CN115409044A - 翻译方法、装置、可读介质及电子设备 - Google Patents

翻译方法、装置、可读介质及电子设备 Download PDF

Info

Publication number
CN115409044A
CN115409044A CN202211034229.8A CN202211034229A CN115409044A CN 115409044 A CN115409044 A CN 115409044A CN 202211034229 A CN202211034229 A CN 202211034229A CN 115409044 A CN115409044 A CN 115409044A
Authority
CN
China
Prior art keywords
target
sample
character
text
language
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
Application number
CN202211034229.8A
Other languages
English (en)
Inventor
郑在翔
黄晨阳
周浩
黄斐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Youzhuju Network Technology Co Ltd
Original Assignee
Beijing Youzhuju Network Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Youzhuju Network Technology Co Ltd filed Critical Beijing Youzhuju Network Technology Co Ltd
Priority to CN202211034229.8A priority Critical patent/CN115409044A/zh
Publication of CN115409044A publication Critical patent/CN115409044A/zh
Pending legal-status Critical Current

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
    • G06F40/47—Machine-assisted translation, e.g. using translation memory
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections

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

本公开涉及一种翻译方法、装置、可读介质及电子设备，所述方法包括：获取待翻译的源文本和目标语言；将源文本和目标语言输入预先基于非自回归模型生成的目标翻译模型，得到目标翻译模型输出的目标文本，目标文本是源文本按照目标语言翻译后的文本；目标翻译模型用于确定源文本按照目标语言翻译后的多个待定字符，针对每个待定字符，将待定字符作为当前字符，确定当前字符对应的关联度，关联度用于表征当前字符与剩余字符为相邻字符的概率，所述剩余字符包括多个所述待定字符中在所述当前字符之后的待定字符，根据多个所述关联度，从多个所述待定字符中确定多个目标待定字符，并将多个所述目标待定字符组成的文本作为所述目标文本。

