KR102550340B1 - 챕터-레벨 텍스트 번역 방법 및 디바이스 - Google Patents

챕터-레벨 텍스트 번역 방법 및 디바이스 Download PDF

Info

Publication number
KR102550340B1
KR102550340B1 KR1020207035704A KR20207035704A KR102550340B1 KR 102550340 B1 KR102550340 B1 KR 102550340B1 KR 1020207035704 A KR1020207035704 A KR 1020207035704A KR 20207035704 A KR20207035704 A KR 20207035704A KR 102550340 B1 KR102550340 B1 KR 102550340B1
Authority
KR
South Korea
Prior art keywords
text
translated
encoded result
result
encoded
Prior art date
Application number
KR1020207035704A
Other languages
English (en)
Other versions
KR20210003284A (ko
Inventor
지치앙 마
준후아 리우
시 웨이
구오핑 후
Original Assignee
아이플라이텍 캄파니 리미티드
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 아이플라이텍 캄파니 리미티드 filed Critical 아이플라이텍 캄파니 리미티드
Publication of KR20210003284A publication Critical patent/KR20210003284A/ko
Application granted granted Critical
Publication of KR102550340B1 publication Critical patent/KR102550340B1/ko

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/40—Processing or translation of natural language
    • G06F40/42—Data-driven translation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/40—Processing or translation of natural language
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/12—Use of codes for handling textual entities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/12—Use of codes for handling textual entities
    • G06F40/126—Character encoding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/12—Use of codes for handling textual entities
    • G06F40/131—Fragmentation of text files, e.g. creating reusable text-blocks; Linking to fragments, e.g. using XInclude; Namespaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/048—Activation functions

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Machine Translation (AREA)

Abstract

챕터-레벨 텍스트 번역 방법 및 장치에 있어서, 본 방법은 번역될 텍스트를 획득하는 단계로서, 번역될 텍스트는 번역될 챕터-레벨 텍스트의 단위 텍스트인, 번역될 텍스트를 획득하는 단계(S101); 번역될 텍스트의 관련 텍스트를 획득하는 단계로서, 관련 텍스트는 선행 소스 텍스트, 후속 소스 텍스트 및 선행 타겟 텍스트 중 적어도 하나를 포함하는, 번역될 텍스트의 관련 텍스트를 획득하는 단계(S102); 및 관련 텍스트에 따라 번역될 텍스트를 번역하는 단계(S103)를 포함한다.

