CN115081462A - 翻译模型训练、翻译方法和装置 - Google Patents
翻译模型训练、翻译方法和装置 Download PDFInfo
- Publication number
- CN115081462A CN115081462A CN202210678867.7A CN202210678867A CN115081462A CN 115081462 A CN115081462 A CN 115081462A CN 202210678867 A CN202210678867 A CN 202210678867A CN 115081462 A CN115081462 A CN 115081462A
- Authority
- CN
- China
- Prior art keywords
- training sample
- sentence
- sample set
- training
- translation model
- 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
- 238000012549 training Methods 0.000 title claims abstract description 321
- 238000013519 translation Methods 0.000 title claims abstract description 162
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000006243 chemical reaction Methods 0.000 claims abstract description 68
- 238000012216 screening Methods 0.000 claims abstract description 9
- 230000015654 memory Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims 1
- 230000009466 transformation Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013140 knowledge distillation Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 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
- G06F40/58—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
- 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)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Machine Translation (AREA)
Abstract
本申请公开了翻译模型训练方法和装置,涉及机器翻译技术领域。该方法的一具体实施方式包括:获取训练样本集;计算训练样本集中各训练样本的信息转换难度指标,并将训练样本集中第一子训练样本集筛除,得到第二子训练样本集;对于第一子训练样本集中的每一个源语句,将该源语句输入第一翻译模型,得到对应的新的目标语句;基于第三子训练样本集对所述第一翻译模型进行训练,得到第二翻译模型。该实施方式提升了训练得到的翻译模型的准确性。
Description
技术领域
本申请涉及计算机技术领域,具体涉及机器翻译技术领域,尤其涉及一种翻译模型训练、翻译方法和装置。
背景技术
机器翻译是自然语言处理与人工智能领域的重要研究方向,其旨在利用计算机实现自然语言之间的自动翻译。随着深度学习时代的到来,机器翻译技术取得突破性进展,不仅全面提升了翻译性能,也为多模态、多语种的通用表征建模提供了可能性。
现有的数据利用技术主要包括两类:第一类,充分利用双语数据,即通过简化训练数据模型或增加数据多样性来增加模型学习的信息;第二类,利用单语数据生成伪造双语数据,即利用单语数据伪造双语数据,增加模型学习的信息。翻译数据集的评价指标主要包括:基于源端语言的数据集评价,基于目标端语言的数据集评价、基于源端和目标端的数据集评价。
上述两种数据利用技术及评价指标得到的翻译模型的模型效果有限,有待于进一步提升。
发明内容
本申请实施例提供了一种翻译模型训练方法、装置、设备以及存储介质。
根据第一方面,本申请实施例提供了一种翻译模型训练方法,该方法包括:获取训练样本集;计算训练样本集中各训练样本的信息转换难度指标,并将训练样本集中第一子训练样本集筛除,得到第二子训练样本集;对于第一子训练样本集中的每一个源语句,将该源语句输入第一翻译模型,得到对应的新的目标语句;基于第三子训练样本集对所述第一翻译模型进行训练,得到第二翻译模型。
根据第二方面,本申请实施例提供了一种翻译方法,该方法包括:获取待翻译语句;将待翻译语句输入所述翻译模型,得到目标语句,其中,翻译模型是如上述第一方面任一实现方式描述的方法得到的第二翻译模型。