Description

翻译方法、装置、可读介质及电子设备
技术领域
本公开涉及机器翻译技术领域，具体地，涉及一种翻译方法、装置、可读介质及电子设备。
背景技术
机器翻译是自然语言处理领域的一个热点问题，其目标是使用计算机技术，将一种语言的文本自动翻译为其他语言的文本。近些年来，随着深度学习技术的发展，基于神经网络的机器翻译方法在翻译质量上有了明显的提升，并得到了广泛的应用。多语言翻译是使用单一模型实现多个翻译方向，目前，通过非自回归模型可以实现多语言翻译，但是，由于非自回归模型预测的多个目标字符之间是相互独立的，导致最终得到的目标文本的准确率比较低。
发明内容
提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
第一方面，本公开实施例提供一种翻译方法，包括：
获取待翻译的源文本和目标语言；
将所述源文本和所述目标语言输入预先基于非自回归模型生成的目标翻译模型，得到所述目标翻译模型输出的目标文本，所述目标文本是所述源文本按照所述目标语言翻译后的文本；
所述目标翻译模型用于确定所述源文本按照所述目标语言翻译后的多个待定字符，针对每个所述待定字符，将所述待定字符作为当前字符，确定所述当前字符对应的关联度，所述关联度用于表征所述当前字符与剩余字符为相邻字符的概率，所述剩余字符包括多个所述待定字符中在所述当前字符之后的待定字符，根据多个所述关联度，从多个所述待定字符中确定多个目标待定字符，并将多个所述目标待定字符组成的文本作为所述目标文本。
第二方面，本公开实施例提供一种翻译装置，包括：
获取模块，用于获取待翻译的源文本和目标语言；
翻译模块，用于将所述源文本和所述目标语言输入预先基于非自回归模型生成的目标翻译模型，得到所述目标翻译模型输出的目标文本，所述目标文本是所述源文本按照所述目标语言翻译后的文本；
所述目标翻译模型用于确定所述源文本按照所述目标语言翻译后的多个待定字符，针对每个所述待定字符，将所述待定字符作为当前字符，确定所述当前字符对应的关联度，所述关联度用于表征所述当前字符与剩余字符为相邻字符的概率，所述剩余字符包括多个所述待定字符中在所述当前字符之后的待定字符，根据多个所述关联度，从多个所述待定字符中确定多个目标待定字符，并将多个所述目标待定字符组成的文本作为所述目标文本。
第三方面，本公开实施例提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开第一方面所述方法的步骤。
第四方面，本公开实施例提供一种电子设备，包括：
存储装置，其上存储有至少一个计算机程序；
至少一个处理装置，用于执行所述存储装置中的所述至少一个计算机程序，以实现本公开第一方面所述方法的步骤。
通过上述技术方案，通过获取待翻译的源文本和目标语言；将所述源文本和所述目标语言输入预先基于非自回归模型生成的目标翻译模型，得到所述目标翻译模型输出的目标文本，所述目标文本是所述源文本按照所述目标语言翻译后的文本；所述目标翻译模型用于确定所述源文本按照所述目标语言翻译后的多个待定字符，针对每个所述待定字符，将所述待定字符作为当前字符，确定所述当前字符对应的关联度，所述关联度用于表征所述当前字符与剩余字符为相邻字符的概率，所述剩余字符包括多个所述待定字符中在所述当前字符之后的待定字符，根据多个所述关联度，从多个所述待定字符中确定多个目标待定字符，并将多个所述目标待定字符组成的文本作为所述目标文本。也就是说，本公开实施例的目标翻译模型通过确定翻译后的每个待定字符的关联度，确定每个待定字符的相邻字符，使得最终得到的目标文本的准确率更高，这样，在确保翻译模型的效率和准确率的同时，降低了翻译模型的成本。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：
图1是根据本公开一示例性实施例示出的一种翻译方法的流程图；
图2是根据本公开一示例性实施例示出的一种翻译方法的示意图；
图3是根据本公开一示例性实施例示出的一种模型训练方法的流程图；
图4是根据本公开一示例性实施例示出的另一种模型训练方法的流程图；
图5是根据本公开一示例性实施例示出的一种翻译装置的框图；
图6是根据本公开一示例性实施例示出的另一种翻译装置的框图；
图7是根据本公开一示例性实施例示出的一种电子设备的框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
首先，对本公开的应用场景进行说明。目前，多语言翻译领域使用的神经网络模型有自回归模型和非自回归模型，自回归模型由于考虑到翻译后的多个字符之间的依赖关系，翻译得到的目标文本的准确率比较高，但是，自回归模型的翻译效率比较低。相应的，非自回归模型由于未考虑翻译后的多个字符之间的依赖关系，翻译效率比较高，但是，翻译得到的目标文本的准确率比较高。相关技术中，在非自回归模型中引入知识蒸馏，能够在确保模型翻译效率的同时，提高翻译的准确率。但是，知识蒸馏的成本比较高，尤其针对多语言环境，针对每个翻译方向，均需要通过知识蒸馏过程，导致模型的翻译成本比较高。
为了解决上述存在的问题，本公开提供一种翻译方法、装置、可读介质及电子设备，通过目标翻译模型确定翻译后的每个待定字符的关联度，确定每个待定字符的相邻字符，使得最终得到的目标文本的准确率更高，这样，在确保翻译模型的效率和准确率的同时，降低了翻译模型的成本。
下面结合具体实施例对本公开进行说明。
图1是根据本公开一示例性实施例示出的一种翻译方法的流程图，如图1所示，该方法可以包括：
S101、获取待翻译的源文本和目标语言。
S102、将该源文本和该目标语言输入预先基于非自回归模型生成的目标翻译模型，得到该目标翻译模型输出的目标文本。
