CN115600613A - 机器翻译模型的训练方法、装置、电子设备及存储介质 - Google Patents
机器翻译模型的训练方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115600613A CN115600613A CN202211286647.6A CN202211286647A CN115600613A CN 115600613 A CN115600613 A CN 115600613A CN 202211286647 A CN202211286647 A CN 202211286647A CN 115600613 A CN115600613 A CN 115600613A
- Authority
- CN
- China
- Prior art keywords
- sample set
- training sample
- encoder
- training
- module
- 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 233
- 238000013519 translation Methods 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000006870 function Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 18
- 238000011478 gradient descent method Methods 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Audiology, Speech & Language Pathology (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)
- Machine Translation (AREA)
Abstract
本发明实施例公开了一种机器翻译模型的训练方法、装置、电子设备及存储介质。其中，机器翻译模型包括：编码器模块、解码器模块以及对抗生成模块；方法包括：获取训练样本集，并确定与训练样本集对应的第一训练样本集以及第二训练样本集；依次将训练样本集输入至编码器模块以及解码器模块，得到参考编码器权重参数以及参考解码器权重参数；依次将第一训练样本集以及第二训练样本集输入至编码器模块以及对抗生成模块，得到目标编码器权重参数；根据目标编码器权重参数对参考解码器权重参数进行更新，并在满足训练停止条件时，得到目标机器翻译模型。本发明实施例的方案，可以得到翻译准确率较高的机器翻译模型，为提升机器翻译的质量提供依据。
Description
技术领域
本发明实施例涉及人工智能技术领域，尤其涉及一种机器翻译模型的训练方法、装置、电子设备及存储介质。
背景技术
随着人工智能技术的不断发展以及提升，神经网络得到了越来越广泛的应用，例如，通过构建机器翻译模型，来实现待翻译语句到目标语句的转换。
机器翻译模型通常采用编码器-解码器结构，实现对变长输入句子的建模。编码器实现对源语言句子的“理解”，形成一个特定维度的浮点数向量，之后解码器根据此向量逐字生成目标语言的翻译结果。
但是，通过这种方式训练得到的机器翻译模型得到的翻译结果过于生硬，翻译质量较差，对于小说等文学作品的翻译不够准确以及优美，如何提升机器翻译结果的质量是业内亟需解决的问题。
发明内容
本发明实施例提供了一种机器翻译模型的训练方法、装置、电子设备及存储介质，以提升机器翻译结果的质量。
根据本发明实施例的一方面，提供了一种机器翻译模型的训练方法，所述机器翻译模型包括：编码器模块、解码器模块以及对抗生成模块；所述机器翻译模型的训练方法，包括：
获取训练样本集，并确定与所述训练样本集对应的第一训练样本集以及第二训练样本集；所述训练样本集中包括多个源文本序列，以及与各所述源文本序列对应的目标文本序列；
依次将所述训练样本集输入至所述编码器模块以及所述解码器模块，得到参考编码器权重参数以及参考解码器权重参数；
依次将所述第一训练样本集以及所述第二训练样本集输入至所述编码器模块以及所述对抗生成模块，得到目标编码器权重参数；
根据所述目标编码器权重参数对所述参考解码器权重参数进行更新，并在满足训练停止条件时，得到目标机器翻译模型。
根据本发明实施例的另一方面，提供了一种机器翻译模型的训练装置，所述机器翻译模型包括：编码器模块、解码器模块以及对抗生成模块；所述机器翻译模型的训练装置，包括：
训练样本集获取模块，用于获取训练样本集，并确定与所述训练样本集对应的第一训练样本集以及第二训练样本集；所述训练样本集中包括多个源文本序列，以及与各所述源文本序列对应的目标文本序列；
第一训练模块，用于依次将所述训练样本集输入至所述编码器模块以及所述解码器模块，得到参考编码器权重参数以及参考解码器权重参数；
第二训练模块，用于依次将所述第一训练样本集以及所述第二训练样本集输入至所述编码器模块以及所述对抗生成模块，得到目标编码器权重参数；