根据第三方面,本申请实施例提供了一种翻译模型训练装置,该装置包括:获取样本模块,被配置成获取训练样本集;计算指标模块,被配置成计算训练样本集中各训练样本的信息转换难度指标,并将训练样本集中第一子训练样本集筛除,得到第二子训练样本集;输入模型模块,被配置成对于第一子训练样本集中的每一个源语句,将该源语句输入第一翻译模型,得到对应的新的目标语句;生成模型模块,被配置成基于第三子训练样本集对第一翻译模型进行训练,得到第二翻译模型。
根据第四方面,本申请实施例提供了一种翻译装置,该装置包括:获取语句模块,被配置成获取待翻译语句;输出语句模块,被配置成将待翻译语句输入翻译模型,得到目标语句,其中,翻译模型是如上述第一方面任一实现方式描述的方法得到的第二翻译模型。
根据第五方面,本申请实施例提供了一种电子设备,该电子设备包括一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被该一个或多个处理器执行,使得一个或多个处理器实现如第一方面或第二方面中任一实现方式描述的方法。
根据第六方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面或第二方面中任一实现方式描述的方法。
本申请通过获取训练样本集;计算训练样本集中各训练样本的信息转换难度指标,并将训练样本集中第一子训练样本集筛除,得到第二子训练样本集;对于第一子训练样本集中的每一个源语句,将该源语句输入第一翻译模型,得到对应的新的目标语句;基于第三子训练样本集对所述第一翻译模型进行训练,得到第二翻译模型,即通过源语句到目标语句的转换难度,也即信息转换难度指标,对训练数据集实现知识蒸馏,进而简化训练数据集,有助于有效提升训练得到的翻译模型的准确性。
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。本公开的其他特征将通过以下的说明书而变得容易理解。
附图说明
图1是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的翻译模型训练方法的一个实施例的流程图;
图3是根据本申请的翻译模型训练方法的一个应用场景的示意图;
图4是根据本申请的翻译模型训练方法的又一个实施例的流程图;
图5是根据本申请的翻译方法的又一个实施例的流程图;
图6是根据本申请的翻译模型训练装置的一个实施例的示意图;
图7是根据本申请的翻译装置的一个实施例的示意图;
图8是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请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,而不会背离本申请的范围和精神。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,本申请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申请。
图1示出了可以应用本申请的翻译模型训练方法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。
终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如,翻译类应用、通讯类应用等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏的各种电子设备,包括但不限于手机和笔记本电脑。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供翻译模型训练的服务),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如,获取训练样本集;计算训练样本集中各训练样本的信息转换难度指标,并将训练样本集中第一子训练样本集筛除,得到第二子训练样本集;对于第一子训练样本集中的每一个源语句,将该源语句输入第一翻译模型,得到对应的新的目标语句;基于第三子训练样本集对所述第一翻译模型进行训练,得到第二翻译模型。
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。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供翻译模型训练的服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要指出的是,本公开的实施例所提供的翻译模型训练方法可以由服务器105执行,也可以由终端设备101、102、103执行,还可以由服务器105和终端设备101、102、103彼此配合执行。相应地,翻译模型训练的装置包括的各个部分(例如各个单元、子单元、模块、子模块)可以全部设置于服务器105中,也可以全部设置于终端设备101、102、103中,还可以分别设置于服务器105和终端设备101、102、103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。