其中，该目标文本可以是该源文本按照该目标语言翻译后的文本。该目标翻译模型可以用于确定该源文本按照该目标语言翻译后的多个待定字符，针对每个该待定字符，将该待定字符作为当前字符，确定该当前字符对应的关联度，该关联度用于表征该当前字符与剩余字符为相邻字符的概率，该剩余字符包括多个该待定字符中在该当前字符之后的待定字符，根据多个该关联度，从多个该待定字符中确定多个目标待定字符，并将多个该目标待定字符组成的文本作为该目标文本。
在本步骤中，在获取该源文本和该目标语言后，可以将该源文本和该目标语言输入该目标翻译模型，通过该目标翻译模型确定该源文本按照该目标语言翻译后的多个待定字符。
示例地，图2是根据本公开一示例性实施例示出的一种翻译方法的示意图，图2所示，该源文本为“Iamreadytogo”，该目标语言为中文，将该源文本和该目标语言输入该目标翻译模型后，该目标翻译模型可以确定多个待定字符(“我”、“打”、“准”、“算”、“备”、“走”)和多个待定字符中的目标待定字符。示例地，可以确定待定字符“我”为第一个目标待定字符，针对待定字符“我”，可以分别确定待定字符“打”、待定字符“准”、待定字符“算”、待定字符“备”以及待定字符“走”为待定字符“我”的相邻字符的概率，得到待定字符“我”对应的五个关联度(图2中仅示出非零的关联度)。例如，该待定字符“我”与待定字符“打”的关联度为0.3，该待定字符“我”与待定字符“准”的关联度为0.7，该待定字符“我”与待定字符“算”的关联度为0，该待定字符“我”与待定字符“备”的关联度为0，该待定字符“我”与待定字符“走”的关联度为0。在得到该待定字符“我”对应的五个关联度后，可以将关联度最高的待定字符作为该待定字符“我”对应的目标待定字符，根据上述五个关联度可以确定该待定字符“我”与待定字符“准”的关联度最高(关联度为0.7)，可以将待定字符“准”作为该待定字符“我”对应的目标待定字符。
参照上述确定待定字符“我”对应的关联度的方法，也可以同步确定待定字符“准”对应的关联度，例如，若待定字符“准”与待定字符“算”的关联度为0.2，待定字符“准”与待定字符“备”的关联度为0.8，待定字符“准”与待定字符“走”的关联度为0，则可以确定待定字符“准”对应的目标待定字符为待定字符“备”。
参照上述确定待定字符“我”对应的关联度的方法，还可以同步确定待定字符“备”对应的关联度，若待定字符“备”与待定字符“走”的关联度为1，则可以确定待定字符“备”对应的目标待定字符为待定字符“走”。
在确定多个目标待定字符“我”、“准”、“备”、“走”后，可以将“我”、“准”、“备”、“走”进行组合，得到目标文本“我准备走”。
需要说明的是，如图2所示，本公开实施例也会同步确定待定字符“打”和“算”对应的关联度，由于待定字符“我”对应的目标待定字符为“准”，上述确定该目标文本的步骤中未对确定待定字符“打”和“算”对应的关联度进行详细说明。
在一种可能的实现方式中，将该源文本和该目标语言输入该目标翻译模型后，可以通过该目标翻译模型确定该源文本按照该目标语言翻译后的多个待定字符，针对每个待定字符，可以将该待定字符作为当前字符，从多个预设字符位置中，确定每个该待定字符对应的字符位置；针对每个该剩余字符，根据该当前字符、该剩余字符、该当前字符对应的字符位置以及该剩余字符对应的字符位置，确定该当前字符与该剩余字符为相邻字符的概率，以得到该当前字符对应的关联度，根据多个该关联度，从多个该待定字符中确定多个目标待定字符，并将多个该目标待定字符组成的文本作为该目标文本。
其中，该预设字符位置可以根据该源文本包含的源字符的数量和预设倍数确定，该预设倍数可以根据经验预先设置，示例地，针对准确率要求较高且实时性要求较低的模型，可以设置较大的预设倍数，例如，该预设倍数可以是8，针对准确率要求较低且实时性要求较高的模型，可以设置较小的预设倍数，例如，该预设倍数可以是6。示例地，若该源文本为“Iamreadytogo”，该预设倍数为8，则可以确定该源文本包含的源字符的数量为5，该预设字符位置可以包括40个字符位置。
示例地，继续以该源文本为“Iamreadytogo”，该目标语言为中文进行说明，将该源文本和该目标语言输入该目标翻译模型后，该目标翻译模型可以确定该源文本对应的多个待定字符为“我”、“打”、“准”、“算”、“备”、“走”，若该预设字符位置包括40个字符位置，则可以通过该目标翻译模型确定每个待定字符对应的字符位置，例如，待定字符“我”对应的字符位置可以是第1个位置，待定字符“打”对应的字符位置可以是第2个字符位置，待定字符“准”对应的字符位置可以是第3个字符位置，待定字符“算”对应的字符位置可以是第4个字符位置，待定字符“备”对应的字符位置可以是第5个字符位置，待定字符“走”对应的字符位置可以是第6个字符位置。在确定每个待定字符对应的字符位置后，可以将该待定字符作为当前字符，针对每个剩余字符，根据该当前字符、该剩余字符、该当前字符对应的字符位置以及该剩余字符对应的字符位置，确定该当前字符与该剩余字符为相邻字符的概率，以得到该当前字符对应的关联度。
需要说明的是，本公开实施例对上述目标翻译模型的处理流程的先后顺序不作限定，该目标翻译模型可以同时确定多个待定字符、每个待定字符对应的字符位置以及每个待定字符对应的多个关联度。
在得到每个待定字符对应的关联度之后，针对每个该待定字符，可以将该待定字符对应的多个该关联度中关联度最高的该剩余字符作为该目标待定字符，按照先后顺序将多个该目标待定字符组成该目标文本。示例地，若确定多个目标待定字符包括“我”、“准”、“备”、“走”，则可以按照每个目标待定字符对应的字符位置的先后顺序，将多个目标待定字符组成该目标文本，例如，该目标文本为“我准备走”。
采用上述方法，通过目标翻译模型确定翻译后的每个待定字符的关联度，确定每个待定字符的相邻字符，使得最终得到的目标文本的准确率更高，这样，在确保翻译模型的效率和准确率的同时，降低了翻译模型的成本。