机器翻译模型确定模块，用于根据所述目标编码器权重参数对所述参考解码器权重参数进行更新，并在满足训练停止条件时，得到目标机器翻译模型。
根据本发明实施例的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序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本发明实施例任一实施例所述的机器翻译模型的训练方法。
根据本发明实施例的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明实施例任一实施例所述的机器翻译模型的训练方法。
本发明实施例的技术方案，通过获取训练样本集，并确定与所述训练样本集对应的第一训练样本集以及第二训练样本集；所述训练样本集中包括多个源文本序列，以及与各所述源文本序列对应的目标文本序列；依次将所述训练样本集输入至所述编码器模块以及所述解码器模块，得到参考编码器权重参数以及参考解码器权重参数；依次将所述第一训练样本集以及所述第二训练样本集输入至所述编码器模块以及所述对抗生成模块，得到目标编码器权重参数；根据所述目标编码器权重参数对所述参考解码器权重参数进行更新，并在满足训练停止条件时，得到目标机器翻译模型，可以得到翻译准确率较高的机器翻译模型，为提升机器翻译的质量提供依据。
应当理解，本部分所描述的内容并非旨在标识本发明实施例的实施例的关键或重要特征，也不用于限制本发明实施例的范围。本发明实施例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
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明实施例的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种机器翻译模型的结构示意图；
图2是根据本发明实施例一提供的一种机器翻译模型的训练方法的流程图；
图3是根据本发明实施例一提供的一种机器翻译模型的训练过程的示意图；
图4是根据本发明实施例二提供的一种机器翻译模型的训练装置的结构示意图；
图5是实现本发明实施例的机器翻译模型的训练方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明实施例方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明实施例一部分的实施例，而不是全部的实施例。基于本发明实施例中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明实施例保护的范围。
需要说明的是，本发明实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明实施例的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
在具体介绍本实施例中涉及到的机器翻译模型的训练方法之前，先对本实施例中涉及到的机器翻译模型进行介绍，图1是根据本发明实施例一提供的一种机器翻译模型的结构示意图，如图1所示，其主要包括：编码器模块110、解码器模块120以及对抗生成模块130。
图2是根据本发明实施例一提供的一种机器翻译模型的训练方法的流程图，本实施例可适用于对机器翻译模型进行训练的情况，该方法可以由机器翻译模型的训练装置来执行，该机器翻译模型的训练装置可以采用硬件和/或软件的形式实现，该机器翻译模型的训练装置可配置于计算机、服务器或者平板电脑等电子设备中。具体的，参考图2，该方法具体包括如下步骤：
步骤210、获取训练样本集，并确定与所述训练样本集对应的第一训练样本集以及第二训练样本集。
其中，所述训练样本集中包括多个源文本序列，以及与各所述源文本序列对应的目标文本序列。
在本实施例的一个可选实现方式中，可以通过获取至少一本文学作品，以及与各文学作品匹配的翻译文本，并对文学作品(即源文本)以及翻译文本进行拆分，例如，一个句子拆分为一个样本，或者一段话拆成一个样本等，从而形成源文本与翻译文本一一对应的训练样本集；可以理解的是，翻译文本即为本实施例中涉及到的目标文本序列。
示例性的，若文学作品为外文小说，则翻译文本可以为中文，也可以为其他外文；若文学作品为中文小说，则翻译文本可以为英文或者其他外文，本实施例中对其不加以限定。
在本实施例的一个可选实现方式中，在获取到训练样本集之后，可以进一步的对训练样本集中的各训练样本进行拆分；示例性的，可以将翻译质量较好的各训练样本添加至第一训练样本集中，将翻译质量较差的各训练样本添加至第二训练样本集中；可以理解的是，在本实施例中可以通过预设的计算机程序对训练样本集进行拆分，得到与训练样本集对应的第一训练样本集以及第二训练样本集；也可以通过工作人员依据经验对训练样本集进行拆分，得到与训练样本集对应的第一训练样本集以及第二训练样本集，本实施例中对其不加以限定。
可选的，在本实施例中，确定与所述训练样本集对应的第一训练样本集以及第二训练样本集，可以包括：对所述训练样本集中的各所述源文本序列以及与各所述源文本序列对应的目标文本序列的对应关系进行打分，并根据分数结果确定所述第一训练样本集以及所述第二训练样本集。