Description

챕터-레벨 텍스트 번역 방법 및 디바이스
본 출원은 2018년 5월 15일자로 중국 특허청에 출원된 "챕터-레벨 텍스트 번역 방법 및 장치(CHAPTER-LEVEL TEXT TRANSLATION METHOD AND APPARATUS)"라는 제목의 중국 특허 출원 제201810463138.3호에 대해 우선권을 주장하며, 이는 본원에 그 전체가 참조로 통합된다.
본 개시는 텍스트 번역의 기술 분야에 관한 것으로, 특히 담화-레벨 텍스트를 번역하기 위한 방법 및 장치에 관한 것이다.
담화-레벨 텍스트는 일련의 문장으로 구성된다. 예를 들어, 담화-레벨 텍스트는 음성 텍스트, 잡지 기사, 문학 작품 등이 될 수 있다. 담화-레벨 텍스트의 가장 중요한 특징은 문장 간의 일관성과 연속성이므로, 레벨 텍스트는 문장의 시퀀스의 모음일뿐만 아니라, 완전한 구조와 명확한 기능을 갖는 시맨틱(semantic) 통일성이다.
레벨 텍스트의 경우, 담화-레벨 텍스트를 번역하기 위한 방법이 이를 번역하기 위해 적용되어야 한다. 기존의 담화-레벨 텍스트 번역 방법 중, 일반적으로 번역될 담화-레벨 텍스트 전체가 번역 대상으로 취급되어 직접 번역된다. 그러나, 결과적인 번역은 번역 결과의 정확성이 높지 않아 사용자 경험에 부정적인 영향을 미친다는 점에서 이상적이지 않다.
본 개시의 실시예의 목적은 담화-레벨 텍스트를 번역할 때 번역 결과의 정확성을 향상시키는, 담화-레벨 텍스트를 번역하기 위한 방법 및 장치를 제공하는 것이다.
본 개시의 실시예에 따라 담화-레벨 텍스트를 번역하기 위한 방법이 제공된다. 본 방법은:
번역될 텍스트를 획득하는 단계로서, 번역될 텍스트는 번역될 담화-레벨 텍스트의 단위 텍스트인, 번역될 텍스트를 획득하는 단계;
번역될 텍스트의 관련 텍스트를 획득하는 단계로서, 관련 텍스트는 선행 소스 텍스트, 후속 소스 텍스트 또는 선행 타겟 텍스트 중 적어도 하나를 포함하고, 선행 소스 텍스트는 담화-레벨 텍스트에서 번역될 텍스트 이전의 적어도 하나의 텍스트 단위를 나타내고, 후속 소스 텍스트는 담화-레벨 텍스트에서 번역될 텍스트 이후의 적어도 하나의 텍스트 단위를 나타내고, 선행 타겟 텍스트는 선행 소스 텍스트의 번역된 텍스트를 나타내는, 관련 텍스트를 획득하는 단계; 및
관련 텍스트에 따라 번역될 텍스트를 번역하는 단계를 포함한다.
선택적으로, 관련 텍스트에 따라 번역될 텍스트를 번역하는 단계는:
사전-구성된 인코딩-및-디코딩 모델을 사용하여 관련 텍스트에 따라 번역될 텍스트를 번역하는 단계를 포함한다.
선택적으로, 관련 텍스트에 따라 번역될 텍스트를 번역하는 단계는:
번역될 텍스트를 인코딩함으로써 초기 인코딩된 결과를 획득하는 단계로서, 초기 인코딩된 결과는 번역될 텍스트의 시맨틱(semantic) 정보를 나타내는, 초기 인코딩된 결과를 획득하는 단계;
관련 텍스트를 인코딩함으로써 관련 인코딩된 결과를 획득하는 단계로서, 관련 인코딩된 결과는 관련 텍스트의 시맨틱 정보를 나타내는, 관련 인코딩된 결과를 획득하는 단계;
관련 인코딩된 결과의 인코딩된 결과들의 전부 또는 일부와 함께 초기 인코딩된 결과를 프로세싱함으로써 타겟 인코딩된 결과를 획득하는 단계로서, 타겟 인코딩된 결과는 번역될 텍스트의 시맨틱 정보를 나타내며, 관련 텍스트의 시맨틱 정보의 전부 또는 일부를 전달하는, 타겟 인코딩된 결과를 획득하는 단계; 및
타겟 인코딩된 결과를 디코딩함으로써 번역될 텍스트를 번역하는 단계를 포함한다.
선택적으로, 번역될 텍스트를 인코딩함으로써 초기 인코딩된 결과를 획득하는 단계는:
번역될 텍스트의 단어들을 인코딩함으로써 초기 인코딩된 결과를 획득하는 단계를 포함한다.
따라서, 관련 텍스트를 인코딩함으로써 관련 인코딩된 결과를 획득하는 단계는:
각각의 텍스트 단위들에 대응하는 인코딩된 결과들을 획득하기 위해 관련 텍스트의 각각의 텍스트 단위의 단어들을 인코딩하고, 인코딩된 결과들을 관련 인코딩된 결과로서 결정하는 단계를 포함한다.
선택적으로, 번역될 텍스트의 단어들을 인코딩한 후, 본 방법은:
번역될 텍스트의 단어들의 인코딩된 결과를 함께 추가함으로써 번역될 텍스트에 대응하는 누적 결과를 획득하는 단계를 더 포함한다.
따라서, 관련 텍스트의 각각의 텍스트 단위의 단어들을 인코딩한 후, 본 방법은:
관련 텍스트가 선행 소스 텍스트를 포함하는 경우, 각각의 텍스트 단위에 대응하는 누적 결과를 획득하기 위해 선행 소스 텍스트의 각각의 텍스트 단위의 단어들의 인코딩된 결과를 함께 추가하는 단계;
관련 텍스트가 후속 소스 텍스트를 포함하는 경우, 각각의 텍스트 단위에 대응하는 누적 결과를 획득하기 위해 후속 소스 텍스트의 각각의 텍스트 단위의 단어들의 인코딩된 결과를 함께 추가하는 단계; 및
관련 텍스트가 선행 타겟 텍스트를 포함하는 경우, 각각의 텍스트 단위에 대응하는 누적 결과를 획득하기 위해 선행 타겟 텍스트의 각각의 텍스트 단위의 단어들의 인코딩된 결과들을 함께 추가하는 단계를 더 포함한다.
선택적으로, 관련 인코딩된 결과의 인코딩된 결과들의 전부 또는 일부와 함께 초기 인코딩된 결과를 프로세싱하는 단계는:
관련 텍스트가 선행 소스 텍스트를 포함하는 경우, 관련 인코딩된 결과로부터 선행 소스 텍스트의 인코딩된 결과를 결정하는 단계;
관련 텍스트가 후속 소스 텍스트를 포함하는 경우, 관련 인코딩된 결과로부터 후속 소스 텍스트의 인코딩된 결과를 결정하는 단계; 및
결정된 인코딩된 결과에 따라 초기 인코딩된 결과를 프로세싱하는 단계를 포함한다.
선택적으로, 결정된 인코딩된 결과에 따라 초기 인코딩된 결과를 프로세싱하는 단계는:
관련 텍스트가 선행 소스 텍스트를 포함하는 경우, 번역될 텍스트의 초기 인코딩된 결과 및 선행 소스 텍스트의 인코딩된 결과에 따라 번역될 텍스트와 선행 소스 텍스트 사이의 상관도를 결정하는 단계;
관련 텍스트가 후속 소스 텍스트를 포함하는 경우, 번역될 텍스트의 초기 인코딩된 결과 및 후속 소스 텍스트의 인코딩된 결과에 따라 번역될 텍스트와 선행 소스 텍스트 사이의 상관도를 결정하는 단계; 및
결정된 인코딩된 결과 및 결정된 상관도에 따라 초기 인코딩된 결과를 프로세싱하는 단계를 포함한다.
선택적으로, 타겟 인코딩된 결과를 디코딩함으로써 번역될 텍스트를 번역하는 단계는:
관련 텍스트가 선행 타겟 텍스트를 포함하는 경우, 관련 인코딩된 결과의 선행 타겟 텍스트의 인코딩된 결과를 사용하여 타겟 인코딩된 결과를 디코딩하는 단계를 포함한다.
선택적으로, 관련 인코딩된 결과의 선행 타겟 텍스트의 인코딩된 결과를 사용하여 타겟 인코딩된 결과를 디코딩하는 단계는:
번역될 텍스트와 선행 타겟 텍스트 사이의 상관도를 결정하는 단계; 및
결정된 상관도 및 선행 타겟 텍스트의 인코딩된 결과에 따라 타겟 인코딩된 결과를 디코딩하는 단계를 포함한다.
선택적으로, 번역될 텍스트와 선행 타겟 텍스트 사이의 상관도를 결정하는 단계는:
번역될 텍스트와 선행 소스 텍스트 사이의 상관도를 번역될 텍스트와 선행 타겟 텍스트 사이의 상관도로서 결정하는 단계를 포함한다.
본 개시의 실시예에 따라 담화-레벨 텍스트를 번역하기 위한 장치가 제공된다. 본 장치는:
번역될 텍스트를 획득하도록 구성된 번역될 텍스트 획득 유닛으로서, 번역될 텍스트는 번역될 담화-레벨 텍스트의 단위 텍스트인, 번역될 텍스트 획득 유닛;
번역될 텍스트의 관련 텍스트를 획득하도록 구성된 관련 텍스트 획득 유닛으로서, 관련 텍스트는 선행 소스 텍스트, 후속 소스 텍스트 또는 선행 타겟 텍스트 중 적어도 하나를 포함하고, 선행 소스 텍스트는 담화-레벨 텍스트에서 번역될 텍스트 이전의 적어도 하나의 텍스트 단위를 나타내고, 후속 소스 텍스트는 담화-레벨 텍스트에서 번역될 텍스트 이후의 적어도 하나의 텍스트 단위를 나타내고, 선행 타겟 텍스트는 선행 소스 텍스트의 번역된 텍스트를 나타내는, 관련 텍스트 획득 유닛; 및
관련 텍스트에 따라 번역될 텍스트를 번역하도록 구성된 번역될 텍스트 번역 유닛을 포함한다.
선택적으로, 번역될 텍스트 번역 유닛은 사전-구성된 인코딩-및-디코딩 모델을 사용하여 관련 텍스트에 따라 번역될 텍스트를 번역하도록 구성된다.
선택적으로, 번역될 텍스트 번역 유닛은:
번역될 텍스트를 인코딩함으로써 초기 인코딩된 결과를 획득하도록 구성된 제1 인코딩 서브유닛으로서, 초기 인코딩된 결과는 번역될 텍스트의 시맨틱 정보를 나타내는, 제1 인코딩 서브유닛;
관련 텍스트를 인코딩함으로써 관련 인코딩된 결과를 획득하도록 구성된 제2 인코딩 서브유닛으로서, 관련 인코딩된 결과는 관련 텍스트의 시맨틱 정보를 나타내는, 제2 인코딩 서브유닛;
관련 인코딩된 결과의 인코딩된 결과들의 전부 또는 일부와 함께 초기 인코딩된 결과를 프로세싱함으로써 타겟 인코딩된 결과를 획득하도록 구성된 결과 프로세싱 서브유닛으로서, 타겟 인코딩된 결과는 번역될 텍스트의 시맨틱 정보를 나타내며, 관련 텍스트의 시맨틱 정보의 전부 또는 일부를 전달하는, 결과 프로세싱 서브유닛; 및
타겟 인코딩된 결과를 디코딩함으로써 번역될 텍스트를 번역하도록 구성된 디코딩 구현 서브유닛을 포함한다.
선택적으로, 디코딩 구현 서브유닛은, 관련 텍스트가 선행 타겟 텍스트를 포함하는 경우, 관련 인코딩된 결과의 선행 타겟 텍스트의 인코딩된 결과를 사용하여 타겟 인코딩된 결과를 디코딩하도록 구성된다.
본 개시의 실시예에 따라 담화-레벨 텍스트를 번역하기 위한 장치가 제공된다. 본 장치는 프로세서, 메모리 및 시스템 버스를 포함하고,
프로세서 및 메모리는 시스템 버스에 의해 서로 접속되고,
메모리는 하나 이상의 컴퓨터 프로그램을 저장하도록 구성되고, 하나 이상의 컴퓨터 프로그램은 프로세서에 의해 실행될 때 프로세서로 하여금 담화-레벨 텍스트를 번역하기 위한 상술한 임의의 방법을 실행하게 하는 명령들을 포함한다.
본 개시의 실시예에 따라 컴퓨터-판독 가능 저장 매체가 제공된다. 컴퓨터-판독 가능 저장 매체는 컴퓨터에서 실행될 때 컴퓨터로 하여금 담화-레벨 텍스트를 번역하기 위한 상술한 임의의 방법을 실행하게 하는 명령들을 포함한다.
본 개시의 실시예에 따라 컴퓨터 프로그램 제품이 제공되며, 컴퓨터 프로그램 제품은 단말 디바이스에서 실행될 때, 단말 디바이스로 하여금 담화-레벨 텍스트를 번역하기 위한 상술한 임의의 방법을 실행하게 한다.
실시예에 따라 담화-레벨 텍스트를 번역하기 위한 방법 및 장치에 의해, 번역될 담화-레벨 텍스트의 각각의 텍스트 단위가 번역될 텍스트로서 취해지며, 그 후 번역될 텍스트의 관련 텍스트가 담화-레벨 텍스트로부터 획득되며 번역될 텍스트는 관련 텍스트에 기초하여 번역된다. 번역될 텍스트를 번역할 때, 번역될 텍스트의 현재 문맥뿐만 아니라 번역될 텍스트의 관련 텍스트의 내용도 고려됨을 알 수 있으며, 이는 번역될 텍스트의 번역 결과의 정확성을 향상시키고, 이에 의해 사용자 경험을 향상시킨다.
실시예 또는 종래 기술의 설명에 사용되는 도면이 아래와 같이 간략하게 설명될 것이며, 본 개시의 실시예 또는 종래 기술에 따른 기술적 해결책이 명확해질 것이다. 후술하는 설명에서 도면은 본 개시의 일부 실시예만을 예시한다는 것이 명확하다. 본 기술 분야의 통상의 기술자에게 있어서, 이러한 도면에 따라 어떠한 창의적인 작업 없이도 다른 도면을 얻을 수 있다.
도 1은 본 개시의 실시예에 따른 담화-레벨 텍스트를 번역하기 위한 방법의 흐름도를 나타낸다.
도 2는 본 개시의 실시예에 따른 담화-레벨 텍스트의 개략도를 나타낸다.
도 3은 본 개시의 실시예에 따른 인코딩-및-디코딩 모델의 토폴로지 구조 개략도를 나타낸다.
도 4는 본 개시의 실시예에 따른 사전-구성된 인코딩-및-디코딩 모델을 사용하는 번역의 흐름도를 나타낸다.
도 5는 본 개시의 실시예에 따라 초기 인코딩된 결과를 프로세싱하는 흐름도를 나타낸다.
도 6은 본 개시의 실시예에 따른 게이트 네트워크(Gate Network)의 네트워크 구조 개략도를 나타낸다.
도 7은 본 개시의 실시예에 따른 담화-레벨 텍스트를 번역하기 위한 장치의 구성 개략도를 나타낸다.
도 8은 본 개시의 실시예에 따른 담화-레벨 텍스트를 번역하기 위한 장치의 하드웨어 구조 개략도를 나타낸다.
일부 담화-레벨 텍스트 번역 방법에서, 번역될 전체 담화-레벨 텍스트는 번역 모델에 의해 직접 번역될 수 있는 번역의 객체로서 간주될 수 있다. 그러나, 이러한 방법을 사용하여 담화-레벨 텍스트의 각각의 문장이 번역되면, 번역된 문장의 문맥 정보가 고려되지 않을 것이며, 이는 번역 결과의 정확성을 감소시키고 추가적으로 사용자 경험에 부정적인 영향을 미친다. 또한, 문장이 번역될 때, 번역 모델에 의해 수신된 정보에 리던던트(redundant) 정보가 있을 수 있다. 구체적으로, 번역될 문장 이전의 문장이나 번역될 문장 이후의 문장이 번역될 문장과 무관하다면, 전체 담화-레벨 텍스트가 번역의 객체로서 취해질 때, 그 전 또는 후의 무관한 문장은 리던던트 정보이다.
상술한 결점을 해결하기 위해, 본 개시의 실시예에 따라 담화-레벨 텍스트 번역 방법이 제공된다. 담화-레벨 텍스트에서 번역될 각각의 텍스트 섹션에 대해 텍스트는 문장이며, 예를 들어, 번역될 텍스트를 번역할 때, 번역될 텍스트의 현재 문맥뿐만 아니라 번역될 텍스트의 문맥 정보도 고려되며, 이는 번역될 텍스트의 번역 결과의 정확성을 향상시키고, 이에 의해 사용자 경험을 향상시킨다. 또한, 번역될 텍스트를 번역할 때, 본 개시의 실시예에서 문맥 정보에 대한 번역될 텍스트의 관련성에 따라 문맥 정보가 동적으로 선택되며, 이는 번역 모델의 수신된 정보의 리던던트 정보를 감소시킬 뿐만 아니라, 번역될 텍스트의 번역 결과의 정확성을 더욱 향상시킨다. 또한, 번역될 텍스트를 번역할 때, 번역될 텍스트에 선행하는 텍스트의 번역 결과가 또한 본 개시의 실시예에서 고려되며, 이는 번역될 텍스트의 번역 결과가 선행 텍스트의 번역 결과와 연결될 수 있게 한다. 이러한 방식으로, 번역될 텍스트의 번역 결과가 더욱 정확할 뿐만 아니라, 전체 번역된 텍스트의 유창성도 향상될 수 있다. 즉, 번역된 담화-레벨 텍스트의 문장 간의 일관성과 연속성이 보장된다.
본 개시의 실시예의 목적, 기술적 해결책 및 이점을 더욱 명확하게 하도록 본 개시의 실시예의 기술적 해결책이 본 개시의 실시예에서 첨부 도면과 함께 명확하고 완전하게 설명될 것이다. 명확하게, 설명된 실시예는 본 개시의 모든 실시예가 아니라 일부이다. 본 개시의 실시예에 기초하여 본 기술 분야의 통상의 기술자에 의해 어떠한 창의적인 작업 없이도 얻어지는 모든 다른 실시예는 본 개시의 보호 범위 내에 속할 것이다.
제1 실시예
본 개시의 실시예에 따른 담화-레벨 텍스트를 번역하기 위한 방법의 흐름도를 나타내는 도 1을 참조한다. 본 방법은 이하의 단계 S101 내지 S103을 포함한다.
단계 S101에서, 번역될 텍스트가 획득되고, 여기서 번역될 텍스트는 번역될 담화-레벨 텍스트의 단위 텍스트이다.
번역될 담화-레벨 텍스트, 즉, 번역 전의 담화-레벨 텍스트는 이하에서 간략화를 위해 담화-레벨 텍스트라고 칭할 것이다. 실시예는 담화-레벨 텍스트의 텍스트 유형을 제한하지 않는다. 예를 들어, 담화-레벨 텍스트는 음성 스크립트, 잡지 기사 또는 문학 작품 등이 될 수 있다.
담화-레벨 텍스트는 일련의 문장의 모음이다. 담화-레벨 텍스트를 번역할 때, 번역은 실시예에서 순서대로 문장 단위 또는 임의의 다른 텍스트 길이로 수행될 수 있다. 번역이 문장 단위로 수행된다고 가정하면, 담화-레벨 텍스트에서 문장의 순서에 따라 각각의 문장이 획득될 수 있다. 현재 획득된 문장이 번역될 텍스트로서 결정되고, 후속 단계에 따라 번역된다.