图3是根据本公开一示例性实施例示出的一种模型训练方法的流程图，如图3所示，该方法可以包括：
S31、获取多个样本集。
其中，该样本集可以包括样本源文本、样本源语言、样本目标语言以及该样本源文本按照该样本目标语言翻译后的样本目标文本。该样本源语言和该样本目标语言可以是任一语言，本公开实施例对此不作限定。
S32、将多个该样本集输入非自回归模型，通过该非自回归模型确定该样本源文本按照该样本目标语言翻译后的多个预测文本，根据该预测文本和该样本目标文本，确定该预测文本对应的预测概率，根据该预测概率更新该非自回归模型的参数，得到该目标翻译模型。
在本步骤中，在获取多个样本集后，可以循环执行模型训练步骤，直至根据预测文本和该样本目标文本确定该预测文本对应的预测概率大于或等于预设概率阈值，将训练后的非自回归模型作为该目标翻译模型；该预测文本为该样本集输入该非自回归模型后输出的文本。该预设概率阈值可以根据经验预先设置，示例地，该预设概率阈值可以是0.8。
该模型训练步骤包括：
将多个该样本集输入该非自回归模型，输出每个样本源文本对应的预测文本；
在根据该预测文本和该样本目标文本确定该预测文本对应的预测概率小于或等于该预设概率阈值的情况下，根据该预测概率更新该非自回归模型的参数，得到训练后的非自回归模型，并将训练后的非自回归模型作为新的非自回归模型。
在一种可能的实现方式中，针对该预测文本中的每个预测字符，可以确定该预测字符对应的字符预测概率和位置预测概率，根据多个该字符预测概率和多个该位置预测概率，确定该预测文本对应的预测概率。
其中，在该预测字符的字符位置为at+1的情况下，该位置预测概率用于表征在位置at处预测的位置at+1的概率。
示例地，可以通过以下公式计算得到该位置预测概率：
Figure BDA0003818289650000091
其中，
Figure BDA0003818289650000101
为该位置预测概率，
Figure BDA0003818289650000102
Figure BDA0003818289650000103
为该目标神经网络的最后一层在位置at处的特征向量，
Figure BDA0003818289650000104
为该目标神经网络的最后一层在位置at+1处的特征向量，
Figure BDA0003818289650000105
为该目标神经网络的最后一层在位置
Figure BDA0003818289650000106
处的特征向量，Wk和Wq为模型训练过程中确定的可学习矩阵，
Figure BDA0003818289650000107
S为该预设字符位置的数量，以步骤S102为例，S取值为48。
该字符预测概率用于表征位置at为该预测字符的概率，可以通过现有技术的方法确定该字符预测概率，此处不再赘述。
在确定每个预测字符对应的位置预测概率和字符预测概率后，可以通过以下公式确定该预测文本对应的预测概率：
Figure BDA0003818289650000108
其中，p(y1:Ty)为该预测文本y1对应的预测概率，
Figure BDA0003818289650000109
Figure BDA00038182896500001010
是在位置at预测的字符yt的概率，
Figure BDA00038182896500001011
是在位置at-1预测的位置at的概率。
需要说明的是，
Figure BDA00038182896500001012
和
Figure BDA00038182896500001013
均可以独立预测，从而使得训练得到的目标翻译模型的推理速度更快，进一步提高了翻译的效率。
通过上述模型训练方法，在训练过程中考虑了字符的预测和位置的预测，能够体现多个字符之间的关联度，这样，在不需要知识蒸馏的情况下，基于非自回归模型生成的目标翻译模型的准确率也能够保证，从而降低了翻译模型的成本。
图4是根据本公开一示例性实施例示出的另一种模型训练方法的流程图，如图4所示，步骤S31的实现方式可以包括：
S1、获取多个第一样本集。
其中，该第一样本集可以包括第一样本源文本、第一样本源语言、第一样本目标语言以及该第一样本源文本按照该第一样本目标语言翻译后的第一样本目标文本。示例地，该第一样本集可以表示为(x,lsrc,y,ltgt)，x为该第一样本源文本，lsrc为该第一样本源语言，y为该第一样本目标语言，ltgt为该第一样本目标文本。
S2、从多个该第一样本集中确定至少一个第一目标样本集。
其中，该第一目标样本集可以是多个第一样本集中的任一第一样本集。
S3、从多个预设样本语言中随机确定目标预设样本语言。
其中，该预设样本语言可以包括期望该目标翻译模型支持的多种语言。
S4、针对每个该第一目标样本集，在该目标预设样本语言不属于多个该第一样本目标语言，或者该第一目标样本集的第一样本目标语言不属于多个该第一样本源语言的情况下，确定样本中间语言，并根据该第一目标样本集、该样本中间语言以及该目标预设样本语言，生成第二样本集。
其中，多个该第一样本源语言和多个该第一样本目标语言均包括该样本中间语言。
其中，多个该第一样本源语言和多个该第一样本目标语言均包括该样本中间语言。示例地，若多个该第一样本源语言包括中文、英文、日文、法文、德文，多个第一样本目标语言包括中文、意大利文，则可以将中文作为该样本中间语言。
在确定该目标预设样本语言后，针对每个第一目标样本集，可以先确定该目标预设样本语言是否属于多个第一样本目标语言，在该目标预设样本语言属于多个第一样本目标语言的情况下，确定该第一目标样本集的第一样本目标语言是否属于多个第一样本源语言，在该第一目标样本集的第一样本目标语言属于多个第一样本源语言的情况下，表示该第一目标样本集的第一样本目标语言至该目标预设样本语言的翻译方向包含在多个第一样本集中。在该目标预设样本语言不属于多个第一样本目标语言，或者，该第一目标样本集的第一样本目标语言不属于多个第一样本源语言的情况下，表示该第一目标样本集的第一样本目标语言至该目标预设样本语言的翻译方向不包含在多个第一样本集中。