在本实施例的一个可选实现方式中，可以预先设定关注点，例如，可以设定目标文本序列与源文本序列的对应程度、目标文本序列的通顺程度或者目标文本序列的优美程度等；进而根据设定的关注点对训练样本集中的各所述源文本序列以及与各所述源文本序列对应的目标文本序列的对应关系进行打分，并根据打分得到的分数结果确定第一训练样本集以及第二训练样本集。
示例性的，若训练样本集为从儿童小说获取到的，其共包含1000个训练样本(每个训练样本中都包括形式为中文的源文本序列，以及与各源文本序列对应的形式为英文的目标文本序列)，可以通过预先设定的关注点对各训练样本进行打分，并将打分结果进行分数由高到低的排序，并将排在前500的训练样本添加至第一训练样本集，将排在后500的训练样本添加至第二训练样本集。
步骤220、依次将所述训练样本集输入至所述编码器模块以及所述解码器模块，得到参考编码器权重参数以及参考解码器权重参数。
在本实施例的一个可选实现方式中，在获取到训练样本集之后，可以进一步的将训练样本集分成不同的批次，例如，每个批次中可以包含5个训练样本；进而依次将训练样本集以不同批次的形式依次输入至编码器模块以及所述解码器模块，进而可以根据编码器模块以及解码器模块对各批次的训练样本进行处理，而对初始编码器权重参数以及初始解码器权重参数进行更新，从而得到参考编码器权重参数以及参考解码器权重参数；可以理解的是，当全部批次输入至编码器模块以及所述解码器模块，即完成了一次训练轮次，训练轮次可以在模型训练开始之前进行设定，例如，10000次，20000次或者100000次等，本实施例中对其不加以限定。
在本实施例的一个可选实现方式中，依次将所述训练样本集输入至所述编码器模块以及所述解码器模块，得到参考编码器权重参数以及参考解码器权重参数，可以包括：依次将所述训练样本集输入至所述编码器模块以及所述解码器模块中进行迭代训练，通过梯度下降法对初始编码器权重参数以及初始解码器权重参数进行更新；当满足迭代停止条件时，得到所述参考编码器权重参数以及所述参考解码器权重参数。
可选的，在本实施例中可以依次将各批次的训练样本(包括源文本序列以及与源文本序列对应的目标文本序列)输入至编码器模块进行处理，得到各编码结果，再将各编码结果输入至解码器模块进行处理，解码器模块对各编码结果进行解码，并确定损失函数的值，根据损失函数的值对各初始编码器权重参数以及初始解码器权重参数进行更新，当满足迭代停止条件时(例如，迭代轮次达到设定轮次，或者输出的准确率达到设定准确率时)，输出更新后的编码器权重参数以及解码器权重参数；可以理解的是，更新后的编码器权重参数即为参考编码器权重参数；更新后的解码器权重参数即为参考解码器权重参数。
步骤230、依次将所述第一训练样本集以及所述第二训练样本集输入至所述编码器模块以及所述对抗生成模块，得到目标编码器权重参数。
在本实施例的一个可选实现方式中，在得到参考编码器权重参数以及解码器权重参数之后，可以依次将与训练样本集对应的第一训练样本集以及第二训练样本集输入至编码器模块，以及对抗生成模块，从而得到目标编码器权重参数；其中，目标编码器权重参数为对参考编码器权重参数进行微调得到的权重参数，在本实施例中主要通过对抗生成模块的处理结果对参考编码器权重参数进行微调。
可选的，在本实施例中，依次将所述第一训练样本集以及所述第二训练样本集输入至所述编码器模块以及所述对抗生成模块，得到目标编码器权重参数，可以包括：将所述第一训练样本集以及所述第二训练样本集输入至所述编码器模块，得到至少两个编码结果；将各所述编码结果输入至所述对抗生成模块，得到所述目标编码器权重参数。
在本实施例的一个可选实现方式中，将各所述编码结果输入至所述对抗生成模块，得到所述目标编码器权重参数，可以包括：将各所述编码结果输入至所述对抗生成模块，得到目标损失函数；根据所述目标损失函数对所述参考编码器权重参数进行微调，得到所述目标编码器权重参数。
需要说明的是，本实施例中将各所述编码结果输入至所述对抗生成模块，得到目标损失函数，得到是是指损失值，而不是指目标损失函数本身，目标损失函数为训练之前定义好的，其可以为交叉熵损失函数、对数损失函数、0-1损失函数或者指数函数等，本实施例中对其不加以限定。
在本实施例的一个可选实现方式中，在得到参考编码器权重参数以及参考解码器权重参数之后，可以进一步的将所述第一训练样本集以及所述第二训练样本集输入至所述编码器模块进行编码处理，得到与同一源文本序列对应的两个编码结果，并将得到的编码结果输入至对抗生成模块进行处理，得到目标损失函数，并通过得到的目标损失函数对参考编码器权重参数进行微调，得到目标编码器权重参数。
步骤240、根据所述目标编码器权重参数对所述参考解码器权重参数进行更新，并在满足训练停止条件时，得到目标机器翻译模型。
其中，训练停止条件可以为迭代次数条件也可以为准确率条件，本实施例中对其不加以限定。
在本实施例的一个可选实现方式中，在得到目标编码器权重参数之后，可以进一步的根据得到的目标编码器权重参数对步骤220中得到的参考解码器权重参数进行更新，得到更新后的参考解码器权重参数；并在满足训练停止条件时，得到目标机器翻译模型。