图2示出了可以应用于本申请的翻译模型训练方法的实施例的流程示意图200。在本实施例中,翻译模型训练方法包括以下步骤:
步骤201,获取训练样本集。
在本实施例中,执行主体(如图1中所示的服务器105或终端设备101、102、103)可以从本地或远端的存储有训练样本的服务器获取训练样本集。
其中,训练样本包括源语句和目标语句,目标语句为源语句的翻译语句。
这里,源语句和目标语句的语种类别不同,例如,源语句为中文语句,目标语句为英文语句;源语句为英文语句,目标语句为中文语句等,本申请对此不作限定。
具体地,训练样本集可以通过以下形式表示:
其中,N是样本总数,x和y分别代表源语句和目标语句。
步骤202,计算训练样本集中各训练样本的信息转换难度指标,并将训练样本集中第一子训练样本集筛除,得到第二子训练样本集。
在本实施例中,执行主体可以基于各训练样本的源语句和/或目标语句的以下至少一项参数:词汇多样性、词汇密度、句长,计算训练样本集中各训练样本的信息转换难度指标,并根据各训练样本的信息转换难度指标的大小对各训练样本进行排序。
其中,信息转换难度指标用于指示将源语句转换为目标语句的难度。
这里,翻译译文通常具有三个重要特征:简化、显化和干涉,通常采用词汇多样性表征显化程度,采用词汇密度表征简化程度,采用句长表征干涉程度。
其中,词汇多样性可以基于语句中的实词数量确定,词汇密度可以基于语句中的实词密度确定,句长可以基于语句的句长确定。
这里,实词密度可以基于语句中各实词密度的加和确定,也可以基于各实词密度的均值确定,本申请对此不作限定。
其中,各实词密度可以基于当前语句中的该实词出现次数与样本集中该实词出现次数的比值确定。
这里,信息转换难度指标可以基于目标语句的词汇多样性确定,可以基于目标语句的词汇多样性与源语句的词汇多样性的比值确定;可以基于目标语句的词汇密度确定,可以基于目标语句的词汇密度与源语句的词汇密度的比值确定;可以基于目标语句的句长确定,也可以基于目标语句的句长与源语句的句长的比值确定,本申请对此不作限定。该方式下,信息转换难度指标的值越大,信息转换难度越大。
此外,需要指出的是,信息转换难度指标可以基于源语句的词汇多样性与目标语句的词汇多样性的比值确定,可以基于源语句的词汇密度与目标语句的词汇密度的比值确定,可以基于源语句的句长与目标语句的句长的比值确定,本申请对此不作限定。该方式下,信息转换难度指标的值越小,信息转换难度越大。
进一步地,执行主体可以将训练样本集中的第一子训练样本集筛除,得到第二子训练样本集。
其中,第一子训练样本集由训练样本集中转换难度最大的预设数量个训练样本组成。
这里,预设数量可以根据实际需求进行设定,例如,10个、100个等等,本申请对此不作限定。
具体地,训练样本集中包括100个训练样本,执行主体计算100个训练样本中各训练样本的信息转换难度指标,信息转换难度指标基于目标语句的词汇多样信息与源语句的词汇多样性的比值确定,并将训练样本集中预设数量个,例如,10个,信息转换难度最大,即信息转换难度指标的值最大,的训练样本构成的第一子训练样本集筛除,得到第二子训练样本集,第二子训练样本集包括90个训练样本。
步骤203,对于第一子训练样本集中的每一个源语句,将该源语句输入第一翻译模型,得到对应的新的目标语句。
在本实施例中,对于第一子训练样本集中的每一个源语句,执行主体可将该源语句输入第一翻译模型,得到对应的新的目标语句。
其中,第一翻译模型可以基于第二子训练样本集对初始翻译模型进行训练得到。
这里,初始翻译模型可以为现有技术或未来发展技术中的神经网络模型,例如,卷积神经网络、反向传播神经网络、反馈神经网络等。
具体地,初始翻译模型可以为基于Transformer架构的模型。
步骤204,基于第三子训练样本集对第一翻译模型进行训练,得到第二翻译模型。
在本实施例中,执行主体可以根据第一子训练样本集中的源语句和所对应的新的目标语句,得到第三子训练样本集,并根据第三子训练样本集对第一翻译模型进行训练,得到第二翻译模型。其中,第二翻译模型可以用于翻译语句。
具体地,训练样本集为根据信息转换难度指标,即DIT,重排之后的数据集为为信息转换难度最大的部分,也即第一子训练样本集,为剩余部分,即第二子训练样本集,M1为使用训练好的第一翻译模型,将的源端数据通过M1模型进行目标生成,获得简化后的数据即第三子训练样本集,并根据第三子训练样本集对M1进行训练,得到第二翻译模型,同时可以合成新的训练数据
在一些可选的方式中,基于第三子训练样本集对第一翻译模型进行训练,得到第二翻译模型,包括:基于第三子训练样本集和第二子训练样本集对第一翻译模型进行训练,得到第二翻译模型。
在本实现方式中,执行主体可以根据第一子训练样本集中的源语句和所对应的新的目标语句,得到第三子训练样本集,并根据第三子训练样本集和第二子训练样本集,对第一翻译模型进行训练,得到第二翻译模型。
该实现方式通过基于第三子训练样本集和第二子训练样本集对第一翻译模型进行训练,得到第二翻译模型,即基于第三子训练样本和第二子训练样本集重新构成的训练样本集,对第一翻译模型进行训练,得到第二翻译模型,也即基于简化的整个训练样本集对第一翻译模型进行训练,得到第二翻译模型,使得翻译模型可以增强对第二子训练样本集的记忆,有助于进一步提升训练得到的翻译模型的准确性。