示例地，以该第一目标样本集为(x,lsrc,y,ltgt)，该目标预设样本语言为laug为例进行说明，在该目标预设样本语言不属于多个第一样本目标语言，或者，该第一目标样本集的第一样本目标语言不属于多个第一样本源语言的情况下，表示laug->ltgt的翻译方向不包含在多个第一样本集中。
在一种可能的实现方式中，在确定第一目标样本集的第一样本目标语言至该目标预设样本语言的翻译方向不包含在多个第一样本集中的情况下，可以根据该第一目标样本集的原始样本目标文本、原始样本目标语言以及该样本中间语言，确定样本中间源文本；根据该样本中间源文本、该样本中间语言以及该目标预设样本语言，确定样本中间目标文本；根据该目标预设样本语言、该原始样本目标语言、该样本中间源文本以及该样本中间目标文本，生成该第二样本集。
示例地，可以将该原始样本目标语言作为第一扩充源语言，将该原始样本目标文本作为第一扩充源文本，将该样本中间语言作为第一扩充目标语言，通过多个第一样本集确定该第一扩充源文本对应的中间文本。之后，将该中间文本作为第二扩充源文本，将该样本中间语言作为第二扩充源语言，将该目标预设样本语言作为该第二扩充目标语言，通过多个第一样本集，确定该第二扩充源文本对应的第二扩充目标文本。这样，可以得到该原始样本目标语言至该目标预设样本语言翻译方向的样本，将该样本作为该第二样本集。
示例地，以该第一目标样本集为(x,lsrc,y,ltgt)，该目标预设样本语言为laug，该样本中间语言为lpivot为例进行说明，可以将ltgt作为该第一扩充源语言，将y作为该第一扩充源文本，将lpivot作为第一扩充目标语言，得到y按照lpivot翻译后的中间文本
Figure BDA0003818289650000131
之后，可以将
Figure BDA0003818289650000132
作为第二扩充源文本，将lpivot作为第一扩充源语言，将laug作为该第二扩充目标语言，得到
Figure BDA0003818289650000133
按照laug翻译后的第二扩充目标文本
Figure BDA0003818289650000134
从而得到第二样本集
Figure BDA0003818289650000135
通过上述方法，可以以反向翻译的方式获取更多的样本集，增强用于训练该目标翻译模型的训练数据，从而使得该目标翻译模型的准确率更高。
图5是根据本公开一示例性实施例示出的一种翻译装置的框图，如图5所示，该装置可以包括：
获取模块501，用于获取待翻译的源文本和目标语言；
翻译模块502，用于将该源文本和该目标语言输入预先基于非自回归模型生成的目标翻译模型，得到该目标翻译模型输出的目标文本，该目标文本是该源文本按照该目标语言翻译后的文本；
该目标翻译模型用于确定该源文本按照该目标语言翻译后的多个待定字符，针对每个该待定字符，将该待定字符作为当前字符，确定该当前字符对应的关联度，该关联度用于表征该当前字符与剩余字符为相邻字符的概率，该剩余字符包括多个该待定字符中在该当前字符之后的待定字符，根据多个该关联度，从多个该待定字符中确定多个目标待定字符，并将多个该目标待定字符组成的文本作为该目标文本。
可选地，该翻译模块502，还用于：
从多个预设字符位置中，确定每个该待定字符对应的字符位置；
针对每个该剩余字符，根据该当前字符、该剩余字符、该当前字符对应的字符位置以及该剩余字符对应的字符位置，确定该当前字符与该剩余字符为相邻字符的概率，以得到该当前字符对应的关联度。
可选地，该翻译模块502，还用于：
针对每个该待定字符，将该待定字符对应的多个该关联度中关联度最高的该剩余字符作为该目标待定字符；
按照先后顺序将多个该目标待定字符组成该目标文本。
可选地，图6是根据本公开一示例性实施例示出的另一种翻译装置的框图，如图6所示，该装置还包括：
模型训练模块503，用于获取多个样本集，该样本集包括样本源文本、样本源语言、样本目标语言以及该样本源文本按照该样本目标语言翻译后的样本目标文本；将多个该样本集输入非自回归模型，通过该非自回归模型确定该样本源文本按照该样本目标语言翻译后的多个预测文本，根据该预测文本和该样本目标文本，确定该预测文本对应的预测概率，根据该预测概率更新该非自回归模型的参数，得到该目标翻译模型。
可选地，该模型训练模块503，还用于：
针对该预测文本中的每个预测字符，确定该预测字符对应的字符预测概率和位置预测概率；
根据多个该字符预测概率和多个该位置预测概率，确定该预测文本对应的预测概率。
可选地，该模型训练模块503，还用于：
获取多个第一样本集，该第一样本集包括第一样本源文本、第一样本源语言、第一样本目标语言以及该第一样本源文本按照该第一样本目标语言翻译后的第一样本目标文本；
从多个该第一样本集中确定至少一个第一目标样本集；
从多个预设样本语言中随机确定目标预设样本语言；
针对每个该第一目标样本集，在该目标预设样本语言不属于多个该第一样本目标语言，或者该第一目标样本集的第一样本目标语言不属于多个该第一样本源语言的情况下，确定样本中间语言，并根据该第一目标样本集、该样本中间语言以及该目标预设样本语言，生成第二样本集，多个该第一样本源语言和多个所述第一样本目标语言均包括该样本中间语言。
可选地，该模型训练模块503，还用于：
根据该第一目标样本集的原始样本目标文本、原始样本目标语言以及该样本中间语言，确定样本中间源文本；
根据该样本中间源文本、该样本中间语言以及该目标预设样本语言，确定样本中间目标文本；
根据该目标预设样本语言、该原始样本目标语言、该样本中间源文本以及该样本中间目标文本，生成该第二样本集。