可选的，在本实施例中，根据所述目标编码器权重参数对所述参考解码器权重参数进行更新，可以包括：继续将所述训练样本集输入至所述编码器模块以及所述解码器模块中进行迭代训练，保持所述目标编码器权重参数不变，通过梯度下降法对参考解码器权重参数进行更新，得到目标解码器权重参数。
在本实施例的一个可选实现方式中，在得到目标编码器权重参数之后，可以继续执行将所述训练样本集输入至所述编码器模块以及所述解码器模块中进行迭代训练的操作，在此过程中，目标编码器权重参数固定不变，进而可以通过梯度下降法对参考解码器权重参数进行更新，得到目标解码器权重参数。
进一步的，在满足训练停止条件时，得到目标机器翻译模型，可以包括：在迭代次数达到设定迭代次数阈值，和/或输出准确率达到准确率阈值时，获取最终的目标编码器参数以及最终的目标解码器权重参数，得到目标机器翻译模型；其中，所述目标机器翻译模型用于将任一源文本序列翻译成与所述源文本序列对应的目标文本序列。
其中，迭代次数阈值可以为10000次、20000次或者50000次等，本实施例中对其不加以限定；准确率阈值可以为0.99或者0.999等，本实施例中对其也不加以限定。
在本实施例的一个可选实现方式中，在迭代次数达到设定迭代次数阈值、输出准确率达到准确率阈值或者迭代次数达到设定迭代次数阈值以及输出准确率同时达到准确率阈值时，可以停止对目标解码器权重参数进行更新，输出最后一次更新得到的目标解码器权重参数以及保持不变的目标编码器权重参数，而得到目标机器翻译模型；
需要说明的是，本实施例中涉及到的各权重参数并不单独指一个权重参数，示例性的，目标解码器权重参数中可以同时包括多个权重参数，本实施例中对各权重参数的类别以及数量不作限定，其并不是对本发明实施例的限定。
本实施例的技术方案，通过获取训练样本集，并确定与所述训练样本集对应的第一训练样本集以及第二训练样本集；所述训练样本集中包括多个源文本序列，以及与各所述源文本序列对应的目标文本序列；依次将所述训练样本集输入至所述编码器模块以及所述解码器模块，得到参考编码器权重参数以及参考解码器权重参数；依次将所述第一训练样本集以及所述第二训练样本集输入至所述编码器模块以及所述对抗生成模块，得到目标编码器权重参数；根据所述目标编码器权重参数对所述参考解码器权重参数进行更新，并在满足训练停止条件时，得到目标机器翻译模型，可以得到翻译准确率较高的机器翻译模型，为提升机器翻译的质量提供依据。
为了更好地理解本发明实施例中涉及到的机器翻译模型的训练方法，图3是根据本发明实施例一提供的一种机器翻译模型的训练过程的示意图，参考图3，机器翻译模型的训练过程主要包括如下：
S1、获取机器翻译的训练集S；
S2、设置训练轮次(epoch)n，批次(batch)数量m，批次(batch)大小k，对抗训练迭代次数(iteration)r，微调迭代次数(iteration)q，抽取比例h；
S3、初始化模型参数，编码器参数为θ(E)、解码器参数为θ(D)、判别器参数为θ(C)；
如图3中实线流程所示，从采样k个样本作为mini-batch集合B，通过梯度下降法更新参数θ(E)和θ(D)；
S4、通过外部计算指标(如ROUGE)，计算训练集S中每条样本对的分数并排序，按比例抽取前h％及后h％作为样本集S(h)及S(l)；
S5、如图3中虚线流程所示，从S(h)及S(l)各采样k个样本作为mini-batch集合B(h)和B(l)，通过梯度下降法更新参数θ(E)和θ(C)；
S6、如图3中实线流程所示，从采样k个样本作为mini-batch集合B，此时冻结参数θ(E)，通过梯度下降法更新参数θ(D)；
S7、开放参数θ(E)，重复S5及S6，直至到达迭代次数r则完成，并输出最终的机器翻译模型。
本发明实施例的方案，通过生成对抗网络无监督的学习方式引入评价指标作为模型优化的目标，对完整序列编码进行学习优化，将句子编码分布向高质量编码分布迁移，从而减轻了标准编码器-解码器架构目标函数与评价指标不一致的影响，有效提升了机器翻译文本的质量。
本发明实施例的技术方案中，所涉及用户个人信息(如人脸信息、语音信息等)的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
实施例二
图4是根据本发明实施例二提供的一种机器翻译模型的训练装置的结构示意图，其中，机器翻译模型包括：编码器模块、解码器模块以及对抗生成模块；如图4所示，该装置包括：训练样本集获取模块410、第一训练模块420、第二训练模块430以及机器翻译模型确定模块440。
训练样本集获取模块410，用于获取训练样本集，并确定与所述训练样本集对应的第一训练样本集以及第二训练样本集；所述训练样本集中包括多个源文本序列，以及与各所述源文本序列对应的目标文本序列；
第一训练模块420，用于依次将所述训练样本集输入至所述编码器模块以及所述解码器模块，得到参考编码器权重参数以及参考解码器权重参数；
第二训练模块430，用于依次将所述第一训练样本集以及所述第二训练样本集输入至所述编码器模块以及所述对抗生成模块，得到目标编码器权重参数；