继续参见图3,图3是根据本实施例的翻译模型训练的方法的应用场景的一个示意图。
在图3的应用场景中,执行主体301可以采用有线或无线的方式获取训练样本集302,训练样本包括源语句和目标语句,目标语句为源语句的翻译语句;执行主体可基于各训练样本的源语句和/或目标语句的以下至少一项参数:词汇多样性、词汇密度、句长,如,目标语句的词汇多样性,计算训练样本集中各训练样本的信息转换难度指标303,并将训练样本集中第一子训练样本集304筛除,得到第二子训练样本集305,其中,信息转换难度指标303用于指示将源语句转换为目标语句的难度,第一子训练样本集304由训练样本集中转换难度最大的预设数量个训练样本组成;对于第一子训练样本集304中的每一个源语句,将该源语句输入第一翻译模型306,得到对应的新的目标语句,第一翻译模型306基于第二子训练样本集305训练得到;基于第三子训练样本集307对所述第一翻译模型306进行训练,得到第二翻译模型308,第三子训练样本集307由所述第一子训练样本集304中的源语句及所对应的新的目标语句构成。
本公开的翻译模型训练的方法,通过获取训练样本集;计算训练样本集中各训练样本的信息转换难度指标,并将训练样本集中第一子训练样本集筛除,得到第二子训练样本集;对于第一子训练样本集中的每一个源语句,将该源语句输入第一翻译模型,得到对应的新的目标语句;基于第三子训练样本集对所述第一翻译模型进行训练,得到第二翻译模型,有效提升了训练得到的翻译模型的准确性。
进一步参考图4,其示出了图2所示的翻译模型训练方法的又一个实施例的流程400。在本实施例中,流程400,可包括以下步骤:
步骤401,获取训练样本集。
在本实施例中,步骤401的实现细节和技术效果,可以参考对步骤201的描述,在此不再赘述。
步骤402,基于各训练样本的源语句和/或目标语句的以下至少两项参数:词汇多样性、词汇密度、句长,计算训练样本集中各训练样本的信息转换难度指标,并将训练样本集中第一子训练样本集筛除,得到第二子训练样本集。
在本实施例中,执行主体可以基于各训练样本的源语句和/或目标语句的以下至少两项参数:词汇多样性、词汇密度、句长,计算训练样本集中各训练样本的信息转换难度指标,并根据各训练样本的信息转换难度指标的大小对各训练样本进行排序。
这里,信息转换难度指标可以基于训练样本的源语句和/或目标语句的词汇多样性和词汇密度确定,可以基于训练样本的源语句和/或目标语句的词汇多样性和句长确定,也可以基于训练样本的源语句和/或目标语句的词汇密度和句长确定,本申请对此不作限定。
具体地,信息转换难度指标可以基于目标语句的词汇多样性和目标语句的词汇密度确定。
进一步地,执行主体可以将训练样本集中预设数量个信息转换难度最大的训练样本构成的第一子训练样本集筛除,得到第二子训练样本集。
其中,预设数量可以根据实际需求进行设定,例如,10个、100个等等,本申请对此不作限定。
在一些可选的方式中,基于各训练样本的源语句和/或目标语句的以下至少两项参数:词汇多样性、词汇密度、句长,计算训练样本集中各训练样本的信息转换难度指标,包括:基于各训练样本的源语句和/或目标语句的以下三项参数:词汇多样性、词汇密度、句长,计算训练样本集中各训练样本的信息转换难度指标。
在本实现方式中,执行主体可以基于各训练样本的源语句和/或目标语句的以下三项参数:词汇多样性、词汇密度、句长,计算训练样本集中各训练样本的信息转换难度指标,即基于训练样本的源语句和/或目标语句的词汇多样性、词汇密度和句长确定信息转换难度指标,并根据各训练样本的信息转换难度指标的大小对各训练样本进行排序。
具体地,各训练样本的信息转换难度指标可以基于该训练样本的第一指标、第二指标和第三指标确定,其中,第一指标用于指示源语句的词汇多样性与目标语句的词汇多样性的比值、第二指标用于指示源语句的词汇密度与目标语句的词汇密度的比值、第三指标用于指示源语句的句长与目标语句的句长的比值。
这里,信息转换难度指标DIT可通过下式表示:
其中,LV(x)表示源语句的词汇多样性,LD(x)表示源语句的词汇密度,L(x)表示源语句的句长;LV(y)表示目标语句的词汇多样性,LD(y)表示目标语句的词汇密度,L(y)表示目标语句的句长。
进一步地,执行主体可以将训练样本集中预设数量个信息转换难度最大的训练样本构成的第一子训练样本集筛除,得到第二子训练样本集。
该实现方式通过基于各训练样本的源语句和/或目标语句的以下三项参数:词汇多样性、词汇密度、句长,计算训练样本集中各训练样本的信息转换难度指标,提升了得到的信息转换难度指标的准确性,并基于各训练样本的信息转换难度指标,确定第三子训练样本集,基于第三子训练样本集对第一翻译模型进行训练,得到第二翻译模型,进一步提升了训练得到的翻译模型的准确性。
在一些可选的方式中,基于各训练样本的源语句和/或目标语句的以下三项参数:词汇多样性、词汇密度、句长,计算训练样本集中各训练样本的信息转换难度指标,包括:基于各训练样本的目标语句的词汇多样性、目标语句的词汇密度、目标语句的句长与源语句的句长的比值,计算训练样本集中各训练样本的信息转换难度指标。