通过上述装置，过目标翻译模型确定翻译后的每个待定字符的关联度，确定每个待定字符的相邻字符，使得最终得到的目标文本的准确率更高，这样，在确保翻译模型的效率和准确率的同时，降低了翻译模型的成本。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
下面参考图7，其示出了适于用来实现本公开实施例的电子设备600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，可以利用诸如HTTP(HyperText Transfer Protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取待翻译的源文本和目标语言；将所述源文本和所述目标语言输入预先基于非自回归模型生成的目标翻译模型，得到所述目标翻译模型输出的目标文本，所述目标文本是所述源文本按照所述目标语言翻译后的文本；所述目标翻译模型用于确定所述源文本按照所述目标语言翻译后的多个待定字符，针对每个所述待定字符，将所述待定字符作为当前字符，确定所述当前字符对应的关联度，所述关联度用于表征所述当前字符与剩余字符为相邻字符的概率，所述剩余字符包括多个所述待定字符中在所述当前字符之后的待定字符，根据多个所述关联度，从多个所述待定字符中确定多个目标待定字符，并将多个所述目标待定字符组成的文本作为所述目标文本。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，获取模块还可以被描述为“获取待翻译的源文本和目标语言的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
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。
根据本公开的一个或多个实施例，示例1提供了一种翻译方法，包括：获取待翻译的源文本和目标语言；将所述源文本和所述目标语言输入预先基于非自回归模型生成的目标翻译模型，得到所述目标翻译模型输出的目标文本，所述目标文本是所述源文本按照所述目标语言翻译后的文本；所述目标翻译模型用于确定所述源文本按照所述目标语言翻译后的多个待定字符，针对每个所述待定字符，将所述待定字符作为当前字符，确定所述当前字符对应的关联度，所述关联度用于表征所述当前字符与剩余字符为相邻字符的概率，所述剩余字符包括多个所述待定字符中在所述当前字符之后的待定字符，根据多个所述关联度，从多个所述待定字符中确定多个目标待定字符，并将多个所述目标待定字符组成的文本作为所述目标文本。
根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述确定所述当前字符对应的关联度包括：从多个预设字符位置中，确定每个所述待定字符对应的字符位置；针对每个所述剩余字符，根据所述当前字符、所述剩余字符、所述当前字符对应的字符位置以及所述剩余字符对应的字符位置，确定所述当前字符与所述剩余字符为相邻字符的概率，以得到所述当前字符对应的关联度。
根据本公开的一个或多个实施例，示例3提供了示例1的方法，所述根据多个所述关联度，从多个所述待定字符中确定多个目标待定字符，并将多个所述目标待定字符组成的文本作为所述目标文本包括：针对每个所述待定字符，将所述待定字符对应的多个所述关联度中关联度最高的所述剩余字符作为所述目标待定字符；按照先后顺序将多个所述目标待定字符组成所述目标文本。
根据本公开的一个或多个实施例，示例4提供了示例1-3任一示例的方法，所述目标翻译模型通过以下方法预先生成：获取多个样本集，所述样本集包括样本源文本、样本源语言、样本目标语言以及所述样本源文本按照所述样本目标语言翻译后的样本目标文本；将多个所述样本集输入目非自回归模型，通过所述非自回归模型确定所述样本源文本按照所述样本目标语言翻译后的多个预测文本，根据所述预测文本和所述样本目标文本，确定所述预测文本对应的预测概率，根据所述预测概率更新所述非自回归模型的参数，得到所述目标翻译模型。
根据本公开的一个或多个实施例，示例5提供了示例4的方法，所述确定所述预测文本对应的预测概率包括：针对所述预测文本中的每个预测字符，确定所述预测字符对应的字符预测概率和位置预测概率；根据多个所述字符预测概率和多个所述位置预测概率，确定所述预测文本对应的预测概率。
根据本公开的一个或多个实施例，示例6提供了示例5的方法，所述获取多个样本集包括：获取多个第一样本集，所述第一样本集包括第一样本源文本、第一样本源语言、第一样本目标语言以及所述第一样本源文本按照所述第一样本目标语言翻译后的第一样本目标文本；从多个所述第一样本集中确定至少一个第一目标样本集；从多个预设样本语言中随机确定目标预设样本语言；针对每个所述第一目标样本集，在所述目标预设样本语言不属于多个所述第一样本目标语言，或者所述第一目标样本集的第一样本目标语言不属于多个所述第一样本源语言的情况下，确定样本中间语言，并根据所述第一目标样本集、所述样本中间语言以及所述目标预设样本语言，生成第二样本集，多个所述第一样本源语言和多个所述第一样本目标语言均包括所述样本中间语言。
根据本公开的一个或多个实施例，示例7提供了示例6的方法，所述根据所述第一目标样本集、所述样本中间语言以及所述目标预设样本语言，生成第二样本集包括：根据所述第一目标样本集的原始样本目标文本、原始样本目标语言以及所述样本中间语言，确定样本中间源文本；根据所述样本中间源文本、所述样本中间语言以及所述目标预设样本语言，确定样本中间目标文本；根据所述目标预设样本语言、所述原始样本目标语言、所述样本中间源文本以及所述样本中间目标文本，生成所述第二样本集。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