번역 전후의 담화-레벨 텍스트의 언어는 본 실시예에서 제한되지 않는다는 점에 유의해야 한다. 예를 들어, 번역 전 언어는 중국어이고 번역 후 언어는 영어일 수 있다.
단계 S102에서, 번역될 텍스트의 관련 텍스트가 획득되고, 여기서 관련 텍스트는 선행 소스 텍스트, 후속 소스 텍스트 또는 선행 타겟 텍스트 중 적어도 하나를 포함한다.
본 실시예에서, 선행 소스 텍스트는 담화-레벨 텍스트에서 번역될 텍스트 이전의 적어도 하나의 텍스트 단위를 나타내고, 후속 소스 텍스트는 담화-레벨 텍스트에서 번역될 텍스트 이후의 적어도 하나의 텍스트 단위를 나타내고, 선행 타겟 텍스트는 선행 소스 텍스트의 번역된 텍스트를 나타낸다.
구체적으로, 문장 단위로 번역이 수행되는 것으로 가정하면, 번역될 텍스트에 선행하는 하나 이상의 문장이 선행 소스 텍스트로서 담화-레벨 텍스트로부터 획득될 수 있다. 번역될 텍스트에 후속하는 하나 이상의 문장은 후속 소스 텍스트로서 담화-레벨 텍스트로부터 획득될 수 있다. 또한, 담화-레벨 텍스트의 각각의 문장이 순서대로 번역되므로, 번역될 텍스트를 번역할 때 선행 소스 텍스트는 번역되어 있다. 따라서, 선행 소스 텍스트의 번역된 텍스트, 즉, 선행 타겟 텍스트가 직접 획득될 수 있다.
선행 소스 텍스트와 후속 소스 텍스트의 문장 수는 같거나 다를 수 있다는 점에 유의해야 한다. 번역될 텍스트에 선행하는 k개의 문장이 선행 소스 텍스트로서 결정될 때, 번역될 텍스트에 후속하는 k개의 문장 또는 l개의 문장이 후속 소스 텍스트로서 결정될 수 있으며, 여기서, k, 1은 정수이고, k ≠ 1, k ≥ 1, l ≥ 1이다.
예를 들어, 도 2에 나타낸 담화-레벨 텍스트에서, 번역될 텍스트가 X로 칭해지고, X에 선행하는 문장 X-1가 선행 소스 텍스트로서 결정될 수 있거나, X에 선행하는 복수의 문장이 문장 X-1 및 문장 X-2와 같은 선행 소스 텍스트로서 결정될 수 있다. 유사하게, X에 선행하는 문장 X1가 선행 소스 텍스트로서 결정될 수 있거나, X에 선행하는 복수의 문장이 문장 X1, 문장 X2 및 문장 X3와 같은 후속 소스 텍스트로서 결정될 수 있다.
단계 103에서, 번역될 텍스트는 관련 텍스트에 따라 번역된다.
번역될 텍스트의 관련 텍스트가 번역될 텍스트를 번역할 때 본 실시예에서 고려될 수 있다. 즉, 번역될 텍스트의 번역 결과를 획득하도록 번역될 텍스트를 번역하기 위하여 번역될 텍스트의 선행 소스 텍스트, 후속 소스 텍스트 및 선행 타겟 텍스트 중 적어도 하나의 시맨틱 정보가 고려된다. 또한, 번역될 텍스트와 선행 소스 텍스트 사이의 상관도, 번역될 텍스트와 후속 소스 텍스트 사이의 상관도, 및 번역될 텍스트와 선행 타겟 텍스트 사이의 상관도가 또한 고려될 수 있다. 번역될 텍스트와 관련 텍스트 시맨틱 내용과 번역될 텍스트와 관련 텍스트 사이의 상관도를 고려하면, 번역될 텍스트의 번역 결과가 더 정확해질 수 있음을 알 수 있다.
관련 텍스트가 선행 타겟 텍스트(선행 소스 텍스트의 번역 결과)를 포함하는 경우, 즉, 선행 타겟 텍스트가 번역될 텍스트의 번역을 지원하는 데 사용되는 경우, 번역될 텍스트의 번역 결과의 정확도가 향상될 뿐만 아니라, 번역될 텍스트의 번역 결과가 선행 소스 텍스트의 번역 결과와 연결될 수 있다. 즉, 번역될 텍스트의 번역 결과는 시맨틱에서 선행 텍스트의 번역 결과와 더욱 잘 연결될 수 있으며, 이에 의해, 번역된 담화-레벨 텍스트의 문장 간의 일관성과 연속성을 보장할 수 있다.
또한, 단계 S103의 특정 구현을 위해 제2 실시예를 참조할 수 있다는 점에 유의해야 한다.
요약하면, 본 실시예에 따라 담화-레벨 텍스트를 번역하기 위한 방법이 제공되며, 여기서 번역될 담화-레벨 텍스트의 각각의 텍스트 단위가 번역될 텍스트로서 취해져서, 번역될 텍스트의 관련 텍스트가 담화-레벨 텍스트로부터 획득되며, 번역될 텍스트가 관련 텍스트에 기초하여 번역된다. 번역될 텍스트를 번역할 때, 번역될 텍스트의 현재 문맥뿐만 아니라 번역될 텍스트의 관련 텍스트의 내용도 고려되며, 이는 번역될 텍스트의 번역 결과의 정확성을 향상시킬 수 있으며, 이에 의해 사용자 경험을 향상시킨다.
제2 실시예
제1 실시예의 단계 S103의 특정 구현이 본 실시예에서 도입된다.
본 실시예에서, 인코딩-및-디코딩 모델은 담화-레벨 텍스트에 대한 번역 모델로서 사전에 구성될 수 있으며, 즉, 인코딩-및-디코딩 모델은 인코딩 및 후속 디코딩에 의해 담화-레벨 텍스트의 번역을 구현한다. 이에 기초하여, 상술한 단계 S103은 구체적으로 사전-구성된 인코딩-및-디코딩 모델을 사용하여 관련 텍스트에 따라 번역될 텍스트를 번역하는 단계를 포함할 수 있다.
이하에서, 인코딩-및-디코딩 모델의 토폴로지 구조 개략도를 나타내는 도 3과 함께 번역될 텍스트를 번역하기 위해 어떻게 인코딩-및-디코딩 모델을 사용하는지가 소개된다는 점에 유의해야 한다.
도 3과 함께 소개를 용이하게 하기 위해, 번역은 여기서 문장 단위로 수행되며, 번역될 텍스트에 선행하는 k개의 문장이 선행 소스 텍스트이고, 번역될 텍스트에 후속하는 k개의 문장이 후속 소스 텍스트이다. 우선, 이하와 같이 규정된다.
1. 번역 전 담화-레벨 텍스트가
Figure 112020134506319-pct00001
에 의해 나타내어지며, 여기서,
Figure 112020134506319-pct00002
는 번역될 텍스트를 나타내고,
Figure 112020134506319-pct00003
는
Figure 112020134506319-pct00004
이전의 첫번째 문장,...,
Figure 112020134506319-pct00005
이전의 k번째 문장을 순차적으로 나타내고;
Figure 112020134506319-pct00006
는
Figure 112020134506319-pct00007
이후의 첫번째 문장,...,
Figure 112020134506319-pct00008
이후의 k번째 문장을 순차적으로 나타낸다. 여기서,
Figure 112020134506319-pct00009
는 선행 소스 텍스트로서 집합적으로 결정되고,
Figure 112020134506319-pct00010
는 후속 소스 텍스트로서 집합적으로 결정된다.
설명의 단순화를 위해, 각각의 문장은 n개의 단어를 포함하는 것으로 가정한다(실제로는, 실제 단어 수가 우선될 것이다). 도 3에 나타낸 바와 같이, 번역될 텍스트
Figure 112020134506319-pct00011
의 모든 단어는
Figure 112020134506319-pct00012
로 나타내어지며, 여기서
Figure 112020134506319-pct00013
는 번역될 텍스트
Figure 112020134506319-pct00014
의 첫번째 단어, 두번째 단어...n번째 단어를 순차적으로 나타낸다. 유사하게, 선행 소스 텍스트에서 문장
Figure 112020134506319-pct00015
의 모든 단어는
Figure 112020134506319-pct00016
로 나타내어지며, 여기서
Figure 112020134506319-pct00017
는 문장
Figure 112020134506319-pct00018
의 첫번째 단어, 두번째 단어...n번째 단어를 순차적으로 나타내고; 선행 소스 텍스트의 다른 문장은 유사한 방식으로 나타내어진다. 후속 소스 텍스트의 문장
Figure 112020134506319-pct00019
의 모든 단어는
Figure 112020134506319-pct00020
로 나타내어지며, 여기서,
Figure 112020134506319-pct00021
는 문장
Figure 112020134506319-pct00022
의 첫번째 단어, 두번째 단어...n번째 단어를 순차적으로 나타내며; 후속 소스 텍스트의 다른 문장은 유사한 방식으로 나타내어진다.
2. 번역 후 담화-레벨 텍스트는
Figure 112020134506319-pct00023
로 나타내어지며, 여기서
Figure 112020134506319-pct00024
는 번역될 텍스트
Figure 112020134506319-pct00025
의 번역된 텍스트를 나타내며,
Figure 112020134506319-pct00026
는 선행 소스 텍스트에서
Figure 112020134506319-pct00027
의 번역된 텍스트를 순차적으로 나타내고,
Figure 112020134506319-pct00028
는 후속 소스 텍스트에서
Figure 112020134506319-pct00029
의 번역된 텍스트를 순차적으로 나타낸다. 여기서,
Figure 112020134506319-pct00030
는 선행 타겟 텍스트로서 집합적으로 결정된다.
번역될 텍스트
Figure 112020134506319-pct00031
의 번역된 텍스트
Figure 112020134506319-pct00032
의 모든 단어는
Figure 112020134506319-pct00033
로 나타내어지며, 여기서
Figure 112020134506319-pct00034
은
Figure 112020134506319-pct00035
의 첫번째 단어, 두번째 단어...n번째 단어를 순차적으로 나타낸다. 도 3에 나타낸 바와 같이, 선행 타겟 텍스트의 문장
Figure 112020134506319-pct00036
의 모든 단어는
Figure 112020134506319-pct00037
로 나타내어지며, 여기서
Figure 112020134506319-pct00038
는 문장
Figure 112020134506319-pct00039
의 첫번째 단어, 두번째 단어...n번째 단어를 순차적으로 나타낸다. 선행 타겟 텍스트의 문장
Figure 112020134506319-pct00040
의 모든 단어는
Figure 112020134506319-pct00041
로 나타내어지며, 여기서
Figure 112020134506319-pct00042
은 문장
Figure 112020134506319-pct00043
의 첫번째 단어, 두번째 단어...n번째 단어를 순차적으로 나타낸다. 후속 타겟 텍스트의 다른 문장은 유사한 방식으로 나타내어진다.
도 3과 함께, 번역될 텍스트를 번역하기 위해 인코딩-및-디코딩 모델을 어떻게 사용하는지가 이하에 설명된다.
도 4는 본 실시예의 구현에서 이하의 단계 S401 내지 S404를 구체적으로 포함할 수 있는 사전-구성된 인코딩-및-디코딩 모델을 사용하는 번역의 흐름도이다.
단계 S401에서, 초기 인코딩 결과는 번역될 텍스트를 인코딩함으로써 획득되고, 여기서 초기 인코딩된 결과는 번역될 텍스트의 시맨틱 정보를 나타낸다.
구현에서, 단계 S401은 구체적으로 양방향 순환 신경망(Recurrent Neural Network, 약칭 RNN)으로 번역될 텍스트를 인코딩함으로써 초기 인코딩된 결과를 획득하는 단계를 포함할 수 있다.
단계 S401 또는 단계 S401의 특정 구현에서, 번역될 텍스트를 인코딩할 때, 초기 인코딩된 결과는 구체적으로 번역될 텍스트의 모든 단어를 인코딩함으로써 획득될 수 있다.
구체적으로, 도 3에 나타낸 바와 같이, 번역될 텍스트
Figure 112020134506319-pct00044
의 단어, 즉,
Figure 112020134506319-pct00045
가 단어 벡터의 형태로 양방향 RNN으로 입력된다. 본 실시예에서 단어의 벡터화를 위해 기존의 또는 장래의 방법이 사용될 수 있다.
양방향 RNN의 각각의 은닉 상태에 대한 계산 식은 이하와 같다:
Figure 112020134506319-pct00046
(1)
여기서,
Figure 112020134506319-pct00047
이고,
Figure 112020134506319-pct00048
는 비선형 함수, 예를 들어, 시그모이드(sigmoid) 함수 또는 장단기 메모리(Long Short-Term Memory, 약칭 LSTM) 네트워크이며,
Figure 112020134506319-pct00049
및
Figure 112020134506319-pct00050
는 양방향 RNN의 훈련 파라미터이고,
Figure 112020134506319-pct00051
는
Figure 112020134506319-pct00052
의 단어 벡터를 나타내고,
Figure 112020134506319-pct00053
는 (i-1)번째 은닉 상태를 나타내고, 이는 단어
Figure 112020134506319-pct00054
의 시맨틱 정보를 나타내는 데 사용되고,
Figure 112020134506319-pct00055
는 i번째 은닉 상태를 나타내고, 이는 단어
Figure 112020134506319-pct00056
의 시맨틱 정보를 나타내는 데 사용된다.
양방향 RNN은 순방향 RNN과 역방향 RNN을 포함한다. 순방향 RNN은 번역될 텍스트
Figure 112020134506319-pct00057
에서 단어의 단어 벡터를 순서대로 판독한 후 순방향 은닉 시퀀스
Figure 112020134506319-pct00058
를 생성하며, 여기서
Figure 112020134506319-pct00059
이고 번역될 텍스트
Figure 112020134506319-pct00060
의 순방향 정보를 나타내고; 역방향 RNN은 번역될 텍스트
Figure 112020134506319-pct00061
에서 단어의 단어 벡터를 역순으로 판독한 후 역방향 은닉 시퀀스
Figure 112020134506319-pct00062
를 생성하며, 여기서
Figure 112020134506319-pct00063
이고 번역될 텍스트
Figure 112020134506319-pct00064
의 역방향 정보를 나타낸다.
순방향 은닉 시퀀스
Figure 112020134506319-pct00065
와 역방향 은닉 시퀀스
Figure 112020134506319-pct00066
에서의 위치가 서로 대응하는 은닉 상태 단위는 서로 스플라이싱(splicing)되어 해당 위치에서의 단어에 대응하는 상태 시퀀스를 형성한다. 즉,
Figure 112020134506319-pct00067
에서 단어에 대응하는 상태 시퀀스는 이하와 같다:
Figure 112020134506319-pct00068
에 대응하는 상태 시퀀스는
Figure 112020134506319-pct00069
이고,
Figure 112020134506319-pct00070
에 대응하는 상태 시퀀스는
Figure 112020134506319-pct00071
이고,...
Figure 112020134506319-pct00072
에 대응하는 상태 시퀀스는
Figure 112020134506319-pct00073
이다. 이에 기초하여, 번역될 텍스트
Figure 112020134506319-pct00074
의 시맨틱 정보가
Figure 112020134506319-pct00075
로 나타내어질 수 있으며,
Figure 112020134506319-pct00076
는 번역될 텍스트를 인코딩함으로써 획득된 초기 인코딩 결과이다.
또한, 구현에 있어서, 번역될 텍스트의 단어를 인코딩한 후, 본 방법은 번역될 텍스트의 단어의 인코딩된 결과를 함께 추가함으로써 번역될 텍스트에 대응하는 누적 결과를 획득하는 단계를 더 포함할 수 있다. 본 구현에서, 인코딩된 결과