机器翻译模型确定模块440，用于根据所述目标编码器权重参数对所述参考解码器权重参数进行更新，并在满足训练停止条件时，得到目标机器翻译模型。
本实施例的方案，通过训练样本集获取模块获取训练样本集，并确定与所述训练样本集对应的第一训练样本集以及第二训练样本集；所述训练样本集中包括多个源文本序列，以及与各所述源文本序列对应的目标文本序列；通过第一训练模块依次将所述训练样本集输入至所述编码器模块以及所述解码器模块，得到参考编码器权重参数以及参考解码器权重参数；通过第二训练模块依次将所述第一训练样本集以及所述第二训练样本集输入至所述编码器模块以及所述对抗生成模块，得到目标编码器权重参数；通过机器翻译模型确定模块根据所述目标编码器权重参数对所述参考解码器权重参数进行更新，并在满足训练停止条件时，得到目标机器翻译模型，可以得到翻译准确率较高的机器翻译模型，为提升机器翻译的质量提供依据。
在本实施例的一个可选实现方式中，训练样本集获取模块410，具体用于对所述训练样本集中的各所述源文本序列以及与各所述源文本序列对应的目标文本序列的对应关系进行打分，并根据分数结果确定所述第一训练样本集以及所述第二训练样本集。
在本实施例的一个可选实现方式中，第一训练模块420，具体用于依次将所述训练样本集输入至所述编码器模块以及所述解码器模块中进行迭代训练，通过梯度下降法对初始编码器权重参数以及初始解码器权重参数进行更新；
当满足迭代停止条件时，得到所述参考编码器权重参数以及所述参考解码器权重参数。
在本实施例的一个可选实现方式中，第二训练模块430，具体用于将所述第一训练样本集以及所述第二训练样本集输入至所述编码器模块，得到至少两个编码结果；
将各所述编码结果输入至所述对抗生成模块，得到所述目标编码器权重参数。
在本实施例的一个可选实现方式中，第二训练模块430，还具体用于将各所述编码结果输入至所述对抗生成模块，得到目标损失函数；
根据所述目标损失函数对所述参考编码器权重参数进行微调，得到所述目标编码器权重参数。
在本实施例的一个可选实现方式中，机器翻译模型确定模块440，具体用于继续将所述训练样本集输入至所述编码器模块以及所述解码器模块中进行迭代训练，保持所述目标编码器权重参数不变，通过梯度下降法对参考解码器权重参数进行更新，得到目标解码器权重参数。
在本实施例的一个可选实现方式中，机器翻译模型确定模块440，还具体用于在迭代次数达到设定迭代次数阈值，和/或输出准确率达到准确率阈值时，获取最终的目标编码器参数以及最终的目标解码器权重参数，得到目标机器翻译模型；
其中，所述目标机器翻译模型用于将任一源文本序列翻译成与所述源文本序列对应的目标文本序列。
本发明实施例所提供的机器翻译模型的训练装置可执行本发明实施例任意实施例所提供的机器翻译模型的训练方法，具备执行方法相应的功能模块和有益效果。
实施例三
图5示出了可以用来实施本发明实施例的实施例的电子设备10的结构示意图。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(如头盔、眼镜、手表等)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/或者要求的本发明实施例的实现。
如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。
处理器11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。处理器11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处理器、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。处理器11执行上文所描述的各个方法和处理，例如机器翻译模型的训练方法。
在一些实施例中，机器翻译模型的训练方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的机器翻译模型的训练方法的一个或多个步骤。备选地，在其他实施例中，处理器11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模型的训练方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、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。
用于实施本发明实施例的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。
在本发明实施例的上下文中，计算机可读存储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计算机程序。计算机可读存储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。备选地，计算机可读存储介质可以是机器可读信号介质。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，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：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电子设备。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)、区块链网络和互联网。