在本实现方式中,执行主体可以基于各训练样本的目标语句的词汇多样性、目标语句的词汇密度、目标语句的句长与源语句的句长的比值,计算训练样本集中各训练样本的信息转换难度指标。
该实现方式通过基于各训练样本的目标语句的词汇多样性、目标语句的词汇密度、目标语句的句长与源语句的句长的比值,计算训练样本集中各训练样本的信息转换难度指标,并基于各训练样本的信息转换难度指标,确定第三子训练样本集,基于第三子训练样本集对第一翻译模型进行训练,得到第二翻译模型,进一步提升了训练得到的翻译模型的准确性,同时提升了训练得到翻译模型的效率。
步骤403,对于第一子训练样本集中的每一个源语句,将该源语句输入第一翻译模型,得到对应的新的目标语句。
在本实施例中,步骤403的实现细节和技术效果,可以参考对步骤203的描述,在此不再赘述。
步骤404,基于第三子训练样本集对第一翻译模型进行训练,得到第二翻译模型。
在本实施例中,步骤404的实现细节和技术效果,可以参考对步骤204的描述,在此不再赘述。
从图4中可以看出,本实施例主要突出了基于各训练样本的源语句和/或目标语句的以下至少两项参数:词汇多样性、词汇密度、句长,计算训练样本集中各训练样本的信息转换难度指标,提升了得到的信息转换难度指标的准确性,并基于各训练样本的信息转换难度指标,确定第三子训练样本集,基于第三子训练样本集对第一翻译模型进行训练,得到第二翻译模型,进一步提升了训练得到的翻译模型的准确性。
继续参考图5,示出了根据本申请的翻译方法的一个实施例的流程500。该翻译方法,包括以下步骤:
步骤501,获取待翻译语句。
在本实施例中,执行主体可通过有线或无线连接方式获取待翻译语句。
其中,无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
步骤502,将待翻译语句输入翻译模型,得到目标语句。
在本实施例中,执行主体可将待翻译语句输入翻译模型,得到相应的目标语句。
这里,翻译模型是如图2对应的实施例描述的方法得到的第二翻译模型,这里不再赘述。
本公开实施例提供的翻译方法,通过获取待翻译语句;将待翻译语句输入翻译模型,得到目标语句,其中,翻译模型是如图2实施例描述的方法得到的第二翻译模型,有助于提升对待翻译语句进行翻译的准确性。
进一步参考图6,作为对上述各图所示方法的实现,本申请提供了一种翻译模型训练装置的一个实施例,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,本实施例的模型训练装置600包括:获取样本模块601、计算指标模块602、输入模型模块603和生成模型模块604。
其中,获取样本模块601,可被配置成获取训练样本集。
计算指标模块602,可被配置成计算训练样本集中各训练样本的信息转换难度指标,并将训练样本集中第一子训练样本集筛除,得到第二子训练样本集。
输入模型模块603,可被配置成对于第一子训练样本集中的每一个源语句,将该源语句输入第一翻译模型,得到对应的新的目标语句。
生成模型模块604,可被配置成基于第三子训练样本集对第一翻译模型进行训练,得到第二翻译模型。
在本实施例的一些可选的方式中,计算指标模块进一步被配置成:基于各训练样本的源语句和/或目标语句的以下至少两项参数:词汇多样性、词汇密度、句长,计算训练样本集中各训练样本的信息转换难度指标。
在本实施例的一些可选的方式中,计算指标模块进一步被配置成:基于各训练样本的源语句和/或目标语句的以下三项参数:词汇多样性、词汇密度、句长,计算训练样本集中各训练样本的信息转换难度指标。
在本实施例的一些可选的方式中,计算指标模块进一步被配置成:基于各训练样本的目标语句的词汇多样性、目标语句的词汇密度、目标语句的句长与源语句的句长的比值,计算训练样本集中各训练样本的信息转换难度指标。
在本实施例的一些可选的方式中,生成模型模块进一步被配置成基于第三训练样本和第二训练样本对第一翻译模型进行训练,得到第二翻译模型。
进一步参考图7,作为对上述各图所示方法的实现,本公开提供了一种翻译装置的一个实施例,该装置实施例与图5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7所示,本实施例的翻译装置700包括:获取语句模块701和输出语句模块702。
其中,获取语句模块701,可被配置成获取待翻译语句。
输出语句模块702,可被配置成将待翻译语句输入翻译模型,得到目标语句。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图8示,是根据本申请实施例的翻译模型训练的方法的电子设备的框图。
800是根据本申请实施例的翻译模型训练的方法的电子设备的框图。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/或者要求的本申请的实现。
如图8所示,该电子设备包括:一个或多个处理器801、存储器802,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图8中以一个处理器801为例。
