将加上[MASK]标记的文本作为MLM模型的输入N(y)，经过MLM模型的处理，可以输出第二目标语言样本y’。
获得第二目标语言样本y’后，可以将其翻译回源语言，例如，参见图5，目标语言是英文，源语言是中文，可以采用NMT模型将英文的y’其翻译回中文的文本，该文本可以称为第二源语言文本x’。
之后，可以将(x’,y)作为一对输入样本；以及，比较x’与x，确定x’中的词的漏译标签，具体地，可以将x’相对于x多出来的词的漏译标签标注为“1”(表示发生漏译)，其余为“0”。例如，如图5所示，将斜体的词(第一行的“早上”，第二行的“浓”，第三行的“是，说”)的漏译标签标注为“1”。
本实施例中，可以采用伪造数据的方式生成漏译检测模型的训练数据，从而可以在已有样本量较少的情况下依然获得较多的训练数据，提高漏译检测模型的效果。
303、增大所述初始的NMT模型中的所述漏译部分对应的注意力权重，以获得调整后的NMT模型。
其中，注意力权重可以对应各个词。
具体可以包括：确定所述初始的NMT模型中的最大注意力权重；对所述最大注意力权重进行减小处理，并确定所述待衰减注意力权重在所述减小处理前后的差值；将所述差值增加到所述漏译部分对应的注意力权重上。
例如，如图6所示，假设初始NMT模型的各个词对应的注意力权重如图6左侧所示。其中的最大注意力权重时0.6，此时可以对0.6进行减小处理，减小处理的具体规则可以设置，例如，可以采用公式p’＝p1.5进行计算，其中p’为减小处理后的注意力权重，p为减小处理前的注意力权重。例如，针对0.6，其减小后的数值＝0.61.5＝0.46。
如图6的右侧所示，最大注意力权重经过减小处理后，可以将其差值(0.6-0.46＝0.14)增加到漏译部分“早上”对应的注意力权重上，因此，经过调整，“早上”对应的注意力权重＝0.05+0.14＝0.19。
本实施例中，通过将初始的NMT模型中的最大注意力权重对应的差值增加到漏译部分对应的注意力权重上，可以实现对最大注意力权重的衰减以及对漏译部分对应的注意力权重的增加，提高机器翻译效果。
另外，若漏译部分包括多个文本单元，可以基于标准正态分布和所述差值，确定所述多个文本单元中各个文本单元对应的待增加值；将所述各个文本单元对应的待增加值，增加到所述各个文本单元对应的注意力权重上。
例如，漏译部分为连续的3个词，可以采用标准正态分布N(0,1)确定这3个词中各个词对应的值，即，这3个词中各个词对应的值之和是上述的差值，且这三个值符合以上述漏译的3个词中的中间值为中心的标准正态分布。再将各个词对应的待增加值增加到对应词的注意力权重上。
本实施例中，采用标准正态分布均衡各个漏译部分的待增加值，可以使得各个漏译部分的注意力符合客观分布情况，提高机器翻译效果。
304、采用所述调整后的NMT模型，对所述源语言文本进行第二次翻译，以获得第二目标语言文本。
例如，增加对“早上”这个词的注意力权重后，可以对“我早上不喝茶”重新进行翻译。
之后，可以将第二目标语言文本作为最终的翻译结果，或者，上述的漏译检测+重新翻译可以执行多次，将达到预设次数的翻译结果作为最终的翻译结果。
本实施例中，通过增大漏译部分对应的注意力权重，可以从NMT的注意力机制的角度进行NMT模型的调整，从根本上解决NMT模型的注意力机制存在的缺陷，进而可以降低漏译情况，提升机器翻译效果。
图7是根据本公开第三实施例的示意图，本实施例提供一种机器翻译装置。如图7所示，机器翻译装置700包括：第一翻译模块701、识别模块702、调整模块703和第二翻译模块704。
第一翻译模块701用于采用初始的NMT模型，对源语言文本进行第一次翻译，以获得第一目标语言文本；识别模块702用于基于所述源语言文本和所述第一目标语言文本，识别所述源语言文本中的漏译部分；调整模块703用于增大所述初始的NMT模型中的所述漏译部分对应的注意力权重，以获得调整后的NMT模型；第二翻译模块704用于采用所述调整后的NMT模型，对所述源语言文本进行第二次翻译，以获得第二目标语言文本。
本实施例中，通过识别漏译部分，增大初始的NMT模型中的所述漏译部分的注意力权重，以及对源语言文本进行第二次翻译，可以在第二次翻译时增加对漏译部分的注意力，从而可以降低漏译情况，提高机器翻译效果。
一些实施例中，所述识别模块702进一步用于：采用漏译检测模型，对输入的所述源语言文本和所述第一目标语言文本进行处理，以输出标识信息，所述标识信息用于标识所述源语言文本中的文本单元是否发生漏译；基于所述标识信息，识别所述源语言文本中的漏译部分。
本实施例中，采用漏译检测模型可以获得源语言文本中各个文本单元对应的标识信息，标识信息用于标识对应文本单元是否发生漏译，进而可以基于标识信息识别源语言文本中的漏译部分。由于模型一般都具有较好的检测性能，因此采用模型识别漏译部分，可以提高源语言文本中的漏译部分的检测准确度。
一些实施例中，所述漏译检测模型基于训练数据获得，所述训练数据包括：输入样本和漏译标签，所述训练数据采用如下方式生成：获取第一源语言样本和第一目标语言样本；对所述第一目标语言样本进行内容扩充，以获得第二目标语言样本；基于所述第二目标语言样本，获得第二源语言样本；将所述第二源语言样本和所述第一目标语言样本作为所述输入样本；比较所述第二源语言样本和所述第一源语言样本，以确定所述漏译标签。
本实施例中，可以采用伪造数据的方式生成漏译检测模型的训练数据，从而可以在已有样本量较少的情况下依然获得较多的训练数据，提高漏译检测模型的效果。
一些实施例中，所述调整模块703进一步用于：确定所述初始的NMT模型中的最大注意力权重；对所述最大注意力权重进行减小处理，并确定所述最大注意力权重在所述减小处理前后的差值；将所述差值增加到所述漏译部分对应的注意力权重上。
本实施例中，通过将初始的NMT模型中的最大注意力权重对应的差值增加到漏译部分对应的注意力权重上，可以实现对最大注意力权重的衰减以及对漏译部分对应的注意力权重的增加，提高机器翻译效果。