Claims (10)

1.一种翻译方法，其特征在于，包括：
获取待翻译的源文本和目标语言；
将所述源文本和所述目标语言输入预先基于非自回归模型生成的目标翻译模型，得到所述目标翻译模型输出的目标文本，所述目标文本是所述源文本按照所述目标语言翻译后的文本；
所述目标翻译模型用于确定所述源文本按照所述目标语言翻译后的多个待定字符，针对每个所述待定字符，将所述待定字符作为当前字符，确定所述当前字符对应的关联度，所述关联度用于表征所述当前字符与剩余字符为相邻字符的概率，所述剩余字符包括多个所述待定字符中在所述当前字符之后的待定字符，根据多个所述关联度，从多个所述待定字符中确定多个目标待定字符，并将多个所述目标待定字符组成的文本作为所述目标文本。
2.根据权利要求1所述的方法，其特征在于，所述确定所述当前字符对应的关联度包括：
从多个预设字符位置中，确定每个所述待定字符对应的字符位置；
针对每个所述剩余字符，根据所述当前字符、所述剩余字符、所述当前字符对应的字符位置以及所述剩余字符对应的字符位置，确定所述当前字符与所述剩余字符为相邻字符的概率，以得到所述当前字符对应的关联度。
3.根据权利要求1所述的方法，其特征在于，所述根据多个所述关联度，从多个所述待定字符中确定多个目标待定字符，并将多个所述目标待定字符组成的文本作为所述目标文本包括：
针对每个所述待定字符，将所述待定字符对应的多个所述关联度中关联度最高的所述剩余字符作为所述目标待定字符；
按照先后顺序将多个所述目标待定字符组成所述目标文本。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述目标翻译模型通过以下方法预先生成：
获取多个样本集，所述样本集包括样本源文本、样本源语言、样本目标语言以及所述样本源文本按照所述样本目标语言翻译后的样本目标文本；
将多个所述样本集输入非自回归模型，通过所述非自回归模型确定所述样本源文本按照所述样本目标语言翻译后的多个预测文本，根据所述预测文本和所述样本目标文本，确定所述预测文本对应的预测概率，根据所述预测概率更新所述非自回归模型的参数，得到所述目标翻译模型。
5.根据权利要求4所述的方法，其特征在于，所述确定所述预测文本对应的预测概率包括：
针对所述预测文本中的每个预测字符，确定所述预测字符对应的字符预测概率和位置预测概率；
根据多个所述字符预测概率和多个所述位置预测概率，确定所述预测文本对应的预测概率。
6.根据权利要求4所述的方法，其特征在于，所述获取多个样本集包括：
获取多个第一样本集，所述第一样本集包括第一样本源文本、第一样本源语言、第一样本目标语言以及所述第一样本源文本按照所述第一样本目标语言翻译后的第一样本目标文本；
从多个所述第一样本集中确定至少一个第一目标样本集；
从多个预设样本语言中随机确定目标预设样本语言；
针对每个所述第一目标样本集，在所述目标预设样本语言不属于多个所述第一样本目标语言，或者所述第一目标样本集的第一样本目标语言不属于多个所述第一样本源语言的情况下，确定样本中间语言，并根据所述第一目标样本集、所述样本中间语言以及所述目标预设样本语言，生成第二样本集，多个所述第一样本源语言和多个所述第一样本目标语言均包括所述样本中间语言。
7.根据权利要求6所述的方法，其特征在于，所述根据所述第一目标样本集、所述样本中间语言以及所述目标预设样本语言，生成第二样本集包括：
根据所述第一目标样本集的原始样本目标文本、原始样本目标语言以及所述样本中间语言，确定样本中间源文本；
根据所述样本中间源文本、所述样本中间语言以及所述目标预设样本语言，确定样本中间目标文本；
根据所述目标预设样本语言、所述原始样本目标语言、所述样本中间源文本以及所述样本中间目标文本，生成所述第二样本集。
8.一种翻译装置，其特征在于，包括：
获取模块，用于获取待翻译的源文本和目标语言；
翻译模块，用于将所述源文本和所述目标语言输入预先基于非自回归模型生成的目标翻译模型，得到所述目标翻译模型输出的目标文本，所述目标文本是所述源文本按照所述目标语言翻译后的文本；
所述目标翻译模型用于确定所述源文本按照所述目标语言翻译后的多个待定字符，针对每个所述待定字符，将所述待定字符作为当前字符，确定所述当前字符对应的关联度，所述关联度用于表征所述当前字符与剩余字符为相邻字符的概率，所述剩余字符包括多个所述待定字符中在所述当前字符之后的待定字符，根据多个所述关联度，从多个所述待定字符中确定多个目标待定字符，并将多个所述目标待定字符组成的文本作为所述目标文本。
9.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种电子设备，其特征在于，包括：
存储装置，其上存储有至少一个计算机程序；
至少一个处理装置，用于执行所述存储装置中的所述至少一个计算机程序，以实现权利要求1-7中任一项所述方法的步骤。
CN202211034229.8A 2022-08-26 2022-08-26 翻译方法、装置、可读介质及电子设备 Pending CN115409044A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211034229.8A CN115409044A (zh) 2022-08-26 2022-08-26 翻译方法、装置、可读介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211034229.8A CN115409044A (zh) 2022-08-26 2022-08-26 翻译方法、装置、可读介质及电子设备