计算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服务中，存在的管理难度大，业务扩展性弱的缺陷。
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，本发明实施例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，只要能够实现本发明实施例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，并不构成对本发明实施例保护范围的限制。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。任何在本发明实施例的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明实施例保护范围之内。
Claims (10)
1.一种机器翻译模型的训练方法，其特征在于，所述机器翻译模型包括：编码器模块、解码器模块以及对抗生成模块；所述机器翻译模型的训练方法，包括：
获取训练样本集，并确定与所述训练样本集对应的第一训练样本集以及第二训练样本集；所述训练样本集中包括多个源文本序列，以及与各所述源文本序列对应的目标文本序列；
依次将所述训练样本集输入至所述编码器模块以及所述解码器模块，得到参考编码器权重参数以及参考解码器权重参数；
依次将所述第一训练样本集以及所述第二训练样本集输入至所述编码器模块以及所述对抗生成模块，得到目标编码器权重参数；
根据所述目标编码器权重参数对所述参考解码器权重参数进行更新，并在满足训练停止条件时，得到目标机器翻译模型。
2.根据权利要求1所述的方法，其特征在于，所述确定与所述训练样本集对应的第一训练样本集以及第二训练样本集，包括：
对所述训练样本集中的各所述源文本序列以及与各所述源文本序列对应的目标文本序列的对应关系进行打分，并根据分数结果确定所述第一训练样本集以及所述第二训练样本集。
3.根据权利要求1所述的方法，其特征在于，所述依次将所述训练样本集输入至所述编码器模块以及所述解码器模块，得到参考编码器权重参数以及参考解码器权重参数，包括：
依次将所述训练样本集输入至所述编码器模块以及所述解码器模块中进行迭代训练，通过梯度下降法对初始编码器权重参数以及初始解码器权重参数进行更新；
当满足迭代停止条件时，得到所述参考编码器权重参数以及所述参考解码器权重参数。
4.根据权利要求1所述的方法，其特征在于，所述依次将所述第一训练样本集以及所述第二训练样本集输入至所述编码器模块以及所述对抗生成模块，得到目标编码器权重参数，包括：
将所述第一训练样本集以及所述第二训练样本集输入至所述编码器模块，得到至少两个编码结果；
将各所述编码结果输入至所述对抗生成模块，得到所述目标编码器权重参数。
5.根据权利要求4所述的方法，其特征在于，所述将各所述编码结果输入至所述对抗生成模块，得到所述目标编码器权重参数，包括：
将各所述编码结果输入至所述对抗生成模块，得到目标损失函数；
根据所述目标损失函数对所述参考编码器权重参数进行微调，得到所述目标编码器权重参数。
6.根据权利要求1所述的方法，其特征在于，所述根据所述目标编码器权重参数对所述参考解码器权重参数进行更新，包括：
继续将所述训练样本集输入至所述编码器模块以及所述解码器模块中进行迭代训练，保持所述目标编码器权重参数不变，通过梯度下降法对参考解码器权重参数进行更新，得到目标解码器权重参数。
7.根据权利要求6所述的方法，其特征在于，所述在满足训练停止条件时，得到目标机器翻译模型，包括：
在迭代次数达到设定迭代次数阈值，和/或输出准确率达到准确率阈值时，获取最终的目标编码器参数以及最终的目标解码器权重参数，得到目标机器翻译模型；
其中，所述目标机器翻译模型用于将任一源文本序列翻译成与所述源文本序列对应的目标文本序列。
8.一种机器翻译模型的训练装置，其特征在于，所述机器翻译模型包括：编码器模块、解码器模块以及对抗生成模块；所述机器翻译模型的训练装置，包括：
训练样本集获取模块，用于获取训练样本集，并确定与所述训练样本集对应的第一训练样本集以及第二训练样本集；所述训练样本集中包括多个源文本序列，以及与各所述源文本序列对应的目标文本序列；
第一训练模块，用于依次将所述训练样本集输入至所述编码器模块以及所述解码器模块，得到参考编码器权重参数以及参考解码器权重参数；
第二训练模块，用于依次将所述第一训练样本集以及所述第二训练样本集输入至所述编码器模块以及所述对抗生成模块，得到目标编码器权重参数；