存储器802即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的翻译模型训练的方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的翻译模型训练的方法。
存储器802作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的模型训练的方法对应的程序指令/模块(例如,附图6所示的第一获取样本模块601、计算指标模块602、输入模型模块603和生成模型模块)。处理器801通过运行存储在存储器802中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的翻译模型训练的方法。
存储器802可以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、至少一个功能所需要的应用程序;存储数据区可存储翻译模型训练的的电子设备的使用所创建的数据等。此外,存储器802可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器802可选包括相对于处理器801远程设置的存储器,这些远程存储器可以通过网络连接至翻译模型训练的的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
翻译模型训练的方法的电子设备还可以包括:输入装置803和输出装置804。处理器801、存储器802、输入装置803和输出装置804可以通过总线或者其他方式连接,图8中以通过总线连接为例。
输入装置803可接收输入的数字或字符信息,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置804可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处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、专用ASIC(专用集成电路)、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。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
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。
根据本申请实施例的技术方案,有效提升了训练得到的翻译模型的准确性。
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,本发申请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,只要能够实现本申请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,并不构成对本申请保护范围的限制。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。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (10)
1.一种翻译模型训练方法,所述方法包括:
获取训练样本集,所述训练样本包括源语句和目标语句,所述目标语句为源语句的翻译语句;
计算所述训练样本集中各训练样本的信息转换难度指标,并将所述训练样本集中第一子训练样本集筛除,得到第二子训练样本集,所述信息转换难度指标用于指示将源语句转换为目标语句的难度,所述第一子训练样本集由所述训练样本集中转换难度最大的预设数量个训练样本组成;
对于所述第一子训练样本集中的每一个源语句,将该源语句输入第一翻译模型,得到对应的新的目标语句,所述第一翻译模型基于第二子训练样本集训练得到;
基于第三子训练样本集对所述第一翻译模型进行训练,得到第二翻译模型,所述第三子训练样本集由所述第一子训练样本集中的源语句及所对应的新的目标语句构成。
2.根据权利要求1所述的方法,其中,所述计算所述训练样本集中各训练样本的信息转换难度指标,包括:
基于各训练样本的源语句和/或目标语句的以下至少两项参数:词汇多样性、词汇密度、句长,计算所述训练样本集中各训练样本的信息转换难度指标。
3.根据权利要求2所述的方法,其中,基于各训练样本的源语句和/或目标语句的以下至少两项参数:词汇多样性、词汇密度、句长,计算所述训练样本集中各训练样本的信息转换难度指标,包括:
基于各训练样本的源语句和/或目标语句的以下三项参数:词汇多样性、词汇密度、句长,计算所述训练样本集中各训练样本的信息转换难度指标。
4.根据权利要求3所述的方法,其中,所述基于各训练样本的源语句和/或目标语句的以下三项参数:词汇多样性、词汇密度、句长,计算所述训练样本集中各训练样本的信息转换难度指标,包括:
基于各训练样本的目标语句的词汇多样性、目标语句的词汇密度、目标语句的句长与源语句的句长的比值,计算训练样本集中各训练样本的信息转换难度指标。
5.根据权利要求1所述的方法,其中,所述基于第三训练样本对所述第一翻译模型进行训练,得到第二翻译模型,包括:
基于第三训练样本和第二训练样本对所述第一翻译模型进行训练,得到第二翻译模型。