Figure 112020134506319-pct00077
가 획득된 후, 상태 시퀀스를
Figure 112020134506319-pct00078
에 함께 추가함으로써 획득된 누적 결과
Figure 112020134506319-pct00079
가 새로운 초기 인코딩 결과로 결정될 수 있어, 번역될 텍스트
Figure 112020134506319-pct00080
의 시맨틱 정보를 나타내며,
여기서,
Figure 112020134506319-pct00081
단계 S402에서, 관련 텍스트를 인코딩함으로써 관련 인코딩된 결과가 획득되며, 여기서 관련 인코딩된 결과는 관련 텍스트의 시맨틱 정보를 나타낸다.
구현에서, 단계 S402는 구체적으로 관련 텍스트를 양방향 RNN으로 인코딩함으로써 관련 인코딩된 결과를 획득하는 단계를 포함할 수 있다.
단계 S402 또는 단계 S402의 특정 구현에서, 관련 텍스트를 인코딩할 때, 구체적으로, 관련 텍스트의 각각의 텍스트 단위의 단어가 인코딩되어 각각의 텍스트 단위에 대응하는 인코딩된 결과를 획득할 수 있으며, 이러한 인코딩된 결과는 관련 인코딩된 결과로서 결정된다.
구체적으로, 도 3에 나타낸 바와 같이, 관련 텍스트가 선행 소스 텍스트를 포함하는 경우, 즉, 관련 텍스트가 번역될 텍스트
Figure 112020134506319-pct00082
이전에 K개의 문장
Figure 112020134506319-pct00083
를 포함하는 경우,
Figure 112020134506319-pct00084
는 단계 S401에서 번역될 텍스트
Figure 112020134506319-pct00085
의 인코딩과 유사한 방식으로 인코딩될 수 있으며, 여기서 번역될 텍스트
Figure 112020134506319-pct00086
를 개별적으로
Figure 112020134506319-pct00087
로 대체하기만 하면 되며, 문장
Figure 112020134506319-pct00088
의 시맨틱 정보는
Figure 112020134506319-pct00089
로 나타내어지고,..., 문장
Figure 112020134506319-pct00090
의 시맨틱 정보는
Figure 112020134506319-pct00091
로 나타내어지고,
Figure 112020134506319-pct00092
는 선행 소스 텍스트를 인코딩함으로써 획득된 인코딩된 결과이며, 여기서
Figure 112020134506319-pct00093
Figure 112020134506319-pct00094
그리고
Figure 112020134506319-pct00095
Figure 112020134506319-pct00096
이다.
관련 텍스트가 후속 소스 텍스트를 포함하는 경우, 즉, 관련 텍스트가 번역될 텍스트
Figure 112020134506319-pct00097
이후 K개의 문장
Figure 112020134506319-pct00098
를 포함하는 경우,
Figure 112020134506319-pct00099
는 단계 S401에서 번역될 텍스트
Figure 112020134506319-pct00100
의 인코딩과 유사한 방식으로 인코딩될 수 있으며, 여기서 번역될 텍스트
Figure 112020134506319-pct00101
를 개별적으로
Figure 112020134506319-pct00102
로 대체하기만 하면 되며, 문장
Figure 112020134506319-pct00103
의 시맨틱 정보는
Figure 112020134506319-pct00104
로 나타내어지고,..., 문장
Figure 112020134506319-pct00105
의 시맨틱 정보는
Figure 112020134506319-pct00106
로 나타내어지고,
Figure 112020134506319-pct00107
Figure 112020134506319-pct00108
는 후속 소스 텍스트를 인코딩함으로써 획득된 인코딩된 결과이고, 여기서
Figure 112020134506319-pct00109
, 그리고
Figure 112020134506319-pct00110
이다.
관련 텍스트가 선행 타겟 텍스트를 포함하는 경우, 즉, 관련 텍스트가 번역될 텍스트
Figure 112020134506319-pct00111
이전에 K개의 문장
Figure 112020134506319-pct00112
의 번역된 텍스트
Figure 112020134506319-pct00113
를 포함하는 경우,
Figure 112020134506319-pct00114
는 단계 S401에서 번역될 텍스트
Figure 112020134506319-pct00115
의 인코딩과 유사한 방식으로 인코딩될 수 있으며, 여기서 번역될 텍스트
Figure 112020134506319-pct00116
를 개별적으로
Figure 112020134506319-pct00117
으로 대체하기만 하면 되며, 문장
Figure 112020134506319-pct00118
의 시맨틱 정보는
Figure 112020134506319-pct00119
로 나타내어지고,..., 문장
Figure 112020134506319-pct00120
의 시맨틱 정보는
Figure 112020134506319-pct00121
로 나타내어지고, 여기서
Figure 112020134506319-pct00122
이고,
Figure 112020134506319-pct00123
이다.
또한, 구현에 있어서, 관련 텍스트에서 각각의 텍스트 단위의 단어를 인코딩한 후, 본 방법은 단계 A1 내지 C1을 더 포함할 수 있다.
단계 A1에서, 관련 텍스트가 선행 소스 텍스트를 포함하는 경우, 각각의 텍스트 단위에 대응하는 누적 결과를 획득하기 위하여, 선행 소스 텍스트의 각각의 텍스트 단위의 단어의 인코딩될 결과가 함께 추가된다.
선행 소스 텍스트의 인코딩된 결과
Figure 112020134506319-pct00124
를 획득한 후,
Figure 112020134506319-pct00125
의 모든 상태 시퀀스의 누적 결과
Figure 112020134506319-pct00126
가 시퀀스
Figure 112020134506319-pct00127
의 시맨틱 정보를 나타내는 데 사용될 수 있으며,
Figure 112020134506319-pct00128
의 모든 상태 시퀀스의 누적 결과
Figure 112020134506319-pct00129
가 시퀀스
Figure 112020134506319-pct00130
의 시맨틱 정보를 나타내는 데 사용될 수 있으며,
Figure 112020134506319-pct00131
가 선행 소스 텍스트의 인코딩된 결과로서 집합적으로 결정되며,
여기서,
Figure 112020134506319-pct00132
단계 B1에서, 관련 텍스트가 후속 소스 텍스트를 포함하는 경우, 각각의 텍스트 단위에 대응하는 누적 결과를 획득하기 위하여, 후속 소스 텍스트의 각각의 텍스트 단위의 단어의 인코딩된 결과가 함께 추가된다.
후속 소스 텍스트의 인코딩된 결과
Figure 112020134506319-pct00133
를 획득한 후,
Figure 112020134506319-pct00134
에서 모든 상태 시퀀스의 누적 결과
Figure 112020134506319-pct00135
는 문장
Figure 112020134506319-pct00136
의 시맨틱 정보를 나타내는 데 사용될 수 있으며,
Figure 112020134506319-pct00137
에서 모든 상태 시퀀스의 누적 결과
Figure 112020134506319-pct00138
는 문장
Figure 112020134506319-pct00139
의 시맨틱 정보를 나타내는 데 사용될 수 있고,
Figure 112020134506319-pct00140
는 후속 소스 텍스트의 인코딩된 결과로서 집합적으로 결정되고,
여기서,
Figure 112020134506319-pct00141
단계 C1에서, 관련 텍스트가 선행 타겟 텍스트를 포함하는 경우, 각각의 텍스트 단위에 대응하는 누적 결과를 획득하기 위하여, 선행 타겟 텍스트의 각각의 텍스트 단위의 단어의 인코딩된 결과가 함께 추가된다.
선행 소스 텍스트의 인코딩된 결과
Figure 112020134506319-pct00142
를 획득한 후,
Figure 112020134506319-pct00143
에서 모든 상태 시퀀스의 누적 결과
Figure 112020134506319-pct00144
는 문장
Figure 112020134506319-pct00145
의 시맨틱 정보를 나타내는 데 사용될 수 있고,
Figure 112020134506319-pct00146
에서 모든 상태 시퀀스의 누적 결과
Figure 112020134506319-pct00147
는 문장
Figure 112020134506319-pct00148
의 시맨틱 정보를 나타내는 데 사용될 수 있고,
Figure 112020134506319-pct00149
는 선행 타겟 텍스트의 인코딩된 결과로서 집합적으로 결정되고,
여기서,
Figure 112020134506319-pct00150
단계 S401 및 S402의 실행 순서는 본 실시예에서 제한되지 않는다는 점에 유의해야 한다. S401 및 S402는 동시에 실행될 수 있고, 단계 S401은 단계 S402의 실행 전에 실행될 수 있거나, 단계 S402는 단계 S401의 실행 전에 실행될 수 있다.
단계 S403에서, 관련 인코딩된 결과의 인코딩된 결과의 전부 또는 일부와 함께 초기 인코딩된 결과를 프로세싱함으로써 타겟 인코딩된 결과가 획득되며, 여기서 타겟 인코딩된 결과는 번역될 텍스트의 시맨틱 정보를 나타내며, 관련 텍스트의 시맨틱 정보의 전체 또는 일부를 전달한다.
본 실시예에서, 선행 소스 텍스트의 인코딩된 결과
Figure 112020134506319-pct00151
의 하나 이상의 인코딩된 결과, 선행 소스 텍스트의 인코딩된 결과
Figure 112020134506319-pct00152
및 선행 타겟 텍스트의 인코딩된 결과
Figure 112020134506319-pct00153
는 번역될 텍스트의 초기 인코딩된 결과
Figure 112020134506319-pct00154
를 프로세싱하는 데 사용될 수 있으며, 프로세싱된 인코딩된 결과가 타겟 인코딩된 결과로서 결정된다.
대안적으로, 선행 소스 텍스트의 인코딩된 결과
Figure 112020134506319-pct00155
의 하나 이상의 인코딩된 결과, 후속 소스 텍스트의 인코딩된 결과
Figure 112020134506319-pct00156
및 선행 타겟 텍스트의 인코딩된 결과
Figure 112020134506319-pct00157
는 번역될 텍스트의 초기 인코딩된 결과
Figure 112020134506319-pct00158
를 프로세싱하는 데 사용될 수 있으며, 프로세싱된 인코딩된 결과가 타겟 인코딩된 결과
Figure 112020134506319-pct00159
로서 결정된다.
초기 인코딩된 결과를 프로세싱할 때, 번역될 텍스트와 관련 텍스트의 상관도에 따라 관련 텍스트의 텍스트 단위의 시맨틱 정보가 다른 정도의 값에 의해 선택될 수 있으므로, 타겟 인코딩된 결과는 다른 정도의 시맨틱 정보를 전달할 수 있으며, 번역될 텍스트의 시맨틱 정보
Figure 112020134506319-pct00160
를 나타낼 수 있다.
또한, 단계 S403의 특정 구현을 위해 제3 실시예를 참조할 수 있다는 점에 유의해야 한다.
단계 S404에서, 번역될 텍스트는 타겟 인코딩된 결과를 디코딩함으로써 번역된다.
타겟 인코딩된 결과
Figure 112020134506319-pct00161
를 디코딩할 때, (도 3에 나타낸 바와 같은) 주의 모델을 갖는 것과 같은 기존 디코딩 방법 또는 장래의 디코딩 방법이 번역될 텍스트의 번역 결과를 획득하기 위해 타겟 인코딩된 결과
Figure 112020134506319-pct00162
를 디코딩하는 데 사용될 수 있다.
또한, 단계 S404의 특정 구현을 위해 제4 실시예를 참조할 수 있다는 점에 유의해야 한다.
요약하면, 본 실시예는 번역될 텍스트 및 관련 텍스트를 인코딩 및 디코딩하기 위해 인코딩-및-디코딩 모델을 사용한다. 번역될 텍스트가 인코딩-및-디코딩 방법을 통해 번역되는 경우, 번역될 텍스트의 현재 문맥이 고려될 뿐만 아니라, 번역될 텍스트의 관련 텍스트도 또한 고려된다. 따라서, 번역될 텍스트의 번역 결과의 정확성이 향상되고, 이에 의해 사용자 경험을 향상시킨다.
제3 실시예
제2 실시예의 단계 S403의 특정 구현이 본 실시예에서 소개된다.
초기 인코딩된 결과를 프로세싱하는 흐름도를 나타내는 도 5를 참조한다. 단계 S403에서 "관련 인코딩된 결과의 인코딩된 결과의 전부 또는 일부와 함께 초기 인코딩된 결과를 프로세싱"하는 것은 이하의 단계 S501 내지 S503을 더 포함한다.
단계 S501에서, 관련 텍스트가 선행 소스 텍스트를 포함하는 경우, 선행 소스 텍스트의 인코딩된 결과는 관련 인코딩된 결과로부터 결정된다.
본 실시예에서, 선행 소스 텍스트의 인코딩된 결과는 제2 실시예에서
Figure 112020134506319-pct00163
또는
Figure 112020134506319-pct00164
이다.
단계 S502에서, 관련 텍스트가 후속 소스 텍스트를 포함하는 경우, 후속 소스 텍스트의 인코딩 결과는 관련 인코딩 결과로부터 결정된다.
본 실시예에서, 선행 소스 텍스트의 인코딩된 결과가
Figure 112020134506319-pct00165
이면, 후속 소스 텍스트의 인코딩된 결과는 제2 실시예에서
Figure 112020134506319-pct00166
일 수 있으며; 유사하게, 선행 소스 텍스트의 인코딩된 결과가
Figure 112020134506319-pct00167
이면, 제2 실시예에서 후속 소스 텍스트의 인코딩된 결과는
Figure 112020134506319-pct00168
일 수 있다.
단계 S503에서, 초기 인코딩된 결과는 결정된 인코딩된 결과에 따라 프로세싱된다.
구현에서, 단계 S503은 구체적으로 이하의 단계 A2 내지 C2를 포함한다.
단계 A2에서, 관련 텍스트가 선행 소스 텍스트를 포함하는 경우, 번역될 텍스트의 초기 인코딩된 결과와 선행 소스 텍스트의 인코딩된 결과에 따라 번역될 텍스트와 선행 소스 텍스트 사이의 상관도가 결정된다.
번역될 텍스트와 선행 소스 텍스트(이하 선행 문장이라 칭함)의 각각의 문장 사이의 관련성이 불확실하며, 번역될 텍스트가 선행 문장과 완전히 무관한 경우 선행 문장은 번역될 텍스트에 대해 리던던트이다. 번역될 텍스트가 선행 문장을 참조하여 번역되는 경우, 번역될 텍스트의 번역 결과의 정확성이 부정적으로 영향을 받을 것이며, 이는 번역 결과의 정확성이 감소될 것이라는 것을 의미한다. 따라서, 선행 소스 텍스트의 인코딩된 결과를 합리적으로 이용하기 위해서, 번역될 텍스트와 각각의 선행 문장 사이의 상관도가 본 실시예에서 개별적으로 결정될 수 있어, 선행 문장에 대응하는 시맨틱 정보가 선행 문장에 의해 야기되는 정보 리던던시를 피하기 위해 상관도의 결정된 결과를 참조하여 동적으로 이용될 수 있다.
이 단계에서, 번역될 텍스트의 초기 인코딩된 결과는
Figure 112020134506319-pct00169
일 수 있고, 선행 소스 텍스트에서 선행 문장의 인코딩된 결과는 각각
Figure 112020134506319-pct00170