机器翻译模型确定模块，用于根据所述目标编码器权重参数对所述参考解码器权重参数进行更新，并在满足训练停止条件时，得到目标机器翻译模型。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序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中任一项所述的机器翻译模型的训练方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的机器翻译模型的训练方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211286647.6A CN115600613A (zh) | 2022-10-20 | 2022-10-20 | 机器翻译模型的训练方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211286647.6A CN115600613A (zh) | 2022-10-20 | 2022-10-20 | 机器翻译模型的训练方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115600613A true CN115600613A (zh) | 2023-01-13 |
Family
ID=84848441
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211286647.6A Pending CN115600613A (zh) | 2022-10-20 | 2022-10-20 | 机器翻译模型的训练方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115600613A (zh) |
-
2022
- 2022-10-20 CN CN202211286647.6A patent/CN115600613A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112466288A (zh) | 语音识别方法、装置、电子设备及存储介质 | |
| CN113129870B (zh) | 语音识别模型的训练方法、装置、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 | |
| CN112528655A (zh) | 关键词生成方法、装置、设备及存储介质 | |
| 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 | |
| US20230195998A1 (en) | Sample generation method, model training method, trajectory recognition method, device, and medium | |
| CN112559885A (zh) | 地图兴趣点的训练模型确定方法、装置及电子设备 | |
| CN114998881A (zh) | 深度学习模型的训练方法、文本识别方法、装置和设备 | |
| CN115062718A (zh) | 语言模型训练方法、装置、电子设备及存储介质 | |
| CN114819079A (zh) | 模型训练方法、装置、电子设备及可读存储介质 | |
| CN115293149A (zh) | 一种实体关系识别方法、装置、设备及存储介质 | |
| CN115860003A (zh) | 一种语义角色分析方法、装置、电子设备及存储介质 | |
| CN114282551B (zh) | 翻译方法、装置、电子设备及存储介质 | |
| CN114239583B (zh) | 实体链指模型的训练及实体链指方法、装置、设备及介质 | |
| CN115577705A (zh) | 一种文本处理模型的生成方法、装置、设备及存储介质 | |
| CN115510860A (zh) | 一种文本情感分析方法、装置、电子设备及存储介质 | |
| CN112905917B (zh) | 内链生成方法、模型训练方法、相关装置及电子设备 | |
| CN114841172A (zh) | 文本匹配双塔模型的知识蒸馏方法、装置及程序产品 | |
| CN115547508A (zh) | 数据校正方法、装置、电子设备及存储介质 | |
| CN115600613A (zh) | 机器翻译模型的训练方法、装置、电子设备及存储介质 | |
| CN115454261A (zh) | 输入法候选词生成方法、装置、电子设备及可读存储介质 | |
| CN115357710A (zh) | 表格描述文本生成模型的训练方法、装置及电子设备 | |
| CN114550692A (zh) | 文本处理及其模型的训练方法、装置、设备和存储介质 | |
| CN114328855A (zh) | 文档查询方法、装置、电子设备和可读存储介质 | |
| CN113689866A (zh) | 一种语音转换模型的训练方法、装置、电子设备及介质 |
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 |