6.一种翻译方法,包括:
获取待翻译语句;
将所述待翻译语句输入所述翻译模型,得到目标语句,所述翻译模型是如上述权利要求1-5中任一权利要求所述的第二翻译模型。
7.一种翻译模型训练装置,包括:
获取样本模块,被配置成获取训练样本集,所述训练样本包括源语句和目标语句,所述目标语句为源语句的翻译语句;
计算指标模块,被配置成计算所述训练样本集中各训练样本的信息转换难度指标,并将所述训练样本集中第一子训练样本集筛除,得到第二子训练样本集,所述信息转换难度指标用于指示将源语句转换为目标语句的难度,所述第一子训练样本集由所述训练样本集中转换难度最大的预设数量个训练样本组成;
输入模型模块,被配置成对于所述第一子训练样本集中的每一个源语句,将该源语句输入第一翻译模型,得到对应的新的目标语句,所述第一翻译模型基于第二子训练样本集训练得到;
生成模型模块,被配置成基于第三子训练样本集对所述第一翻译模型进行训练,得到第二翻译模型,所述第三子训练样本集由所述第一子训练样本集中的源语句及所对应的新的目标语句构成。
8.一种翻译装置,包括:
获取语句模块,被配置成获取待翻译语句;
输出语句模块,被配置成将所述待翻译语句输入所述翻译模型,得到目标语句,所述翻译模型是如上述权利要求1-5中任一权利要求所述的第二翻译模型。
9.一种电子设备,其特征在于,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,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
10.一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权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210678867.7A CN115081462A (zh) | 2022-06-15 | 2022-06-15 | 翻译模型训练、翻译方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210678867.7A CN115081462A (zh) | 2022-06-15 | 2022-06-15 | 翻译模型训练、翻译方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115081462A true CN115081462A (zh) | 2022-09-20 |
Family
ID=83253880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210678867.7A Pending CN115081462A (zh) | 2022-06-15 | 2022-06-15 | 翻译模型训练、翻译方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115081462A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019114695A1 (zh) * | 2017-12-15 | 2019-06-20 | 腾讯科技(深圳)有限公司 | 基于翻译模型的训练方法、翻译方法、计算机设备及存储介质 |
CN110263350A (zh) * | 2019-03-08 | 2019-09-20 | 腾讯科技(深圳)有限公司 | 模型训练方法、装置、计算机可读存储介质和计算机设备 |
WO2019214365A1 (zh) * | 2018-05-10 | 2019-11-14 | 腾讯科技(深圳)有限公司 | 翻译模型训练的方法、语句翻译的方法、设备及存储介质 |
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 |
CN113761888A (zh) * | 2021-04-27 | 2021-12-07 | 腾讯科技(深圳)有限公司 | 文本翻译方法、装置、计算机设备及存储介质 |
JP2021197131A (ja) * | 2020-06-16 | 2021-12-27 | ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド | 機械翻訳におけるモデルトレーニング方法、装置、電子機器、プログラム及び記憶媒体 |
US20220058349A1 (en) * | 2019-11-21 | 2022-02-24 | Tencent Technology (Shenzhen) Company Limited | Data processing method, device, and storage medium |
WO2022095345A1 (zh) * | 2020-11-05 | 2022-05-12 | 苏州浪潮智能科技有限公司 | 一种多模态模型训练方法、装置、设备及存储介质 |
-
2022