一些实施例中，若所述漏译部分包括多个文本单元，所述调整模块进一步用于：基于标准正态分布和所述差值，确定所述多个文本单元中各个文本单元对应的待增加值；将所述各个文本单元对应的待增加值，增加到所述各个文本单元对应的注意力权重上。
本实施例中，采用标准正态分布均衡各个漏译部分的待增加值，可以使得各个漏译部分的注意力符合客观分布情况，提高机器翻译效果。
可以理解的是，本公开实施例中，不同实施例中的相同或相似内容可以相互参考。
可以理解的是，本公开实施例中的“第一”、“第二”等只是用于区分，不表示重要程度高低、时序先后等。
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。
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8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备800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、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800还可以表示各种形式的移动装置，诸如，个人数字助理、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8所示，电子设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储电子设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
电子设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许电子设备800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801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801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801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808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到电子设备800上。当计算机程序加载到RAM 803并由计算单元801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801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(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，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。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 (13)
1.一种机器翻译方法，包括：
采用初始的神经网络机器翻译NMT模型，对源语言文本进行第一次翻译，以获得第一目标语言文本；
基于所述源语言文本和所述第一目标语言文本，识别所述源语言文本中的漏译部分；
增大所述初始的NMT模型中的所述漏译部分对应的注意力权重，以获得调整后的NMT模型；
采用所述调整后的NMT模型，对所述源语言文本进行第二次翻译，以获得第二目标语言文本。
2.根据权利要求1所述的方法，其中，所述基于所述源语言文本和所述第一目标语言文本，识别所述源语言文本中的漏译部分，包括：
采用漏译检测模型，对输入的所述源语言文本和所述第一目标语言文本进行处理，以输出标识信息，所述标识信息用于标识所述源语言文本中的文本单元是否发生漏译；
基于所述标识信息，识别所述源语言文本中的漏译部分。
3.根据权利要求2所述的方法，其中，
所述漏译检测模型基于训练数据获得，所述训练数据包括：输入样本和漏译标签，所述训练数据采用如下方式生成：
获取第一源语言样本和第一目标语言样本；
对所述第一目标语言样本进行内容扩充，以获得第二目标语言样本；
基于所述第二目标语言样本，获得第二源语言样本；
将所述第二源语言样本和所述第一目标语言样本作为所述输入样本；
比较所述第二源语言样本和所述第一源语言样本，以确定所述漏译标签。
4.根据权利要求1-3任一项所述的方法，其中，所述增大所述初始的NMT模型中的所述漏译部分对应的注意力权重，包括：
确定所述初始的NMT模型中的最大注意力权重；
对所述最大注意力权重进行减小处理，并确定所述最大注意力权重在所述减小处理前后的差值；
将所述差值增加到所述漏译部分对应的注意力权重上。
5.根据权利要求4所述的方法，其中，若所述漏译部分包括多个文本单元，所述将所述差值增加到所述漏译部分对应的注意力权重上，包括：
基于标准正态分布和所述差值，确定所述多个文本单元中各个文本单元对应的待增加值；
将所述各个文本单元对应的待增加值，增加到所述各个文本单元对应的注意力权重上。
6.一种机器翻译装置，包括：
第一翻译模块，用于采用初始的神经网络机器翻译NMT模型，对源语言文本进行第一次翻译，以获得第一目标语言文本；
识别模块，用于基于所述源语言文本和所述第一目标语言文本，识别所述源语言文本中的漏译部分；
调整模块，用于增大所述初始的NMT模型中的所述漏译部分对应的注意力权重，以获得调整后的NMT模型；
第二翻译模块，用于采用所述调整后的NMT模型，对所述源语言文本进行第二次翻译，以获得第二目标语言文本。