일 수 있다. 신경망 구조 게이트 네트워크는 각각의 선행 문장에 대응하는 상관 계수를 생성하는 데 사용될 수 있으며, 상관 계수는 번역될 텍스트와 대응 선행 문장 사이의 상관도를 나타낸다.
게이트 네트워크의 네트워크 구조 개략도인 도 6을 참조한다. 특정 구현에서, 번역될 텍스트의 초기 인코딩된 결과
Figure 112020134506319-pct00171
및 각각의 선행 문장에 대응하는 인코딩된 결과
Figure 112020134506319-pct00172
가 게이트 네트워크의 입력으로서 사용된다. 그 후, 게이트 네트워크는 이하의 계산 식에 따라 각각의 선행 문장에 대응하는 상관 계수를 계산한다.
Figure 112020134506319-pct00173
(2)
여기서,
Figure 112020134506319-pct00174
는 번역될 텍스트의 초기 인코딩된 결과이고;
Figure 112020134506319-pct00175
는 번역될 텍스트에 선행하는 i번째 문장의 인코딩된 결과이고;
Figure 112020134506319-pct00176
은 번역될 텍스트에 선행하는 i번째 문장의 상관 계수이고, 이는 번역될 텍스트와 번역될 텍스트에 선행하는 i번째 문장 사이의 상관도를 나타내고;
Figure 112020134506319-pct00177
및
Figure 112020134506319-pct00178
는 사전에 수집된 다량의 데이터를 훈련시킴으로써 획득되고 모두
Figure 112020134506319-pct00179
의 차원을 갖는 게이트 네트워크의 훈련 파라미터이다.
Figure 112020134506319-pct00180
및
Figure 112020134506319-pct00181
는
Figure 112020134506319-pct00182
의 차원을 갖는 행렬이며, 여기서
Figure 112020134506319-pct00183
는 양방향 RNN에 의한 인코딩 프로세스에서 은닉 노드의 수이며 사전에 구성되어 있음에 유의해야 한다. 따라서, 식(2)에 표시된 행렬 곱셈을 통해 차원이 1인 스칼라가 획득될 수 있으며, 그 후 비선형 함수, 즉, 시그모이드(sigmoid) 함수에 의해 변환되어 0 내지 1 범위에 속하는 스칼라
Figure 112020134506319-pct00184
를 획득한다.
Figure 112020134506319-pct00185
이 클수록, 번역될 텍스트와 번역될 텍스트에 선행하는 i번째 문장 사이의 상관도가 높으며 그 반대의 경우도 마찬가지이다.
선행 소스 텍스트에서 각각의 선행 문장에 대응하는 상관 계수
Figure 112020134506319-pct00186
가 식 (2)에 의해 계산될 수 있음을 알 수 있다.
단계 B2에서, 관련 텍스트가 후속 소스 텍스트를 포함하는 경우, 번역될 텍스트와 후속 소스 텍스트 사이의 상관도가 번역될 텍스트의 초기 인코딩된 결과와 후속 소스 텍스트의 인코딩된 결과에 따라 결정된다.
번역될 텍스트와 후속 소스 텍스트(이하 후속 문장이라 칭함)의 각각의 문장 사이의 관련성이 불확실하며, 번역될 텍스트가 후속 문장과 완전히 무관한 경우 후속 문장은 번역될 텍스트에 대해 리던던트이다. 번역될 텍스트가 후속 문장을 참조하여 번역되는 경우, 번역될 텍스트의 번역 결과의 정확성이 부정적으로 영향을 받을 것이며, 이는 번역 결과의 정확성이 감소될 것이라는 것을 의미한다. 따라서, 후속 소스 텍스트의 인코딩된 결과를 합리적으로 이용하기 위해서, 번역될 텍스트와 각각의 후속 문장 사이의 상관도가 본 실시예에서 개별적으로 결정될 수 있어, 후속 문장에 대응하는 시맨틱 정보가 후속 문장에 의해 야기되는 정보 리던던시를 피하기 위해 상관도의 결정 결과를 참조하여 동적으로 이용될 수 있다.
이 단계에서, 번역될 텍스트의 초기 인코딩된 결과는
Figure 112020134506319-pct00187
일 수 있고, 선행 소스 텍스트에서 선행 문장의 인코딩된 결과는 각각
Figure 112020134506319-pct00188
일 수 있다. 신경망 구조 게이트 네트워크는 각각의 선행 문장에 대응하는 상관 계수를 생성하는 데 사용될 수 있으며, 상관 계수는 번역될 텍스트와 대응 선행 문장 사이의 상관도를 나타낸다.
게이트 네트워크의 네트워크 구조 개략도인 도 6을 참조한다. 특정 구현에서, 번역될 텍스트의 초기 인코딩된 결과
Figure 112020134506319-pct00189
및 각각의 선행 문장에 대응하는 인코딩된 결과
Figure 112020134506319-pct00190
가 게이트 네트워크의 입력으로서 사용된다. 그 후, 게이트 네트워크는 이하의 계산 식에 따라 각각의 선행 문장에 대응하는 상관 계수를 계산한다.
Figure 112020134506319-pct00191
(3)
여기서,
Figure 112020134506319-pct00192
는 번역될 텍스트의 초기 인코딩된 결과이고;
Figure 112020134506319-pct00193
는 번역될 텍스트에 후속하는 i번째 문장의 인코딩된 결과이고;
Figure 112020134506319-pct00194
는 번역될 텍스트에 후속하는 i번째 문장의 상관 계수이고, 이는 번역될 텍스트와 번역될 텍스트에 후속하는 i번째 문장 사이의 상관도를 나타내고;
Figure 112020134506319-pct00195
및
Figure 112020134506319-pct00196
는 사전에 수집된 다량의 데이터를 훈련시킴으로써 획득되고 모두
Figure 112020134506319-pct00197
의 차원을 갖는 게이트 네트워크의 훈련 파라미터이다.
Figure 112020134506319-pct00198
및
Figure 112020134506319-pct00199
는
Figure 112020134506319-pct00200
의 차원을 갖는 행렬이며, 여기서
Figure 112020134506319-pct00201
는 양방향 RNN에 의한 인코딩 프로세스에서 은닉 노드의 수이며 사전에 구성되어 있음에 유의해야 한다. 따라서, 식(3)에 표시된 행렬 곱셈을 통해 차원이 1인 스칼라가 획득될 수 있으며, 그 후 비선형 함수, 즉, 시그모이드(sigmoid) 함수에 의해 변환되어 0 내지 1 범위에 속하는 스칼라
Figure 112020134506319-pct00202
를 획득한다.
Figure 112020134506319-pct00203
이 클수록, 번역될 텍스트와 번역될 텍스트에 후속하는 i번째 문장 사이의 상관도가 높으며 그 반대의 경우도 마찬가지이다.
후속 소스 텍스트에서 각각의 후속 문장의 상관 계수
Figure 112020134506319-pct00204
가 식 (3)에 의해 계산될 수 있음을 알 수 있다.
단계 C2에서, 초기 인코딩된 결과가 결정된 인코딩된 결과와 결정된 상관도에 따라 프로세싱된다.
선행 소스 텍스트에서 각각의 선행 문장에 대응하는 상관 계수
Figure 112020134506319-pct00205
가 계산된 후, 선행 문장은 이러한 상관 계수에 따라 동적으로 선택될 수 있으며; 유사하게, 후속 소스 텍스트에서 각각의 후속 문장에 대응하는 상관 계수
Figure 112020134506319-pct00206
가 계산된 후, 이러한 상관 계수에 기초하여 후속 문장이 동적으로 선택될 수 있다. 구체적인 프로세스는 이하와 같다.
제2 실시예의 단계 S401에서 획득된 번역될 텍스트의 초기 인코딩 결과
Figure 112020134506319-pct00207
에 기초하여, 이하의 계산 식에 따라 번역될 텍스트의 각각의 단어의 대응하는
Figure 112020134506319-pct00208
에 대해 문맥 정보가 도입될 수 있다:
Figure 112020134506319-pct00209
(3)
여기서,
Figure 112020134506319-pct00210
는 게이트 네트워크를 통해 획득된 각각의 선행 문장에 대응하는 상관 계수이고,
Figure 112020134506319-pct00211
는 게이트 네트워크를 통해 획득된 각각의 후속 문장에 대응하는 상관 계수이고,
Figure 112020134506319-pct00212
는 각각의 선행 문장의 인코딩된 결과이고,
Figure 112020134506319-pct00213
는 각각의 후속 문장의 인코딩된 결과이다.
식 (3)을 통해 번역될 텍스트의 각각의 단어에 대해 문맥 정보가 별도로 도입될 수 있음을 알 수 있다. 상술한 인코딩 프로세스를 통해, 번역될 텍스트의 시맨틱 정보가
Figure 112020134506319-pct00214
, 즉, 도 3에 나타낸 인코딩 부분의 출력
Figure 112020134506319-pct00215
로 변환된다.
번역될 텍스트의 시맨틱 정보를 포함할 뿐만 아니라, 사용할 문맥 정보를 동적으로 선택하기 위해 또한
Figure 112020134506319-pct00216
를 이용함에 유의해야 하며, 이는 정보 중첩에 의해 야기된 정보 리던던시를 피할 뿐만 아니라, 번역 결과의 정확도도 향상시킨다.
요약하면, 본 실시예에 따른 인코딩 방법은 인코딩 단에서 관련 텍스트의 시맨틱 정보의 전부 또는 일부를 도입하고, 번역될 텍스트와 도입된 관련 텍스트 간의 상관도에 대한 정보를 추가로 도입한다. 이러한 방식으로, 번역될 텍스트의 문맥 정보가 동적으로 선택될 수 있으며, 이는 인코딩-및-디코딩 모델의 수신된 정보에서 리던던트 정보를 감소시킬 뿐만 아니라, 번역될 텍스트의 번역 결과의 정확성도 더욱 향상시킨다.
제4 실시예
제2 실시예의 단계 S404의 특정 구현이 본 실시예에서 소개된다.
본 실시예에서, 상술한 단계 S404에서 "번역될 텍스트는 타겟 인코딩된 결과를 디코딩함으로써 번역된다"는 구체적으로 관련 텍스트가 선행 타겟 텍스트를 포함하는 경우, 관련 인코딩된 결과에서 선행 타겟 텍스트의 인코딩된 결과를 사용하여 타겟 인코딩된 결과를 디코딩하는 단계를 포함한다. 선행 타겟 텍스트의 인코딩된 결과는 제2 실시예에서 단계 S402의
Figure 112020134506319-pct00217
또는
Figure 112020134506319-pct00218
일 수 있다. 이러한 인코딩된 결과는 번역될 텍스트의 번역을 획득하기 위해 타겟 인코딩된 결과
Figure 112020134506319-pct00219
를 디코딩하는 데 지원하도록 이용될 수 있다.
본 실시예의 구현에서, 관련 인코딩된 결과에서 선행 타겟 텍스트의 인코딩된 결과를 사용하여 타겟 인코딩된 결과를 디코딩하는 것은 이하의 단계 A3 및 B3을 포함할 수 있다.
단계 A3에서, 번역될 텍스트와 선행 타겟 텍스트 사이의 상관도가 결정된다.
선행 타겟 텍스트는 선행 소스 텍스트(이하 번역된 문장이라 칭함)에서 각각의 선행 문장의 번역 결과를 포함한다. 각각의 번역된 문장과 번역될 텍스트 사이의 상관도가 별도로 결정될 수 있다.
구현에서, 단계 A3은 번역될 텍스트와 선행 타겟 텍스트 사이의 상관도로서 번역될 텍스트와 선행 소스 텍스트 사이의 상관도를 결정하는 단계를 구체적으로 포함할 수 있다. 이 구현에서, 번역될 텍스트와 선행 타겟 텍스트의 각각의 번역된 문장 간의 상관도는 제3 실시예의 단계 A2에서 계산된 선행 소스 텍스트의 선행 문장에 각각 대응하는 상관 계수
Figure 112020134506319-pct00220
에 의해 각각 나타내어질 수 있다. 예를 들어,
Figure 112020134506319-pct00221
는 번역될 텍스트와 번역될 텍스트에 선행하는 k번째 문장 간의 상관을 나타낸다.
단계 B3에서, 결정된 상관도 및 선행 타겟 텍스트의 인코딩된 결과에 따라 타겟 인코딩된 결과가 디코딩된다.
본 단계에서, 이하의 식에 따라 선행 타겟 텍스트의 상관 계수
Figure 112020134506319-pct00222
및 인코딩된 결과
Figure 112020134506319-pct00223
(제2 실시예의 단계 C1 참조)에 대해 계산이 수행될 수 있다.
Figure 112020134506319-pct00224
(4)
도 3에 나타낸 바와 같이,
Figure 112020134506319-pct00225
는 디코딩에 사용될 선행 타겟 텍스트의 인코딩된 결과를 나타낸다. 순차적 디코딩이 타겟 인코딩된 결과
Figure 112020134506319-pct00226
가 디코딩될 때 RNN에 의해 수행된다. 본 개시에서, 이하의 계산 식에 따라 디코딩 프로세스에서 각각의 순간에
Figure 112020134506319-pct00227
가 추가된다:
Figure 112020134506319-pct00228
(5)
여기서, g는 시그모이드 함수 또는 LSTM 네트워크와 같은 비선형 함수이고;
Figure 112020134506319-pct00229
,
Figure 112020134506319-pct00230
,
Figure 112020134506319-pct00231
는 디코딩 네트워크의 기존 훈련 파라미터일 수 있으며,
Figure 112020134506319-pct00232
는 실시예에서 디코딩 네트워크의 새로 추가된 훈련 파라미터이고;
Figure 112020134506319-pct00233
는 현재 순간
Figure 112020134506319-pct00234
에서의 은닉 상태를 나타내고;
Figure 112020134506319-pct00235
는 과거 순간
Figure 112020134506319-pct00236
에서의 은닉 상태를 나타내고;
Figure 112020134506319-pct00237
은 과거 순간에 인코딩된 결과의 단어 벡터이고,
Figure 112020134506319-pct00238
는 주의 모델의 출력 정보이고, 여기서 주의 모델은 일반적인 인코딩-및-디코딩 구조의 네트워크 구조일 수 있으며, 종래의 기술과 동일한 디코딩 및 계산 방법을 사용할 수 있다.
디코딩에 의해 현재 순간
Figure 112020134506319-pct00239
의 은닉 상태
Figure 112020134506319-pct00240
가 획득된 후, 일반적인 인코딩-및-디코딩 구조의 소프트맥스(softmax) 함수를 통해 현재 순간
Figure 112020134506319-pct00241
에서 번역 중인 단어의 번역 결과의 확률 분포가 추정된다. 번역된 단어의 번역 결과는 확률 분포에 따라 획득된다.
요약하면, 본 실시예에 따른 디코딩 방법은 디코딩 단에서 선행 소스 텍스트의 번역 결과, 즉, 선행 타겟 텍스트를 소개하고, 번역될 텍스트와 선행 타겟 텍스트 간의 상관도에 대한 정보를 추가로 소개한다. 따라서, 번역될 텍스트의 번역 결과는 선행 텍스트의 번역 결과와 연결될 수 있으며, 이는 번역될 텍스트의 번역 결과를 보다 정확하게 만들 수 있을 뿐만 아니라, 전체 번역된 텍스트의 유창성도 향상시킬 수 있으며, 즉, 번역된 담화-레벨 텍스트의 문장 사이의 일관성과 연속성이 보장된다.
제5 실시예
본 실시예에서는 담화-레벨 텍스트를 번역하기 위한 장치가 소개되고, 관련 내용에 대해 상술한 방법 실시예를 참조할 수 있다.
본 실시예에 따른 담화-레벨 텍스트를 번역하기 위한 장치의 구성적인 개략도를 나타내는 도 7을 참조한다. 본 장치(700)는 이하를 포함한다:
번역될 텍스트를 획득하도록 구성된 번역될 텍스트 획득 유닛(701)으로서, 번역될 텍스트는 번역될 담화-레벨 텍스트의 단위 텍스트인, 번역될 텍스트 획득 유닛(701);