Publications (1)

Publication Number Publication Date
CN115409044A true CN115409044A (zh) 2022-11-29

Family

ID=84162255

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211034229.8A Pending CN115409044A (zh) 2022-08-26 2022-08-26 翻译方法、装置、可读介质及电子设备

Country Status (1)

Country Link
CN (1) CN115409044A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110852116A (zh) * 2019-11-07 2020-02-28 腾讯科技（深圳）有限公司 非自回归神经机器翻译方法、装置、计算机设备和介质
CN110874537A (zh) * 2018-08-31 2020-03-10 阿里巴巴集团控股有限公司 多语言翻译模型的生成方法、翻译方法及设备
CN114186569A (zh) * 2021-09-28 2022-03-15 北京有竹居网络技术有限公司 用于多语言处理的方法和装置
CN114282551A (zh) * 2021-11-15 2022-04-05 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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110874537A (zh) * 2018-08-31 2020-03-10 阿里巴巴集团控股有限公司 多语言翻译模型的生成方法、翻译方法及设备
CN110852116A (zh) * 2019-11-07 2020-02-28 腾讯科技（深圳）有限公司 非自回归神经机器翻译方法、装置、计算机设备和介质
CN114186569A (zh) * 2021-09-28 2022-03-15 北京有竹居网络技术有限公司 用于多语言处理的方法和装置
CN114282551A (zh) * 2021-11-15 2022-04-05 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
KUANG SHAOHUI 等: "Attention Focusing for Neural Machine Translation by Bridging Source and Target Embeddings", 《PROCEEDINGS OF THE 56TH ANNUAL MEETING OF THE ASSOCIATION FOR COMPUTATIONAL LINGUISTICS》, vol. 1, 31 July 2018 (2018-07-31), pages 1767 - 1776 *

Similar Documents

Publication Publication Date Title
CN113313064A (zh) 字符识别方法、装置、可读介质及电子设备
CN112883968B (zh) 图像字符识别方法、装置、介质及电子设备
CN112883967B (zh) 图像字符识别方法、装置、介质及电子设备
CN111597825B (zh) 语音翻译方法、装置、可读介质及电子设备
CN112270200B (zh) 一种文本信息的翻译方法、装置、电子设备和存储介质
CN112380876B (zh) 基于多语言机器翻译模型的翻译方法、装置、设备和介质
CN113449070A (zh) 多模态数据检索方法、装置、介质及电子设备
CN112712801A (zh) 一种语音唤醒方法、装置、电子设备及存储介质
CN111309304A (zh) 一种生成idl文件的方法、装置、介质和电子设备
CN112883966A (zh) 图像字符识别方法、装置、介质及电子设备
CN115908640A (zh) 生成图像的方法、装置、可读介质及电子设备
CN115640815A (zh) 翻译方法、装置、可读介质及电子设备
CN114765025A (zh) 语音识别模型的生成方法、识别方法、装置、介质及设备
CN112309384A (zh) 一种语音识别方法、装置、电子设备及介质
CN112380883B (zh) 模型训练方法、机器翻译方法、装置、设备及存储介质
CN117034923A (zh) 一种训练方法、文本评估方法、装置、介质及设备
CN116092092A (zh) 匹配方法、装置、介质及电子设备
CN112257459B (zh) 语言翻译模型的训练方法、翻译方法、装置和电子设备
CN112669816B (zh) 模型的训练方法、语音识别方法、装置、介质及设备
CN114429629A (zh) 图像处理方法、装置、可读存储介质及电子设备
CN111221424B (zh) 用于生成信息的方法、装置、电子设备和计算机可读介质
CN112685996B (zh) 文本标点预测方法、装置、可读介质和电子设备
CN111782895B (zh) 检索处理方法、装置、可读介质及电子设备
CN111626044B (zh) 文本生成方法、装置、电子设备及计算机可读存储介质
CN110728137B (zh) 用于分词的方法和装置

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