7.根据权利要求6所述的装置，其中，所述识别模块进一步用于：
采用漏译检测模型，对输入的所述源语言文本和所述第一目标语言文本进行处理，以输出标识信息，所述标识信息用于标识所述源语言文本中的文本单元是否发生漏译；
基于所述标识信息，识别所述源语言文本中的漏译部分。
8.根据权利要求7所述的装置，其中，
所述漏译检测模型基于训练数据获得，所述训练数据包括：输入样本和漏译标签，所述训练数据采用如下方式生成：
获取第一源语言样本和第一目标语言样本；
对所述第一目标语言样本进行内容扩充，以获得第二目标语言样本；
基于所述第二目标语言样本，获得第二源语言样本；
将所述第二源语言样本和所述第一目标语言样本作为所述输入样本；
比较所述第二源语言样本和所述第一源语言样本，以确定所述漏译标签。
9.根据权利要求6-8任一项所述的装置，其中，所述调整模块进一步用于：
确定所述初始的NMT模型中的最大注意力权重；
对所述最大注意力权重进行减小处理，并确定所述最大注意力权重在所述减小处理前后的差值；
将所述差值增加到所述漏译部分对应的注意力权重上。
10.根据权利要求9所述的装置，其中，若所述漏译部分包括多个文本单元，所述调整模块进一步用于：
基于标准正态分布和所述差值，确定所述多个文本单元中各个文本单元对应的待增加值；
将所述各个文本单元对应的待增加值，增加到所述各个文本单元对应的注意力权重上。
11.一种电子设备，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1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-5中任一项所述的方法。
13.一种计算机程序产品，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1-5中任一项所述的方法。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210465501.1A CN114936566A (zh) | 2022-04-26 | 2022-04-26 | 机器翻译方法、装置、设备和存储介质 |
| JP2023001658A JP2023162104A (ja) | 2022-04-26 | 2023-01-10 | 機械翻訳方法、装置、デバイス及び記憶媒体 |
| US18/122,316 US20230342561A1 (en) | 2022-04-26 | 2023-03-16 | Machine translation method and apparatus, device and storage medium |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210465501.1A CN114936566A (zh) | 2022-04-26 | 2022-04-26 | 机器翻译方法、装置、设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114936566A true CN114936566A (zh) | 2022-08-23 |
Family
ID=82862643
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210465501.1A Pending CN114936566A (zh) | 2022-04-26 | 2022-04-26 | 机器翻译方法、装置、设备和存储介质 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20230342561A1 (zh) |
| JP (1) | JP2023162104A (zh) |
| CN (1) | CN114936566A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117194696A (zh) * | 2023-08-24 | 2023-12-08 | 北京百度网讯科技有限公司 | 基于人工智能的内容生成方法、装置、设备和存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108763222A (zh) * | 2018-05-17 | 2018-11-06 | 腾讯科技（深圳）有限公司 | 一种漏译检测、翻译方法及装置、服务器及存储介质 |
| CN110443346A (zh) * | 2019-08-12 | 2019-11-12 | 腾讯科技（深圳）有限公司 | 一种基于输入特征重要性的模型解释方法及装置 |
| CN111160036A (zh) * | 2018-11-07 | 2020-05-15 | 中移(苏州)软件技术有限公司 | 一种对基于神经网络的机器翻译模型的更新方法及装置 |
| CN112926345A (zh) * | 2021-04-08 | 2021-06-08 | 中国科学技术大学 | 基于数据增强训练的多特征融合神经机器翻译检错方法 |
| CN113408306A (zh) * | 2021-06-30 | 2021-09-17 | 北京百度网讯科技有限公司 | 翻译方法及分类模型的训练方法、装置、设备和存储介质 |
-
2022
- 2022-04-26 CN CN202210465501.1A patent/CN114936566A/zh active Pending
-
2023
- 2023-01-10 JP JP2023001658A patent/JP2023162104A/ja active Pending