번역될 텍스트의 관련 텍스트를 획득하도록 구성된 관련 텍스트 획득 유닛(702)으로서, 관련 텍스트는 선행 소스 텍스트, 후속 소스 텍스트 또는 선행 타겟 텍스트 중 적어도 하나를 포함하고, 선행 소스 텍스트는 담화-레벨 텍스트에서 번역될 텍스트 이전의 적어도 하나의 텍스트 단위를 나타내고, 후속 소스 텍스트는 담화-레벨 텍스트에서 번역될 텍스트 이후의 적어도 하나의 텍스트 단위를 나타내고, 선행 타겟 텍스트는 선행 소스 텍스트의 번역된 텍스트를 나타내는, 관련 텍스트 획득 유닛(702); 및
관련 텍스트에 따라 번역될 텍스트를 번역하도록 구성된 번역될 텍스트 번역 유닛(703).
실시예의 구현에서, 번역될 텍스트 번역 유닛(703)은 사전-구성된 인코딩-및-디코딩 모델을 사용하여 관련 텍스트에 따라 번역될 텍스트를 번역하도록 구체적으로 구성될 수 있다.
실시예의 구현에서, 번역될 텍스트 번역 유닛(703)은:
번역될 텍스트를 인코딩함으로써 초기 인코딩된 결과를 획득하도록 구성된 제1 인코딩 서브유닛으로서, 초기 인코딩된 결과는 번역될 텍스트의 시맨틱 정보를 나타내는, 제1 인코딩 서브유닛;
관련 텍스트를 인코딩함으로써 관련 인코딩된 결과를 획득하도록 구성된 제2 인코딩 서브유닛으로서, 관련 인코딩된 결과는 관련 텍스트의 시맨틱 정보를 나타내는, 제2 인코딩 서브유닛;
관련 인코딩된 결과의 인코딩된 결과들의 전부 또는 일부와 함께 초기 인코딩된 결과를 프로세싱함으로써 타겟 인코딩된 결과를 획득하도록 구성된 결과 프로세싱 서브유닛으로서, 타겟 인코딩된 결과는 번역될 텍스트의 시맨틱 정보를 나타내며, 관련 텍스트의 시맨틱 정보의 전부 또는 일부를 전달하는, 결과 프로세싱 서브유닛; 및
타겟 인코딩된 결과를 디코딩함으로써 번역될 텍스트를 번역하도록 구성된 디코딩 구현 서브유닛을 포함할 수 있다.
실시예의 구현에서, 제1 인코딩 서브유닛은 번역될 텍스트의 각각의 단어를 인코딩함으로써 초기 인코딩된 결과를 획득하도록 구체적으로 구성된다.
따라서, 제2 인코딩 서브유닛은 각각의 텍스트 단위에 대응하는 인코딩된 결과를 획득하기 위하여 관련 텍스트의 각각의 텍스트 단위의 단어를 인코딩하고 관련 인코딩된 결과로서 인코딩된 결과를 결정하도록 구체적으로 구성된다.
실시예의 구현에서, 번역될 텍스트 번역 유닛(703)은:
번역될 텍스트에 대응하는 누적 결과를 획득하기 위하여, 번역될 텍스트의 단어가 인코딩된 후, 번역될 텍스트의 단어의 인코딩된 결과를 함께 추가하도록 구성된 제1 추가 서브유닛; 및
관련 텍스트의 각각의 텍스트 단위의 단어가 인코딩된 후에, 각각의 텍스트 단위에 대응하는 누적 결과를 획득하기 위해 관련 텍스트가 선행 소스 텍스트를 포함하는 경우, 선행 소스 텍스트의 각각의 텍스트 단위의 단어의 인코딩된 결과를 함께 추가하고; 각각의 텍스트 단위에 대응하는 누적 결과를 획득하기 위해 관련 텍스트가 후속 소스 텍스트를 포함하는 경우 후속 소스 텍스트의 각각의 텍스트 단위의 단어의 인코딩된 결과를 함께 추가하고; 각각의 텍스트 단위에 대응하는 누적 결과를 획득하기 위해 관련 텍스트가 선행 타겟 텍스트를 포함하는 경우, 선행 타겟 텍스트의 각각의 텍스트 단위의 단어의 인코딩된 결과를 함께 추가하도록 구성된 제2 추가 서브유닛을 더 포함할 수 있다.
실시예의 구현에서, 결과 프로세싱 서브유닛은:
관련 텍스트가 선행 소스 텍스트를 포함하는 경우, 관련 인코딩된 결과로부터 선행 소스 텍스트의 인코딩된 결과를 결정하도록 구성된 제1 결정 서브유닛;
관련 텍스트가 후속 소스 텍스트를 포함하는 경우, 관련 인코딩된 결과로부터 후속 소스 텍스트의 인코딩된 결과를 결정하도록 구성된 제2 결정 서브유닛; 및
타겟 인코딩된 결과를 획득하기 위해 결정된 인코딩된 결과에 따라 초기 인코딩된 결과를 프로세싱하도록 구성된 결과 획득 서브유닛을 포함한다.
실시예의 구현에서, 결과 획득 서브유닛은:
관련 텍스트가 선행 소스 텍스트를 포함하는 경우, 번역될 텍스트의 초기 인인코딩된 결과 및 선행 소스 텍스트의 인코딩된 결과에 따라 번역될 텍스트와 선행 소스 텍스트 사이의 상관도를 결정하도록 구성된 제1 상관도 결정 서브유닛;
관련 텍스트가 후속 소스 텍스트를 포함하는 경우, 번역될 텍스트의 초기 인코딩된 결과 및 후속 소스 텍스트의 인코딩된 결과에 따라 번역될 텍스트와 후속 소스 텍스트 사이의 상관도를 결정하도록 구성된 제2 상관도 결정 서브유닛; 및
타겟 인코딩된 결과를 획득하기 위하여 결정된 인코딩된 결과 및 결정된 상관도에 따라 초기 인코딩된 결과를 프로세싱하도록 구성된 타겟 결과 획득 서브유닛을 포함한다.
실시예의 구현에서, 디코딩 구현 서브유닛은 관련 텍스트가 선행 타겟 텍스트를 포함하는 경우, 관련 인코딩된 텍스트의 선행 타겟 텍스트의 인코딩된 결과를 사용하여 타겟 인코딩된 결과를 디코딩하도록 구체적으로 구성된다.
실시예의 구현에서, 디코딩 구현 서브유닛은:
번역될 텍스트와 선행 타겟 텍스트 사이의 상관도를 결정하도록 구성된 제3 상관도 결정 서브유닛; 및
결정된 상관도 및 선행 타겟 텍스트의 인코딩된 결과에 따라 타겟 인코딩된 결과를 디코딩하도록 구성된 인코딩된 결과 프로세싱 서브유닛을 포함한다.
실시예의 구현에서, 제3 상관도 결정 서브유닛은 번역될 텍스트와 선행 타겟 텍스트 사이의 상관도로서 번역될 텍스트와 선행 소스 텍스트 사이의 상관도를 결정하도록 구체적으로 구성된다.
제6 실시예
담화-레벨 텍스트를 번역하기 위한 다른 장치가 본 실시예에서 소개되고, 관련 내용에 대한 상술한 방법 실시예를 참조할 수 있다.
실시예에 따라 담화-레벨 텍스트를 번역하기 위한 장치의 하드웨어 구조 개략도를 나타내는 도 8을 참조한다. 음성 상호 작용 장치(800)는 메모리(801), 수신기(802) 및 메모리(801) 및 수신기(802)에 접속된 프로세서(803)를 포함하며, 여기서 메모리(801)는 프로그램 명령의 세트를 저장하도록 구성되고, 프로세서(803)는 이하의 동작을 수행하기 위하여 메모리(801)에 저장된 프로그램 명령을 호출하도록 구성된다.
번역될 텍스트를 획득하는 동작으로서, 번역될 텍스트는 번역될 담화-레벨 텍스트의 단위 텍스트인, 번역될 텍스트를 획득하는 동작;
번역될 텍스트의 관련 텍스트를 획득하는 동작으로서, 관련 텍스트는 선행 소스 텍스트, 후속 소스 텍스트 또는 선행 타겟 텍스트 중 적어도 하나를 포함하고,
선행 소스 텍스트는 담화-레벨 텍스트에서 번역될 텍스트 이전의 적어도 하나의 텍스트 단위를 나타내고, 후속 소스 텍스트는 담화-레벨 텍스트에서 번역될 텍스트 이후의 적어도 하나의 텍스트 단위를 나타내고, 선행 타겟 텍스트는 선행 소스 텍스트의 번역된 텍스트를 나타내는, 관련 텍스트를 획득하는 동작; 및
관련 텍스트에 따라 번역될 텍스트를 번역하는 동작.
실시예의 구현에서, 프로세서(803)는 이하의 동작을 수행하기 위해 메모리(801)에 저장된 프로그램 명령을 호출하도록 구성된다:
사전-구성된 인코딩-및-디코딩 모델을 사용하여 관련 텍스트에 따라 번역될 텍스트를 번역하는 동작.
실시예의 구현에서, 프로세서(803)는 이하의 동작을 수행하기 위해 메모리(801)에 저장된 프로그램 명령을 호출하도록 구성된다:
번역될 텍스트를 인코딩함으로써 초기 인코딩된 결과를 획득하는 동작으로서, 초기 인코딩된 결과는 번역될 텍스트의 시맨틱 정보를 나타내는, 초기 인코딩된 결과를 획득하는 동작;
관련 텍스트를 인코딩함으로써 관련 인코딩된 결과를 획득하는 동작으로서, 관련 인코딩된 결과는 관련 텍스트의 시맨틱 정보를 나타내는, 관련 인코딩된 결과를 획득하는 동작;
관련 인코딩된 결과의 인코딩된 결과들의 전부 또는 일부와 함께 초기 인코딩된 결과를 프로세싱함으로써 타겟 인코딩된 결과를 획득하는 동작으로서, 타겟 인코딩된 결과는 번역될 텍스트의 시맨틱 정보를 나타내며, 관련 텍스트의 시맨틱 정보의 전부 또는 일부를 전달하는, 타겟 인코딩된 결과를 획득하는 동작; 및
타겟 인코딩된 결과를 디코딩함으로써 번역될 텍스트를 번역하는 동작.
실시예의 구현에서, 프로세서(803)는 이하의 동작을 수행하기 위해 메모리(801)에 저장된 프로그램 명령을 호출하도록 구성된다:
상기 번역될 텍스트의 단어들을 인코딩함으로써 상기 초기 인코딩된 결과를 획득하는 동작; 및
각각의 텍스트 단위들에 대응하는 인코딩된 결과들을 획득하기 위해 상기 관련 텍스트의 각각의 텍스트 단위의 단어들을 인코딩하고, 상기 인코딩된 결과들을 상기 관련 인코딩된 결과로서 결정하는 동작.
실시예의 구현에서, 프로세서(803)는 이하의 동작을 수행하기 위해 메모리(801)에 저장된 프로그램 명령을 호출하도록 구성된다:
번역될 텍스트의 단어들의 인코딩된 결과를 함께 추가함으로써 번역될 텍스트에 대응하는 누적 결과를 획득하는 동작;
관련 텍스트가 선행 소스 텍스트를 포함하는 경우, 각각의 텍스트 단위에 대응하는 누적 결과를 획득하기 위해 선행 소스 텍스트의 각각의 텍스트 단위의 단어들의 인코딩된 결과를 함께 추가하는 동작;
관련 텍스트가 후속 소스 텍스트를 포함하는 경우, 각각의 텍스트 단위에 대응하는 누적 결과를 획득하기 위해 후속 소스 텍스트의 각각의 텍스트 단위의 단어들의 인코딩된 결과를 함께 추가하는 동작; 및
관련 텍스트가 선행 타겟 텍스트를 포함하는 경우, 각각의 텍스트 단위에 대응하는 누적 결과를 획득하기 위해 선행 타겟 텍스트의 각각의 텍스트 단위의 단어들의 인코딩된 결과들을 함께 추가하는 동작.
실시예의 구현에서, 프로세서(803)는 이하의 동작을 수행하기 위해 메모리(801)에 저장된 프로그램 명령을 호출하도록 구성된다:
관련 텍스트가 선행 소스 텍스트를 포함하는 경우, 관련 인코딩된 결과로부터 선행 소스 텍스트의 인코딩된 결과를 결정하는 동작;
관련 텍스트가 후속 소스 텍스트를 포함하는 경우, 관련 인코딩된 결과로부터 후속 소스 텍스트의 인코딩된 결과를 결정하는 동작; 및
결정된 인코딩된 결과에 따라 초기 인코딩된 결과를 프로세싱하는 동작.
실시예의 구현에서, 프로세서(803)는 이하의 동작을 수행하기 위해 메모리(801)에 저장된 프로그램 명령을 호출하도록 구성된다:
관련 텍스트가 선행 소스 텍스트를 포함하는 경우, 번역될 텍스트의 초기 인코딩된 결과 및 선행 소스 텍스트의 인코딩된 결과에 따라 번역될 텍스트와 선행 소스 텍스트 사이의 상관도를 결정하는 동작;
관련 텍스트가 후속 소스 텍스트를 포함하는 경우, 번역될 텍스트의 초기 인코딩된 결과 및 후속 소스 텍스트의 인코딩된 결과에 따라 번역될 텍스트와 후속 소스 텍스트 사이의 상관도를 결정하는 동작; 및
결정된 인코딩된 결과 및 결정된 상관도에 따라 초기 인코딩된 결과를 프로세싱하는 동작.
실시예의 구현에서, 프로세서(803)는 이하의 동작을 수행하기 위해 메모리(801)에 저장된 프로그램 명령을 호출하도록 구성된다:
관련 텍스트가 선행 타겟 텍스트를 포함하는 경우, 관련 인코딩된 결과의 선행 타겟 텍스트의 인코딩된 결과를 사용하여 타겟 인코딩된 결과를 디코딩하는 동작.
실시예의 구현에서, 프로세서(803)는 이하의 동작을 수행하기 위해 메모리(801)에 저장된 프로그램 명령을 호출하도록 구성된다:
번역될 텍스트와 선행 타겟 텍스트 사이의 상관도를 결정하는 동작; 및
결정된 상관도 및 선행 타겟 텍스트의 인코딩된 결과에 따라 타겟 인코딩된 결과를 디코딩하는 동작.
실시예의 구현에서, 프로세서(803)는 이하의 동작을 수행하기 위해 메모리(801)에 저장된 프로그램 명령을 호출하도록 구성된다:
번역될 텍스트와 선행 소스 텍스트 사이의 상관도를 번역될 텍스트와 선행 타겟 텍스트 사이의 상관도로서 결정하는 동작.
일부 실시예에서, 프로세서(803)는 중앙 처리 장치(Central Processing Unit, CPU)일 수 있고, 메모리(801)는 랜덤 액세스 메모리(Random Access Memory, RAM) 유형의 내부 저장소일 수 있으며, 수신기(802)는 일반적인 물리적 인터페이스를 포함할 수 있으며, 여기서 물리적 인터페이스는 이더넷(Ethernet) 인터페이스 또는 비동기식 전송 모드(Asynchronous Transfer Mode, ATM) 인터페이스일 수 있다. 프로세서(803), 수신기(802) 및 메모리(801)는 하나 이상의 독립적인 회로 또는 어플리케이션 특정 집적 회로(Application Specific Integrated Circuit, ASIC)와 같은 하드웨어의 단편으로 통합될 수 있다.
본 실시예에 따라 컴퓨터-판독 가능 저장 매체가 추가로 제공된다. 컴퓨터-판독 가능 저장 매체는 컴퓨터에서 실행될 때, 컴퓨터로 하여금 담화-레벨 텍스트를 번역하기 위한 상술한 임의의 방법을 실행하게 하는 명령을 포함한다.
본 실시예에 따라 컴퓨터 프로그램 제품이 추가로 제공되며, 여기서 컴퓨터 프로그램 제품은 단말 디바이스에서 실행될 때, 단말 디바이스로 하여금 담화-레벨 텍스트를 번역하기 위한 상술한 임의의 방법을 실행하게 한다.
상술한 구현의 설명으로부터, 본 기술 분야의 통상의 기술자는 실시예에서 상술한 방법의 단계의 전부 또는 일부가 필요한 일반적인 하드웨어 플랫폼과 함께 소프트웨어에 의해 구현될 수 있음을 명확하게 이해할 수 있음을 알 수 있다. 이러한 이해에 기초하여, 본 출원의 기술적 해결책의 기존 기술에 기여하는 필수 부분 또는 부분은 소프트웨어 제품의 형태로 구현될 수 있다. 컴퓨터 소프트웨어 제품은 컴퓨터 디바이스(개인용 컴퓨터, 서버 또는 미디어 게이트웨이와 같은 네트워크 통신 디바이스 등일 수 있음)로 하여금 본 개시의 다양한 실시예에서 또는 다양한 실시예의 일부에서 본 방법을 실행하게 하는 몇몇 명령을 포함하여, ROM/RAM, 자기 디스크, 광 디스크 등과 같은 저장 매체에 저장될 수 있다.
본 명세서의 다양한 실시예는 이와 다른 실시예와의 차이점에 대한 각 실시예의 강조와 함께 점진적인 방식으로 본원에서 설명된다는 점에 유의해야 하며; 따라서, 다양한 실시예 사이의 동일하거나 유사한 부분에 대해 다른 실시예를 참조할 수 있다. 실시예에 따른 장치는 실시예에 따른 방법에 대응하므로 간략히 설명되며, 관련 부분에 대한 방법의 설명을 참조할 수 있다.
본원에서 "제1" 및 "제2"와 같은 관계 용어는 하나의 엔티티 또는 동작을 다른 엔티티 또는 동작과 구별하기 위해서만 사용되며, 반드시 이러한 엔티티 또는 동작 간에 실제 관계 또는 시퀀스가 존재할 것을 요구하거나 암시하는 것은 아니라는 것에 추가로 유의해야 한다. 또한, 용어 "포함하다(include)", "포괄하다(comprise)" 또는 이들의 임의의 다른 변형은 비배타적 포함을 포함하도록 의도되어, 일련의 요소를 포함하는 프로세스, 방법, 객체 또는 디바이스는 이러한 요소뿐만 아니라 명시적으로 나열되지 않은 다른 요소 또는 프로세스, 방법, 객체 또는 디바이스에 고유한 요소를 포함한다. 추가의 제한 없이, 요소 앞의 "포함하다(include a...)"라는 문구는 해당 요소를 포함하는 프로세스, 방법, 객체 또는 디바이스에서 다른 동일한 요소의 존재를 배제하지 않는다.
상술한 실시예의 설명은 본 기술 분야의 통상의 기술자가 본 개시를 구현하거나 사용할 수 있게 한다. 이러한 실시예에 대한 다양한 수정은 본 기술 분야의 통상의 기술자에게 명백하며, 본원에 규정된 일반적인 원리는 본 개시의 사상 또는 범위를 벗어나지 않고 다른 실시예에서 구현될 수 있다. 따라서, 본 개시는 본원에 설명된 이러한 실시예에 제한되지 않고, 본원에 개시된 원리 및 신규한 특징과 일치하는 가장 넓은 범위에 따를 것이다.