- 2022-06-15 CN CN202210678867.7A patent/CN115081462A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019114695A1 (zh) * | 2017-12-15 | 2019-06-20 | 腾讯科技(深圳)有限公司 | 基于翻译模型的训练方法、翻译方法、计算机设备及存储介质 |
WO2019214365A1 (zh) * | 2018-05-10 | 2019-11-14 | 腾讯科技(深圳)有限公司 | 翻译模型训练的方法、语句翻译的方法、设备及存储介质 |
CN110263350A (zh) * | 2019-03-08 | 2019-09-20 | 腾讯科技(深圳)有限公司 | 模型训练方法、装置、计算机可读存储介质和计算机设备 |
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 |
US20220058349A1 (en) * | 2019-11-21 | 2022-02-24 | Tencent Technology (Shenzhen) Company Limited | Data processing method, device, and storage medium |
JP2021197131A (ja) * | 2020-06-16 | 2021-12-27 | ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド | 機械翻訳におけるモデルトレーニング方法、装置、電子機器、プログラム及び記憶媒体 |
WO2022095345A1 (zh) * | 2020-11-05 | 2022-05-12 | 苏州浪潮智能科技有限公司 | 一种多模态模型训练方法、装置、设备及存储介质 |
CN113761888A (zh) * | 2021-04-27 | 2021-12-07 | 腾讯科技(深圳)有限公司 | 文本翻译方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111428008B (zh) | 用于训练模型的方法、装置、设备以及存储介质 | |
JP7228662B2 (ja) | イベント抽出方法、装置、電子機器及び記憶媒体 | |
CN111325020B (zh) | 一种事件论元抽取方法、装置以及电子设备 | |
CN111414482B (zh) | 一种事件论元抽取方法、装置以及电子设备 | |
KR20190073525A (ko) | 기계 학습 작업의 암시적 브리징 | |
JP7113097B2 (ja) | テキストエンティティの語義記述処理方法、装置及び機器 | |
US20210319335A1 (en) | Question analysis method, device, knowledge base question answering system and electronic equipment | |
CN111783451A (zh) | 用于增强文本样本的方法和装置 | |
CN112148871B (zh) | 摘要生成方法、装置、电子设备及存储介质 | |
EP3926513A1 (en) | Method and apparatus for training models in machine translation, electronic device and storage medium | |
CN111859982B (zh) | 语言模型的训练方法、装置、电子设备及可读存储介质 | |
CN111709252B (zh) | 基于预训练的语义模型的模型改进方法及装置 | |
CN111079945B (zh) | 端到端模型的训练方法及装置 | |
CN112000792A (zh) | 自然灾害事件的抽取方法、装置、设备以及存储介质 | |
CN112528001B (zh) | 一种信息查询方法、装置及电子设备 | |
CN111950293A (zh) | 语义表示模型的生成方法、装置、电子设备及存储介质 | |
CN112506949B (zh) | 结构化查询语言查询语句生成方法、装置及存储介质 | |
CN111326251A (zh) | 一种问诊问题输出方法、装置以及电子设备 | |
CN111127191A (zh) | 风险评估方法及装置 | |
CN114281968A (zh) | 一种模型训练及语料生成方法、装置、设备和存储介质 | |
CN111831814A (zh) | 摘要生成模型的预训练方法、装置、电子设备和存储介质 | |
CN111177339A (zh) | 对话生成方法、装置、电子设备及存储介质 | |
CN111539224A (zh) | 语义理解模型的剪枝方法、装置、电子设备和存储介质 | |
CN111611808A (zh) | 用于生成自然语言模型的方法和装置 | |
CN111738015A (zh) | 文章情感极性分析方法、装置、电子设备及存储介质 |
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 |