- 2023-03-16 US US18/122,316 patent/US20230342561A1/en active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108763222A (zh) * | 2018-05-17 | 2018-11-06 | 腾讯科技（深圳）有限公司 | 一种漏译检测、翻译方法及装置、服务器及存储介质 |
| CN111160036A (zh) * | 2018-11-07 | 2020-05-15 | 中移(苏州)软件技术有限公司 | 一种对基于神经网络的机器翻译模型的更新方法及装置 |
| CN110443346A (zh) * | 2019-08-12 | 2019-11-12 | 腾讯科技（深圳）有限公司 | 一种基于输入特征重要性的模型解释方法及装置 |
| CN112926345A (zh) * | 2021-04-08 | 2021-06-08 | 中国科学技术大学 | 基于数据增强训练的多特征融合神经机器翻译检错方法 |
| CN113408306A (zh) * | 2021-06-30 | 2021-09-17 | 北京百度网讯科技有限公司 | 翻译方法及分类模型的训练方法、装置、设备和存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117194696A (zh) * | 2023-08-24 | 2023-12-08 | 北京百度网讯科技有限公司 | 基于人工智能的内容生成方法、装置、设备和存储介质 |
| CN117194696B (zh) * | 2023-08-24 | 2024-10-18 | 北京百度网讯科技有限公司 | 基于人工智能的内容生成方法、装置、设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20230342561A1 (en) | 2023-10-26 |
| JP2023162104A (ja) | 2023-11-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112560501B (zh) | 语义特征的生成方法、模型训练方法、装置、设备及介质 | |
| CN112232062A (zh) | 文本纠错方法、装置、电子设备和存储介质 | |
| CN112560846B (zh) | 纠错语料的生成方法、装置及电子设备 | |
| CN113408272A (zh) | 摘要生成模型的训练方法、装置、设备和存储介质 | |
| US20240220772A1 (en) | Method of evaluating data, training method, electronic device, and storage medium | |
| JP2023025126A (ja) | 深層学習モデルのトレーニング方法及び装置、テキストデータ処理方法及び装置、電子機器、記憶媒体、並びにコンピュータプログラム | |
| US20230103728A1 (en) | Method for sample augmentation | |
| CN112528641A (zh) | 建立信息抽取模型的方法、装置、电子设备和可读存储介质 | |
| KR20230150723A (ko) | 분류 모델 트레이닝, 의미 분류 방법, 장치, 설비 및 매체 | |
| CN113743101A (zh) | 文本纠错方法、装置、电子设备和计算机存储介质 | |
| CN113408306A (zh) | 翻译方法及分类模型的训练方法、装置、设备和存储介质 | |
| CN114998881A (zh) | 深度学习模型的训练方法、文本识别方法、装置和设备 | |
| CN114417879B (zh) | 跨语言文本语义模型的生成方法、装置及电子设备 | |
| US20230342561A1 (en) | Machine translation method and apparatus, device and storage medium | |
| CN113408280A (zh) | 负例构造方法、装置、设备和存储介质 | |
| US20230274088A1 (en) | Sentiment parsing method, electronic device, and storage medium | |
| CN115357710A (zh) | 表格描述文本生成模型的训练方法、装置及电子设备 | |
| CN113408305B (zh) | 模型的训练方法、装置、设备和存储介质 | |
| CN114841175A (zh) | 机器翻译方法、装置、设备及存储介质 | |
| CN113553833A (zh) | 文本纠错的方法、装置及电子设备 | |
| CN112784599A (zh) | 诗句的生成方法、装置、电子设备和存储介质 | |
| CN114781408B (zh) | 同传翻译模型的训练方法、装置及电子设备 | |
| US12106062B2 (en) | Method and apparatus for generating a text, and storage medium | |
| CN115600924A (zh) | 信息处理方法、装置、设备及存储介质 | |
| US20230084438A1 (en) | Method of generating text, method of training model, electronic device, and medium |
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 |