Claims (17)

  1. 담화-레벨 텍스트를 번역하기 위한 방법으로서:
    번역될 텍스트를 획득하는 단계로서, 상기 번역될 텍스트는 번역될 상기 담화-레벨 텍스트의 단위 텍스트인, 번역될 텍스트를 획득하는 단계;
    상기 번역될 텍스트의 관련 텍스트를 획득하는 단계 - 상기 관련 텍스트는 선행 소스 텍스트, 후속 소스 텍스트 또는 선행 타겟 텍스트 중 적어도 하나를 포함하고, 상기 선행 소스 텍스트는 상기 담화-레벨 텍스트에서 상기 번역될 텍스트 이전의 적어도 하나의 텍스트 단위이고, 상기 후속 소스 텍스트는 상기 담화-레벨 텍스트에서 상기 번역될 텍스트 이후의 적어도 하나의 텍스트 단위이고, 상기 선행 타겟 텍스트는 상기 선행 소스 텍스트의 번역된 텍스트임 -; 및
    상기 관련 텍스트에 따라 상기 번역될 텍스트를 번역하는 단계를 포함하고,
    상기 관련 텍스트에 따라 상기 번역될 텍스트를 번역하는 단계는:
    상기 번역될 텍스트를 인코딩함으로써 초기 인코딩된 결과를 획득하는 단계로서, 상기 초기 인코딩된 결과는 상기 번역될 텍스트의 시맨틱(semantic) 정보를 나타내는, 초기 인코딩된 결과를 획득하는 단계;
    상기 관련 텍스트를 인코딩함으로써 관련 인코딩된 결과를 획득하는 단계로서, 상기 관련 인코딩된 결과는 상기 관련 텍스트의 시맨틱 정보를 나타내는, 관련 인코딩된 결과를 획득하는 단계;
    상기 관련 인코딩된 결과의 인코딩된 결과들의 전부 또는 일부와 함께 상기 초기 인코딩된 결과를 프로세싱함으로써 타겟 인코딩된 결과를 획득하는 단계; 및
    상기 타겟 인코딩된 결과를 디코딩함으로써 상기 번역될 텍스트를 번역하는 단계
    를 포함하는, 방법.
  2. 제1항에 있어서,
    상기 관련 텍스트에 따라 상기 번역될 텍스트를 번역하는 단계는:
    사전-구성된 인코딩-및-디코딩 모델을 사용하여 상기 관련 텍스트에 따라 상기 번역될 텍스트를 번역하는 단계를 포함하는, 방법.
  3. 제2항에 있어서,
    상기 타겟 인코딩된 결과는 상기 번역될 텍스트의 상기 시맨틱 정보를 나타내며, 상기 관련 텍스트의 상기 시맨틱 정보의 전부 또는 일부를 전달하는, 방법.
  4. 제3항에 있어서,
    상기 번역될 텍스트를 인코딩함으로써 상기 초기 인코딩된 결과를 획득하는 단계는:
    상기 번역될 텍스트의 단어들을 인코딩함으로써 상기 초기 인코딩된 결과를 획득하는 단계를 포함하고, 이에 대응하여 상기 관련 텍스트를 인코딩함으로써 상기 관련 인코딩된 결과를 획득하는 단계는:
    각각의 텍스트 단위들에 대응하는 인코딩된 결과들을 획득하기 위해 상기 관련 텍스트의 각각의 텍스트 단위의 단어들을 인코딩하고, 상기 인코딩된 결과들을 상기 관련 인코딩된 결과로서 결정하는 단계를 포함하는, 방법.
  5. 제4항에 있어서,
    상기 번역될 텍스트의 단어들을 인코딩한 후, 상기 방법은:
    상기 번역될 텍스트의 상기 단어들의 인코딩된 결과를 함께 추가함으로써 상기 번역될 텍스트에 대응하는 누적 결과를 획득하는 단계를 더 포함하고, 이에 대응하여 상기 관련 텍스트의 각각의 텍스트 단위의 상기 단어들을 인코딩한 후, 상기 방법은:
    상기 관련 텍스트가 상기 선행 소스 텍스트를 포함하는 경우, 각각의 텍스트 단위에 대응하는 누적 결과를 획득하기 위해 상기 선행 소스 텍스트의 각각의 텍스트 단위의 단어들의 인코딩된 결과를 함께 추가하는 단계;
    상기 관련 텍스트가 상기 후속 소스 텍스트를 포함하는 경우, 각각의 텍스트 단위에 대응하는 누적 결과를 획득하기 위해 상기 후속 소스 텍스트의 각각의 텍스트 단위의 단어들의 인코딩된 결과를 함께 추가하는 단계; 및
    상기 관련 텍스트가 상기 선행 타겟 텍스트를 포함하는 경우, 각각의 텍스트 단위에 대응하는 누적 결과를 획득하기 위해 상기 선행 타겟 텍스트의 각각의 텍스트 단위의 단어들의 인코딩된 결과들을 함께 추가하는 단계를 더 포함하는, 방법.
  6. 제3항에 있어서,
    상기 관련 인코딩된 결과의 인코딩된 결과들의 전부 또는 일부와 함께 상기 초기 인코딩된 결과를 프로세싱하는 단계는:
    상기 관련 텍스트가 상기 선행 소스 텍스트를 포함하는 경우, 상기 관련 인코딩된 결과로부터 상기 선행 소스 텍스트의 인코딩된 결과를 결정하는 단계;
    상기 관련 텍스트가 상기 후속 소스 텍스트를 포함하는 경우, 상기 관련 인코딩된 결과로부터 상기 후속 소스 텍스트의 인코딩된 결과를 결정하는 단계; 및
    상기 결정된 인코딩된 결과에 따라 상기 초기 인코딩된 결과를 프로세싱하는 단계를 포함하는, 방법.
  7. 제6항에 있어서,
    상기 결정된 인코딩된 결과에 따라 상기 초기 인코딩된 결과를 프로세싱하는 단계는:
    상기 관련 텍스트가 상기 선행 소스 텍스트를 포함하는 경우, 상기 번역될 텍스트의 상기 초기 인코딩된 결과 및 상기 선행 소스 텍스트의 상기 인코딩된 결과에 따라 상기 번역될 텍스트와 상기 선행 소스 텍스트 사이의 상관도를 결정하는 단계;
    상기 관련 텍스트가 상기 후속 소스 텍스트를 포함하는 경우, 상기 번역될 텍스트의 상기 초기 인코딩된 결과 및 상기 후속 소스 텍스트의 상기 인코딩된 결과에 따라 상기 번역될 텍스트와 상기 후속 소스 텍스트 사이의 상관도를 결정하는 단계; 및
    상기 결정된 인코딩된 결과 및 상기 결정된 상관도에 따라 상기 초기 인코딩된 결과를 프로세싱하는 단계를 포함하는, 방법.
  8. 제3항에 있어서,
    상기 타겟 인코딩된 결과를 디코딩함으로써 상기 번역될 텍스트를 번역하는 단계는:
    상기 관련 텍스트가 상기 선행 타겟 텍스트를 포함하는 경우, 상기 관련 인코딩된 결과의 상기 선행 타겟 텍스트의 인코딩된 결과를 사용하여 상기 타겟 인코딩된 결과를 디코딩하는 단계를 포함하는, 방법.
  9. 제8항에 있어서,
    상기 관련 인코딩된 결과의 상기 선행 타겟 텍스트의 상기 인코딩된 결과를 사용하여 상기 타겟 인코딩된 결과를 디코딩하는 단계는:
    상기 번역될 텍스트와 상기 선행 타겟 텍스트 사이의 상관도를 결정하는 단계; 및
    상기 결정된 상관도 및 상기 선행 타겟 텍스트의 상기 인코딩된 결과에 따라 상기 타겟 인코딩된 결과를 디코딩하는 단계를 포함하는, 방법.
  10. 제9항에 있어서,
    상기 번역될 텍스트와 상기 선행 타겟 텍스트 사이의 상기 상관도를 결정하는 단계는:
    상기 번역될 텍스트와 상기 선행 소스 텍스트 사이의 상기 상관도를 상기 번역될 텍스트와 상기 선행 타겟 텍스트 사이의 상기 상관도로서 결정하는 단계를 포함하는, 방법.
  11. 담화-레벨 텍스트를 번역하기 위한 장치로서:
    번역될 텍스트를 획득하도록 구성된 번역될 텍스트 획득 유닛으로서, 상기 번역될 텍스트는 번역될 상기 담화-레벨 텍스트의 단위 텍스트인, 번역될 텍스트 획득 유닛;
    상기 번역될 텍스트의 관련 텍스트를 획득하도록 구성된 관련 텍스트 획득 유닛 - 상기 관련 텍스트는 선행 소스 텍스트, 후속 소스 텍스트 또는 선행 타겟 텍스트 중 적어도 하나를 포함하고, 상기 선행 소스 텍스트는 상기 담화-레벨 텍스트에서 상기 번역될 텍스트 이전의 적어도 하나의 텍스트 단위이고, 상기 후속 소스 텍스트는 상기 담화-레벨 텍스트에서 상기 번역될 텍스트 이후의 적어도 하나의 텍스트 단위이고, 상기 선행 타겟 텍스트는 상기 선행 소스 텍스트의 번역된 텍스트임 -; 및
    상기 관련 텍스트에 따라 상기 번역될 텍스트를 번역하도록 구성된 번역될 텍스트 번역 유닛을 포함하고,
    상기 번역될 텍스트 번역 유닛은:
    상기 번역될 텍스트를 인코딩함으로써 초기 인코딩된 결과를 획득하도록 구성된 제1 인코딩 서브유닛으로서, 상기 초기 인코딩된 결과는 상기 번역될 텍스트의 시맨틱 정보를 나타내는, 제1 인코딩 서브유닛;
    상기 관련 텍스트를 인코딩함으로써 관련 인코딩된 결과를 획득하도록 구성된 제2 인코딩 서브유닛으로서, 상기 관련 인코딩된 결과는 상기 관련 텍스트의 시맨틱 정보를 나타내는, 제2 인코딩 서브유닛;
    상기 관련 인코딩된 결과의 인코딩된 결과들의 전부 또는 일부와 함께 상기 초기 인코딩된 결과를 프로세싱함으로써 타겟 인코딩된 결과를 획득하도록 구성된 결과 프로세싱 서브유닛; 및
    상기 타겟 인코딩된 결과를 디코딩함으로써 상기 번역될 텍스트를 번역하도록 구성된 디코딩 구현 서브유닛
    을 포함하는, 장치.
  12. 제11항에 있어서,
    상기 번역될 텍스트 번역 유닛은 사전-구성된 인코딩-및-디코딩 모델을 사용하여 상기 관련 텍스트에 따라 상기 번역될 텍스트를 번역하도록 구성되는, 장치.
  13. 제12항에 있어서,
    상기 타겟 인코딩된 결과는 상기 번역될 텍스트의 상기 시맨틱 정보를 나타내며, 상기 관련 텍스트의 상기 시맨틱 정보의 전부 또는 일부를 전달하는, 장치.
  14. 제13항에 있어서,
    상기 디코딩 구현 서브유닛은, 상기 관련 텍스트가 상기 선행 타겟 텍스트를 포함하는 경우, 상기 관련 인코딩된 결과의 상기 선행 타겟 텍스트의 인코딩된 결과를 사용하여 상기 타겟 인코딩된 결과를 디코딩하도록 구성되는, 장치.
  15. 담화-레벨 텍스트를 번역하기 위한 장치로서:
    프로세서, 메모리 및 시스템 버스를 포함하고,
    상기 프로세서 및 상기 메모리는 상기 시스템 버스에 의해 서로 접속되고, 상기 메모리는 하나 이상의 컴퓨터 프로그램을 저장하도록 구성되고, 상기 하나 이상의 컴퓨터 프로그램은 상기 프로세서에 의해 실행될 때 상기 프로세서로 하여금 제1항 내지 제10항 중 어느 한 항에 따른 방법을 실행하게 하는 명령들을 포함하는, 장치.
  16. 컴퓨터에서 실행될 때 상기 컴퓨터로 하여금 제1항 내지 제10항 중 어느 한 항에 따른 방법을 실행하게 하는 명령들을 포함하는, 컴퓨터-판독 가능 저장 매체.
  17. 삭제
KR1020207035704A 2018-05-15 2019-04-10 챕터-레벨 텍스트 번역 방법 및 디바이스 KR102550340B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201810463138.3 2018-05-15
CN201810463138.3A CN110489761B (zh) 2018-05-15 2018-05-15 一种篇章级文本翻译方法及装置
PCT/CN2019/082039 WO2019218809A1 (zh) 2018-05-15 2019-04-10 一种篇章级文本翻译方法及装置

Publications (2)

Publication Number Publication Date
KR20210003284A KR20210003284A (ko) 2021-01-11
KR102550340B1 true KR102550340B1 (ko) 2023-06-30

Family

ID=68539405

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020207035704A KR102550340B1 (ko) 2018-05-15 2019-04-10 챕터-레벨 텍스트 번역 방법 및 디바이스

Country Status (8)

Country Link
US (1) US11694041B2 (ko)
EP (1) EP3796191A4 (ko)
JP (1) JP7278309B2 (ko)
KR (1) KR102550340B1 (ko)
CN (1) CN110489761B (ko)
AU (1) AU2019270109B2 (ko)
NZ (1) NZ770794A (ko)
WO (1) WO2019218809A1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111597830A (zh) * 2020-05-20 2020-08-28 腾讯科技（深圳）有限公司 基于多模态机器学习的翻译方法、装置、设备及存储介质
CN111859998A (zh) * 2020-06-18 2020-10-30 北京百度网讯科技有限公司 篇章翻译的方法、装置、电子设备和可读存储介质
CN116882423B (zh) * 2023-09-06 2023-11-17 中国科学院自动化研究所 文本翻译方法、装置、电子设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014098640A1 (en) 2012-12-19 2014-06-26 Abbyy Infopoisk Llc Translation and dictionary selection by context
US20170060855A1 (en) * 2015-08-25 2017-03-02 Alibaba Group Holding Limited Method and system for generation of candidate translations

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3952216B2 (ja) 1995-11-27 2007-08-01 富士通株式会社 翻訳装置及び辞書検索装置
EP1483687A4 (en) * 2002-03-11 2008-08-06 Univ Southern California TRANSLATION OF CALLED ENTITIES
EP1894125A4 (en) 2005-06-17 2015-12-02 Nat Res Council Canada MEANS AND METHOD FOR ADAPTED LANGUAGE TRANSLATION
US9053090B2 (en) 2006-10-10 2015-06-09 Abbyy Infopoisk Llc Translating texts between languages
US8606607B2 (en) * 2007-01-03 2013-12-10 Vistaprint Schweiz Gmbh Translation processing using a translation memory
GB2468278A (en) 2009-03-02 2010-09-08 Sdl Plc Computer assisted natural language translation outputs selectable target text associated in bilingual corpus with input target text from partial translation
RU2518946C1 (ru) 2012-11-27 2014-06-10 Александр Александрович Харламов Способ автоматизированной семантической индексации текста на естественном языке
US9031829B2 (en) * 2013-02-08 2015-05-12 Machine Zone, Inc. Systems and methods for multi-user multi-lingual communications
US9836457B2 (en) 2015-05-25 2017-12-05 Panasonic Intellectual Property Corporation Of America Machine translation method for performing translation between languages
RU2628202C1 (ru) 2016-04-11 2017-08-15 Михаил Маркович Гольдреер Адаптивный контекстно-тематический машинный перевод
CN105912533B (zh) 2016-04-12 2019-02-12 苏州大学 面向神经机器翻译的长句切分方法及装置
CN106126507B (zh) 2016-06-22 2019-08-09 哈尔滨工业大学深圳研究生院 一种基于字符编码的深度神经翻译方法及系统
RU172882U1 (ru) 2016-07-20 2017-07-28 Общество с ограниченной ответственностью "Технологии управления переводом" Устройство для автоматического перевода текста
KR102577584B1 (ko) 2016-08-16 2023-09-12 삼성전자주식회사 기계 번역 방법 및 장치
US10706351B2 (en) 2016-08-30 2020-07-07 American Software Safety Reliability Company Recurrent encoder and decoder
CN107818086B (zh) 2016-09-13 2021-08-10 株式会社东芝 机器翻译方法和装置
US11113480B2 (en) * 2016-09-26 2021-09-07 Google Llc Neural machine translation systems
CN107943794A (zh) 2016-10-12 2018-04-20 阿里巴巴集团控股有限公司 一种翻译方法及系统
CN107368476B (zh) * 2017-07-25 2020-11-03 深圳市腾讯计算机系统有限公司 一种翻译的方法、目标信息确定的方法及相关装置
KR20190041790A (ko) * 2017-10-13 2019-04-23 한국전자통신연구원 신경망 번역 모델 구축 장치 및 방법
WO2019079922A1 (zh) * 2017-10-23 2019-05-02 腾讯科技（深圳）有限公司 会话信息处理方法及其装置、存储介质
KR102069692B1 (ko) * 2017-10-26 2020-01-23 한국전자통신연구원 신경망 기계번역 방법 및 장치

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014098640A1 (en) 2012-12-19 2014-06-26 Abbyy Infopoisk Llc Translation and dictionary selection by context
US20170060855A1 (en) * 2015-08-25 2017-03-02 Alibaba Group Holding Limited Method and system for generation of candidate translations

Also Published As

Publication number Publication date
EP3796191A4 (en) 2022-03-02
US20210150154A1 (en) 2021-05-20
JP2021524095A (ja) 2021-09-09
CN110489761B (zh) 2021-02-02
KR20210003284A (ko) 2021-01-11
JP7278309B2 (ja) 2023-05-19
CN110489761A (zh) 2019-11-22
AU2019270109A1 (en) 2021-02-04
WO2019218809A1 (zh) 2019-11-21
NZ770794A (en) 2022-10-28
AU2019270109B2 (en) 2022-10-20
EP3796191A1 (en) 2021-03-24
US11694041B2 (en) 2023-07-04

Similar Documents

Publication Publication Date Title
CN110232183B (zh) 关键词提取模型训练方法、关键词提取方法、装置及存储介质
KR102550340B1 (ko) 챕터-레벨 텍스트 번역 방법 및 디바이스
CN110309275B (zh) 一种对话生成的方法和装置
CN110134971B (zh) 一种机器翻译的方法、设备以及计算机可读存储介质
EP4047597A1 (en) Decoding network construction method, voice recognition method, device and apparatus, and storage medium
CN112528637B (zh) 文本处理模型训练方法、装置、计算机设备和存储介质
EP4131076A1 (en) Serialized data processing method and device, and text processing method and device
CN110807335B (zh) 基于机器学习的翻译方法、装置、设备及存储介质
CN113158687B (zh) 语义的消歧方法及装置、存储介质、电子装置
CN108959388B (zh) 信息生成方法及装置
WO2020227970A1 (en) Systems and methods for generating abstractive text summarization
CN113434664A (zh) 文本摘要生成方法、装置、介质及电子设备
CN113051894A (zh) 一种文本纠错的方法和装置
CN114492426A (zh) 子词切分方法、模型训练方法、装置和电子设备
CN111723194A (zh) 摘要生成方法、装置和设备
CN111475635B (zh) 语义补全方法、装置和电子设备
CN110717316B (zh) 字幕对话流的主题分割方法及装置
CN111783395A (zh) 用于输出文本的方法和装置
CN116049370A (zh) 信息查询方法和信息生成模型的训练方法、装置
CN111178065B (zh) 分词识别词库构建方法、中文分词方法和装置
CN115357710A (zh) 表格描述文本生成模型的训练方法、装置及电子设备
CN112530416A (zh) 语音识别方法、装置、设备和计算机可读介质
RU2779526C2 (ru) Способ и устройство для перевода текста на уровне дискурса
CN114792086A (zh) 一种支持文本交叉覆盖的信息抽取方法、装置、设备和介质
CN113901841A (zh) 翻译方法、装置以及存储介质

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant