KR20180019371A - 기계 번역 방법 및 장치 - Google Patents

기계 번역 방법 및 장치 Download PDF

Info

Publication number
KR20180019371A
KR20180019371A KR1020160103638A KR20160103638A KR20180019371A KR 20180019371 A KR20180019371 A KR 20180019371A KR 1020160103638 A KR1020160103638 A KR 1020160103638A KR 20160103638 A KR20160103638 A KR 20160103638A KR 20180019371 A KR20180019371 A KR 20180019371A
Authority
KR
South Korea
Prior art keywords
language
independent information
expressed
encoder
learning
Prior art date
Application number
KR1020160103638A
Other languages
English (en)
Other versions
KR102589637B1 (ko
Inventor
나휘동
이호식
최영상
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020160103638A priority Critical patent/KR102589637B1/ko
Priority to US15/401,126 priority patent/US10067939B2/en
Publication of KR20180019371A publication Critical patent/KR20180019371A/ko
Application granted granted Critical
Publication of KR102589637B1 publication Critical patent/KR102589637B1/ko

Links

Images

Classifications

    • G06F17/289—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/40—Processing or translation of natural language
    • G06F40/58—Use of machine translation, e.g. for multi-lingual retrieval, for server-side translation for client devices or for real-time translation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/40—Processing or translation of natural language
    • G06F40/42—Data-driven translation
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
    • G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Machine Translation (AREA)

Abstract

기계 번역 방법 및 장치가 개시된다. 개시된 기계 번역 방법은 제1 언어의 인코더를 이용하여, 제1 언어로 표현된 원문(source sentence)을 언어 독립적 정보로 변환하고, 제1 언어와 상이한 제2 언어의 디코더를 이용하여, 언어 독립적 정보를 원문에 대응하고 제2 언어로 표현된 번역문(target sentence)으로 변환한다. 이 때, 제1 언어의 인코더는, 제1 언어로 표현된 원문이 입력됨에 따라 제2 언어로 표현된 번역문에 대응하는 언어 독립적 정보가 출력되도록 학습된다.

Description

기계 번역 방법 및 장치{METHOD AND APPARATUS FOR PERFORMING MACHINE TRANSLATION}
아래 실시예들은 기계 번역 방법 및 장치에 관한 것이다.
정보 통신 기술 및 인터넷의 발달로 인해 사람들은 다양한 언어로 제작된 컨텐츠들을 제공받게 되었다. 특히, 글로벌 비즈니스화로 인해 다양한 언어를 사용하는 사용자들 간의 의사 소통 및 컨텐츠 번역 등을 위한 번역 기술이 빠르게 발전하고 있다.
하지만, 서로 다른 두 언어에 대해 번역을 수행하기 위해서는 일정한 데이터가 요구되는데, 경우에 따라서는 이러한 번역에 요구되는 데이터가 부족할 수 있다.
일실시예에 따른 기계 번역 방법은 제1 언어의 인코더를 이용하여, 상기 제1 언어로 표현 된 원문(source sentence) 을 언어 독립적 정보로 변환 하는 단계; 및 상기 제1 언어와 상이한 제2 언어의 디코더를 이용하여, 상기 언어 독립적 정보를 상기 원문에 대응하고 상기 제2 언어로 표현된 번역문(target sentence)으로 변환하는 단계를 포함하고, 상기 제1 언어의 인코더는, 상기 제1 언어로 표현된 원문이 입력됨에 따라 상기 제2 언어로 표현된 번역문에 대응하는 언어 독립적 정보가 출력되도록 학습된다.
일실시예에 따른 기계 번역 방법에서 상기 제1 언어로 표현된 원문을 언어 독립적 정보로 변환하는 단계는, 상기 제2 언어로 표현된 번역문에 대응하는 언어 독립적 정보와 미리 정해진 임계 값보다 높은 유사도를 가지는 상기 언어 독립적 정보로 상기 제1 언어로 표현된 원문을 변환할 수 있다.
일실시예에 따른 기계 번역 방법에서 상기 제1 언어의 인코더는, 상기 제1 언어 및 제2 언어에 대한 병렬 언어 데이터(parallel corpus)에 포함된 상기 제1 언어로 표현된 학습 문장을 인코딩하여 학습 언어 독립적 정보가 출력되도록 학습되고, 상기 학습 언어 독립적 정보는, 상기 제2 언어의 인코더가 상기 병렬 언어 데이터에 포함된 상기 제2 언어로 표현된 학습 문장을 인코딩하여 출력한 정보에 대응될 수 있다.
일실시예에 따른 기계 번역 방법에서 상기 제2 언어의 디코더는, 상기 제1 언어의 인코더에서 출력된 학습 언어 독립적 정보가 입력됨에 따라 상기 제1 언어로 표현된 학습 문장에 대응되는 제2 언어로 표현된 학습 문장이 출력되도록 학습될 수 있다.
일실시예에 따른 기계 번역 방법에서 상기 언어 독립적 정보는, 상기 제1 언어로 표현된 원문에 대응하는 이미지, 동영상, 오디오, 뇌파 중 어느 하나를 포함할 수 있다.
일실시예에 따른 기계 번역 방법은 제1 언어의 인코더를 이용하여, 상기 제1 언어로 표현된 원문을 상기 제1 언어에 대한 제1 언어 독립적 정보로 변환하는 단계; 상기 언어 독립적 정보에 대한 디코더를 통해, 상기 제1 언어 독립적 정보를 상기 제1 언어와 상이한 제2 언어에 대한 제2 언어 독립적 정보로 변환하는 단계; 및 상기 제2 언어의 디코더를 이용하여, 상기 제2 언어 독립적 정보를 상기 원문에 대응하고 제2 언어로 표현된 번역문으로 변환하는 단계를 포함한다.
일실시예에 따른 기계 번역 방법에서 상기 제2 언어 독립적 정보는, 상기 제2 언어의 인코더가 상기 제2 언어로 표현된 번역문을 인코딩하여 출력한 정보에 대응될 수 있다.
일실시예에 따른 기계 번역 방법에서 상기 언어 독립적 정보에 대한 디코더는, 상기 제1 언어에 대한 제1 학습 언어 독립적 정보가 입력됨에 따라 제2 언어에 대한 제2 학습 언어 독립적 정보가 출력되도록 학습되고, 상기 제1 학습 언어 독립적 정보는, 상기 제1 언어 및 상기 제2 언어에 대한 병렬 언어 데이터에 포함된 제1 언어로 표현된 학습 문장이 상기 제1 언어의 인코더에 의해 인코딩됨에 따라 출력된 정보이고, 상기 제2 학습 언어 독립적 정보는, 상기 병렬 언어 데이터에 포함된 제2 언어로 표현된 학습 문장이 상기 제2 언어의 인코더에 의해 인코딩됨에 따라 출력된 정보일 수 있다.
일실시예에 따른 기계 번역 방법에서 상기 제1 언어 독립적 정보는, 상기 제1 언어로 표현된 원문에 대응하는 이미지, 동영상, 오디오, 뇌파 중 어느 하나에 대한 집합, 순열 또는 구조화된 형태를 포함할 수 있다.
일실시예에 따른 기계 번역 장치는 제1 언어의 인코더 및 상기 제1 언어와 상이한 제2 언어의 디코더를 포함하는 메모리; 및 상기 제1 언어의 인코더와 상기 제2 언어의 디코더를 이용하여 제1 언어로 표현된 원문을 상기 제2 언어로 표현된 번역문으로 번역하는 프로세서를 포함하고, 상기 프로세서는, 상기 제1 언어의 인코더를 이용하여 상기 제1 언어로 표현된 원문을 언어 독립적 정보로 변환하고, 상기 제2 언어의 디코더를 이용하여 상기 언어 독립적 정보를 상기 원문에 대응하고 상기 제2 언어로 표현된 번역문으로 변환하고, 상기 제1 언어의 인코더는, 상기 제1 언어로 표현된 원문이 입력됨에 따라 상기 제2 언어로 표현된 번역문에 대응하는 언어 독립적 정보가 출력되도록 학습된다.
일실시예에 따른 기계 번역 장치는 제1 언어의 인코더, 상기 제1 언어와 상이한 제2 언어의 디코더 및 언어 독립적 정보에 대한 디코더를 포함하는 메모리; 및 상기 제1 언어의 인코더, 상기 제2 언어의 디코더 및 상기 언어 독립적 정보에 대한 디코더를 이용하여 제1 언어로 표현된 원문을 상기 제2 언어로 표현된 번역문으로 번역하는 프로세서를 포함하고, 상기 프로세서는, 상기 제1 언어의 인코더를 이용하여, 제1 언어로 표현된 원문을 상기 제1 언어에 대한 제1 언어 독립적 정보로 변환하고, 상기 언어 독립적 정보에 대한 디코더를 통해, 상기 제1 언어 독립적 정보를 상기 제1 언어와 상이한 제2 언어에 대한 언어 독립적 정보로 변환하며, 상기 제2 언어의 디코더를 이용하여, 상기 제2 언어 독립적 정보를 상기 원문에 대응하고 제2 언어로 표현된 번역문으로 변환한다.
도 1은 일실시예에 따른 기계 번역 방법의 동작 원리를 설명하기 위한 도면이다.
도 2는 일실시예에 따른 인코더 및 디코더의 동작을 설명하기 위한 도면이다.
도 3은 일실시예에 따라 원문을 번역문으로 번역하는 과정을 설명하기 위한 도면이다.
도 4는 다른 일실시예에 따라 원문을 번역문으로 번역하는 과정을 설명하기 위한 도면이다.
도 5는 일실시예에 따른 기계 번역 방법을 나타낸 도면이다.
도 6은 다른 일실시예에 따른 기계 번역 방법을 나타낸 도면이다.
도 7은 일실시예에 따른 기계 번역 장치를 나타낸 도면이다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
하기에서 설명될 실시예들은 번역을 제공하는 데 사용될 수 있다. 실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 웨어러블 장치, 스마트 가전 기기, 지능형 자동차 등 다양한 형태의 제품으로 구현될 수 있다. 예를 들어, 실시예들은 스마트 폰, 모바일 기기, 웨어러블 장치 등에서 번역을 제공하는데 적용될 수 있다. 이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
도 1은 일실시예에 따른 기계 번역 방법의 동작 원리를 설명하기 위한 도면이다.
도 1을 참조하면, 일실시예에 따라 기계 번역 장치가 언어 독립적 정보(120)를 통해 원문(source sentence)(110)을 번역문(target sentence)(130)으로 번역하는 과정에 대한 예시가 도시되어 있다.
원문(110)은 제1 언어로 표현된 문장으로서, 기계 번역하고자 하는 문장을 나타낼 수 있다. 도 1에 예시적으로 도시된 원문(110)은 "검은 옷을 입은 남자가 기타를 치고 있다."일 수 있다.
기계 번역 장치는 원문(110)을 언어 독립적 정보(120)으로 변환할 수 있다. 언어 독립적 정보(120)는 특정 언어의 문자로 표현되지 않는 정보로서, 예를 들어, 언어 독립적 정보(120)는 이미지, 동영상, 오디오, 뇌파 중 어느 하나를 포함할 수 있다. 도 1에 예시적으로 도시된 언어 독립적 정보(120)는 원문(110)에 대응하는 하나 이상의 이미지를 포함할 수 있다.
그리고, 기계 번역 장치는 언어 독립적 정보(120)를 번역문(130)으로 변환할 수 있다. 번역문(130)은 제2 언어로 표현된 문장으로서, 제1 언어로 표현된 원문(110)에 대한 기계 번역 결과를 나타낼 수 있다. 다시 말해, 번역문(130)은 제1 언어로 표현된 원문(110)을 제2 언어로 표현한 문장일 수 있다. 도 1에 예시적으로 도시된 번역문(130)은 "a man in black shirt is playing guitar."일 수 있다.
도 1에 도시된 바와 같이, 원문(110)과 번역문(130)은 언어 독립적 정보(120)를 서로 다른 언어로 표현한 문장일 수 있다. 이와 같이, 서로 다른 언어로 표현되더라도 같은 의미를 가지는 원문(110)과 번역문(130)는 하나 이상의 유사한 언어 독립적 정보(120)에 대응될 수 있다. 따라서, 언어 독립적 정보(120)는 서로 다른 언어로 표현된 원문(110)과 번역문(130)을 연결하는 매개체가 될 수 있으며, 기계 번역 장치는 제1 언어로 표현된 원문(110)을 제2 언어로 표현된 번역문(130)으로 번역하는 데 언어 독립적 정보(120)를 이용할 수 있다.
기계 번역 장치는 원문(110)을 언어 독립적 정보(120)로 변환하거나 언어 독립적 정보(120)를 번역문(130)으로 변환하기 위해 뉴럴 네트워크를 이용할 수 있다. 뉴럴 네트워크를 이용하여 원문(110)을 언어 독립적 정보(120)로 변환하거나 언어 독립적 정보(120)를 번역문(130)으로 변환하는 과정에 대해서는 도 2 내지 도 4를 참조하여 설명한다.
도 2는 일실시예에 따른 인코더 및 디코더의 동작을 설명하기 위한 도면이다.
도 2를 참조하면, 특정 언어에 대한 인코더(210) 및 디코더(230)가 도시된다. 인코더(210) 및 디코더(230) 각각은 뉴럴 네트워크(neural network)로 구성될 수 있다.
인코더(210)는 해당 언어로 표현된 문장(211)을 인코딩하여 문장(211)에 대응하는 언어 독립적 정보(212)로 변환할 수 있다. 문장은 텍스트 형태의 언어 데이터일 수 있다. 예를 들어, 인코더(210)는 인코딩을 통해 문장(211)으로부터 추상화된 정보(예컨대, 특징 벡터)를 추출하고, 추상화된 정보에 매핑된 언어 독립적 정보(212)를 생성할 수 있다.
인코더(210)는 해당 언어로 표현된 문장(211)을 언어 독립적 정보(212)로 변환하는 뉴럴 네트워크로서, 예를 들어, 순환 뉴럴 네트워크(recurrent neural network)를 포함할 수 있다. 인코더(210)에서 언어 독립적 정보(212)로 이미지가 출력되는 경우, 인코더(210)는 이미지 출력을 위한 순환 뉴럴 네트워크(Recurrent Neural Network For Image Generation)로서, 예를 들어, DRAW(Deep Recurrent Attentive Writer) 기법의 뉴럴 네트워크를 포함할 수 있다.
또한, 디코더(230)는 언어 독립적 정보(212)를 디코딩하여 언어 독립적 정보(212)에 대응하는 문장(213)으로 변환할 수 있다. 예를 들어, 디코더(230)는 디코딩을 통해 언어 독립적 정보(212)로부터 추상화된 정보(예컨대, 특징 벡터)를 추출하고, 추상화된 정보에 매핑된 해당 언어로 표현된 문장(213)을 생성할 수 있다.
디코더(230)는 언어 독립적 정보(212)를 해당 언어로 표현된 문장(213)으로 변환하는 뉴럴 네트워크로서, 예를 들어, Show, Attend and Tell: Neural Image Caption Generation with Visual Attention 기법의 뉴럴 네트워크를 포함할 수 있다.
도 3은 일실시예에 따라 원문을 번역문으로 기계 번역하는 과정을 설명하기 위한 도면이다.
도 3을 참조하면, 제1 언어에 대한 인코더(310) 및 디코더(330), 제2 언어에 대한 인코더(350) 및 디코더(370)가 도시된다.
제1 언어의 인코더(310)는 제1 언어로 표현된 문장 A(311)를 인코딩하여 언어 독립적 정보 I(312)로 변환할 수 있다. 그리고, 제1 언어의 디코더(330)는 언어 독립적 정보 I(312)를 디코딩하여 제1 언어로 표현된 문장 A(313)로 변환할 수 있다.
또한, 제2 언어의 인코더(350)는 제2 언어로 표현된 문장 B(351)를 인코딩하여 언어 독립적 정보 I'(352)로 변환할 수 있다. 그리고, 제2 언어의 디코더(370)는 언어 독립적 정보 I'(352)를 디코딩하여 제2 언어로 표현된 문장 B(353)로 변환할 수 있다.
이 때, 제1 언어의 인코더(310)가 제1 언어로 표현된 문장 A(311)를 인코딩하여 출력한 언어 독립적 정보 I(312)와 제2 언어의 인코더(350)가 제2 언어로 표현된 문장 B(353)를 인코딩하여 출력한 언어 독립적 정보 I'(352)가 서로 유사하다면, 유사한 언어 독립적 정보 I, I'(312, 352)에 각각 대응하는 제1 언어로 표현된 문장 A(311)와 제2 언어로 표현된 문장 B(353)는 동일 또는 유사한 의미를 서로 다른 언어로 표현한 문장일 수 있다.
만약 제1 언어의 인코더(310)에서 출력된 언어 독립적 정보 I(312)와 제2 언어의 인코더(350)에서 출력된 언어 독립적 정보 I'(352)가 미리 결정된 임계 값보다 높은 유사도를 가진다면, 제1 언어로 표현된 문장 A(311)를 인코딩하여 언어 독립적 정보 I(312)로 변환하는 제1 언어의 인코더(310)와 언어 독립적 정보 I'(352)를 디코딩하여 제2 언어로 표현된 문장 B(353)로 변환하는 제2 언어의 디코더(370)를 이용하여 제1 언어로 표현된 문장 A(311)를 제2 언어로 표현된 문장 B(353)로 변환할 수 있다. 다시 말해, 제1 언어의 인코더(310) 및 제2 언어의 디코더(370)를 통해 제1 언어로 표현된 문장 A(311)는 제2 언어로 표현된 문장 B(353)로 기계 번역될 수 있다.
여기서, 유사도는 제1 언어의 인코더(310)로부터 출력된 언어 독립적 정보 I(312)와 제2 언어의 인코더(350)로부터 출력된 언어 독립적 정보 I'(352) 간의 유사한 정도를 나타내는 정보로서, 예를 들어, 평균 제곱 오차(mean square error), 유클리디안 거리(Euclidean distance), Kullback-Leibler divergence 등 다양한 기법을 통해 결정될 수 있다. 만약 언어 독립적 정보 I, I'(312, 352)가 이미지를 포함하는 경우, 각 이미지에 포함된 픽셀 값 간의 차이에 기초하여 유사도가 결정될 수 있다.
일실시예에 따라 제1 언어의 인코더(310)가 제1 언어로 표현된 문장 A(311)를 인코딩하여 언어 독립적 정보 I'(352)에 동일하거나 미리 정해진 임계 값보다 높은 유사도를 가지는 언어 독립적 정보를 출력하기 위해서는, 제1 언어의 인코더(310)를 학습시키는 과정이 선행적으로 수행될 수 있다. 이 때, 제1 언어의 인코더(310)를 학습시킨다는 것은 인코더(310)를 구성하는 뉴럴 네트워크의 파라미터 또는 가중치 값을 결정하는 것으로 이해될 수 있다.
예를 들어, 제1 언어 및 제2 언어에 대한 병렬 언어 데이터(parallel corpus)가 학습 데이터로 이용될 수 있다. 병렬 언어 데이터는 서로 다른 언어로 구성된 언어 데이터 쌍을 포함하는 데이터로서, 예를 들어, 제1 언어로 표현된 학습 문장(예컨대, 원문)과 제1 언어로 표현된 학습 문장에 대응하는 제2 언어로 표현된 학습 문장(예컨대, 번역문)의 쌍(pair)을 포함할 수 있다.
제1 언어의 인코더(310)는 제1 언어의 인코더(310)에서 제1 언어로 표현된 학습 문장을 인코딩하여 출력된 학습 언어 독립적 정보가 제2 언어의 인코더(350)에서 제2 언어로 표현된 학습 문장을 인코딩하여 출력된 정보에 대응되도록 학습될 수 있다. 예를 들어, 제1 언어의 인코더(310)는 제1 언어의 인코더(310)에서 출력된 학습 언어 독립적 정보와 제2 언어의 인코더(350)에서 출력된 정보가 미리 정해진 임계 값보다 높은 유사도를 가지도록 학습될 수 있다.
만약 제1 언어의 인코더(310)가 제2 언어의 인코더(350)에서 출력된 정보와 동일한 학습 언어 독립적 정보를 출력하도록 학습된 경우, 제2 언어의 디코더(370)는 제1 언어의 인코더(310)에서 출력된 학습 언어 독립적 정보를 디코딩하여 제2 언어로 표현된 학습 문장을 출력할 수 있다.
추가적으로, 제2 언어의 디코더(370)에 대해서도 다음과 같은 학습이 수행될 수 있다. 제2 언어의 디코더(370)는 제1 언어의 인코더(310)에서 출력된 학습 언어 독립적 정보를 디코딩하여 제2 언어로 표현된 학습 문장을 출력하도록 학습될 수 있다.
이와 같이 제2 언어의 디코더(370)에 대해서 파인 튜닝(fine tuning)의 학습을 수행함으로써, 제1 언어의 인코더(310)와 제2 언어의 디코더(370)를 이용한 기계 번역의 정확도를 효과적으로 향상시킬 수 있다.
또한, 제1 언어의 인코더(310)에 대해서도 하기와 같은 추가적인 학습이 수행될 수도 있다. 제1 언어의 인코더(310)는 제1 언어의 인코더(310)에서 출력된 학습 언어 독립적 정보가 제2 언어의 디코더(370)에서 디코딩됨에 따라 제2 언어로 표현된 학습 문장이 제2 언어의 디코더(370)에서 출력되도록 추가적으로 학습될 수 있다.
제1 언어의 인코더(310)에 대해서도 파인 튜닝의 학습을 추가적으로 수행함으로써, 제1 언어의 인코더(310)와 제2 언어의 디코더(370)를 이용하여 기계 번역 결과의 정확도를 향상시킬 수 있다.
앞서 제1 언어로 표현된 문장 A(311)을 제2 언어로 표현된 문장 B(353)로 기계 번역하는 과정을 중심으로 상술하였으나, 이러한 설명은 제2 언어의 인코더(350)와 제1 언어의 디코더(330)를 이용하여 제2 언어로 표현된 문장 B(351)를 제1 언어로 표현된 문장 A(313)로 기계 번역하는 과정에도 마찬가지로 적용될 수 있다. 따라서, 제2 언어로 표현된 문장 B(351)를 제1 언어로 표현된 문장 A(313)로 기계 번역하는 과정에 관한 보다 상세한 설명은 생략한다.
도 4는 다른 일실시예에 따라 원문을 번역문으로 기계 번역하는 과정을 설명하기 위한 도면이다.
도 4를 참조하며, 제1 언어에 대한 인코더(410) 및 디코더(430), 언어 독립적 정보에 대한 디코더(450), 제2 언어에 대한 인코더(470) 및 디코더(490)가 도시된다.
제1 언어의 인코더(410)는 제1 언어로 표현된 문장 A(411)를 인코딩하여 제1 언어 독립적 정보 I(412)로 변환할 수 있다. 예를 들어, 제1 언어의 인코더(410)는 제1 언어로 표현된 문장 A(411)를 인코딩하여 제1 언어로 표현된 문장 A(411)에 대응하는 제1 언어 독립적 정보 I(412)를 검색(retrieve)할 수 있다. 그리고, 제1 언어의 디코더(430)는 제1 언어 독립적 정보 I(412)를 디코딩하여 제1 언어로 표현된 문장 A(413)로 변환할 수 있다.
또한, 제2 언어의 인코더(470)는 제2 언어로 표현된 문장 B(471)를 인코딩하여 제2 언어 독립적 정보 I'(472)로 변환할 수 있다. 예를 들어, 제2 언어의 인코더(470)는 제2 언어로 표현된 문장 B(471)를 인코딩하여 제2 언어로 표현된 문장 B(471)에 대응하는 제2 언어 독립적 정보 I'(472)를 검색(retrieve)할 수 있다. 그리고, 제2 언어의 디코더(490)는 제2 언어 독립적 정보 I'(472)를 디코딩하여 제2 언어로 표현된 문장 B(473)로 변환할 수 있다.
여기서, 제1 언어 독립적 정보 I(412)는 제1 언어로 표현된 문장 A(411)에 대응하는 이미지, 동영상, 오디오, 뇌파 중 어느 하나에 대한 집합, 순열 또는 구조화된 형태를 포함할 수 있다. 예시적으로 도시된 도 1을 참조하면, 언어 독립적 정보(120)는 원문(110)에 대응하는 복수의 이미지의 집합을 포함할 수 있다. 마찬가지로, 제2 언어 독립적 정보 I'(472)는 제2 언어로 표현된 문장 B(471)에 대응하는 이미지, 동영상, 오디오, 뇌파 중 어느 하나에 대한 집합, 순열 또는 구조화된 형태를 포함할 수 있다.
도 3에 도시된 실시예와 달리, 도 4에서는 언어 독립적 정보에 대한 디코더(450)가 추가될 수 있다. 언어 독립적 정보에 대한 디코더(450)는 제1 언어 독립적 정보 I(412)를 디코딩하여 제2 언어 독립적 정보 I'(472)로 변환할 수 있다. 예를 들어, 언어 독립적 정보에 대한 디코더(450)는 제1 언어 독립적 정보 I(412)를 디코딩하여 제2 언어 독립적 정보 I'(472)를 검색(retrieve)할 수 있다.
디코더(450)가 제1 언어 독립적 정보 I(412)를 디코딩하여 출력한 제2 언어 독립적 정보 I'(472)는 제2 언어의 인코더(470)에서 제2 언어로 표현된 문장 B(471)를 인코딩하여 출력된 정보에 대응될 수 있다. 이 때 제2 언어로 표현된 문장 B(471)가 제1 언어로 표현된 문장 A(411)의 번역문에 해당하는 경우, 제2 언어의 디코더(490)를 통해 제2 언어 독립적 정보 I'(472)를 디코딩하여 제1 언어로 표현된 문장 A(411)에 대응하는 제2 언어로 표현된 문장 B(473)를 출력할 수 있다.
다시 말해, 제1 언어의 인코더(410), 언어 독립적 정보에 대한 디코더(450), 제2 언어의 디코더(490)를 이용하여 제1 언어로 표현된 문장 A(411)를 제2 언어로 표현된 문장 B(473)로 변환할 수 있다. 결국, 제1 언어의 인코더(410), 언어 독립적 정보에 대한 디코더(450), 제2 언어의 디코더(490)를 통해 제1 언어로 표현된 문장 A(411)는 제2 언어로 표현된 문장 B(473)로 기계 번역될 수 있다.
일실시예에 따라 언어 독립적 정보에 대한 디코더(450)가 제1 언어 독립적 정보 I(412)를 디코딩하여 제2 언어 독립적 정보 I'(472)로 변환하기 위해서는, 언어 독립적 정보에 대한 디코더(450)를 학습시키는 과정이 선행적으로 수행될 수 있다. 이 때, 디코더(450)를 학습시킨다는 것은 디코더(450)를 구성하는 뉴럴 네트워크의 파라미터 또는 가중치 값을 결정하는 것으로 이해될 수 있다.
예를 들어, 제1 언어 및 제2 언어에 대한 병렬 언어 데이터가 학습 데이터로 이용될 수 있다. 병렬 언어 데이터는 서로 다른 언어로 구성된 언어 데이터 쌍(예컨대, 제1 언어로 표현된 학습 문장과 제1 언어로 표현된 학습 문장에 대응하는 제2 언어로 표현된 학습 문장)을 포함할 수 있다.
디코더(450)는 병렬 언어 데이터에 포함된 제1 언어로 표현된 학습 문장이 제1 언어의 인코더(410)에 의해 인코딩됨에 따라 출력된 제1 언어에 대한 제1 학습 언어 독립적 정보가 입력됨에 따라 제2 언어에 대한 제2 학습 언어 독립적 정보가 출력되도록 학습될 수 있다. 여기서, 제2 학습 언어 독립적 정보는 병렬 언어 데이터에 포함된 제2 언어로 표현된 학습 문장이 제2 언어의 인코더(470)에 의해 인코딩됨에 따라 출력된 정보일 수 있다.
추가적으로, 제1 언어의 인코더(410) 및 제2 언어의 디코더(490)에 대해서도 다음과 같은 학습이 수행될 수도 있다. 제1 언어의 인코더(410)는 제1 언어로 표현된 학습 문장을 인코딩하여 출력된 제1 학습 언어 독립적 정보가 디코더(450)에 의해 디코딩됨에 따라 제2 학습 언어 독립적 정보가 출력되도록 학습될 수 있다. 여기서, 제2 학습 언어 독립적 정보는 제2 언어의 인코더(470)에서 제2 언어로 표현된 학습 문장을 인코딩하여 출력된 정보일 수 있다.
또한, 제2 언어의 디코더(490)는 디코더(450)에서 제1 학습 언어 독립적 정보를 디코딩하여 출력된 제2 학습 언어 독립적 정보가 입력됨에 따라 제2 언어로 표현된 학습 문장이 출력되도록 학습될 수 있다.
제1 언어의 인코더(410) 및 제2 언어의 디코더(490)에 대해서 파인 튜닝의 학습을 추가적으로 수행함으로써, 제1 언어의 인코더(410), 언어 독립적 정보에 대한 디코더(450) 및 제2 언어의 디코더(490)를 이용한 기계 번역의 정확도를 효과적으로 향상시킬 수 있다.
상술된 설명은 제1 언어로 표현된 문장 A(411)을 제2 언어로 표현된 문장 B(473)로 기계 번역하는 과정을 중심으로 상술하였으나, 이러한 설명은 제2 언어의 인코더(470), 언어 독립적 정보에 대한 디코더(450) 및 제1 언어의 디코더(430)를 이용하여 제2 언어로 표현된 문장 B(471)를 제1 언어로 표현된 문장 A(413)로 기계 번역하는 과정에도 마찬가지로 적용될 수 있다. 따라서, 제2 언어로 표현된 문장 B(471)를 제1 언어로 표현된 문장 A(413)로 기계 번역하는 과정에 관한 구체적인 설명은 생략한다.
도 5는 일실시예에 따른 기계 번역 방법을 나타낸 도면이다.
도 5를 참조하면, 일실시예에 따라 기계 번역 장치에 구비된 프로세서에 의해 수행되는 기계 번역 방법이 도시되어 있다.
단계(510)에서, 기계 번역 장치는 제1 언어의 인코더를 이용하여 제1 언어로 표현된 원문을 언어 독립적 정보로 변환한다. 기계 번역 장치는 제1 언어의 인코더를 통해 제1 언어로 표현된 원문을 인코딩하여 언어 독립적 정보로 변환할 수 있다. 여기서, 제1 언어의 인코더는 제1 언어로 표현된 원문이 입력됨에 따라 제2 언어로 표현된 번역문에 대응하는 언어 독립적 정보가 출력되도록 학습된다.
기계 번역 장치는 제2 언어로 표현된 번역문에 대응하는 언어 독립적 정보와 미리 정해진 임계 값보다 높은 유사도를 가지는 언어 독립적 정보로 제1 언어로 표현된 원문을 변환할 수 있다.
단계(520)에서, 기계 번역 장치는 제1 언어와 상이한 제2 언어의 디코더를 이용하여, 언어 독립적 정보를 원문에 대응하고 제2 언어로 표현된 번역문으로 변환한다. 기계 번역 장치는 제2 언어의 디코더를 통해 언어 독립적 정보를 디코딩하여 제2 언어로 표현된 번역문으로 변환할 수 있다.
일실시예에 따라 상술된 기계 번역 방법을 수행하기 위해서는 제1 언어의 인코더에 대한 학습이 선행될 수 있다. 제1 언어의 인코더는 제1 언어 및 제2 언어에 대한 병렬 언어 데이터에 포함된 제1 언어로 표현된 학습 문장을 인코딩하여 학습 언어 독립적 정보가 출력되도록 학습될 수 있다. 이 때, 학습 언어 독립적 정보는 제2 언어의 인코더가 해당 병렬 언어 데이터에 포함된 제2 언어로 표현된 학습 문장을 인코딩하여 출력한 정보에 대응될 수 있다. 예를 들어, 제1 언어의 인코더는 제2 언어의 인코더에서 제2 언어로 표현된 학습 문장을 인코딩하여 출력된 정보와 미리 정해진 임계 값보다 높은 유사도를 가지는 학습 언어 독립적 정보를 출력하도록 학습될 수 있다.
또한, 제2 언어의 디코더에 대한 추가 학습이 수행될 수도 있다. 제2 언어의 디코더는 제1 언어의 인코더에서 출력된 학습 언어 독립적 정보가 입력됨에 따라 제1 언어로 표현된 학습 문장에 대응되는 제2 언어로 표현된 학습 문장이 출력되도록 학습될 수 있다.
도 5에 도시된 각 단계들에는 도 1 내지 도 4를 통하여 전술한 사항들이 적용될 수 있으므로, 보다 상세한 설명은 생략한다.
도 6은 다른 일실시예에 따른 기계 번역 방법을 나타낸 도면이다.
도 6을 참조하면, 다른 일실시예에 따라 기계 번역 장치에 구비된 프로세서에 의해 수행되는 기계 번역 방법이 도시되어 있다.
단계(610)에서, 기계 번역 장치는 제1 언어의 인코더를 이용하여, 제1 언어로 표현된 원문을 제1 언어에 대한 제1 언어 독립적 정보로 변환한다. 기계 번역 장치는 제1 언어의 인코더를 통해 제1 언어로 표현된 원문을 인코딩함으로써 제1 언어 독립적 정보로 변환할 수 있다. 여기서, 제1 언어 독립적 정보는 제1 언어로 표현된 원문에 대응하는 이미지, 동영상, 오디오, 뇌파 중 어느 하나에 대한 집합, 순열 또는 구조화된 형태를 포함할 수 있다.
단계(620)에서, 기계 번역 장치는 언어 독립적 정보에 대한 디코더를 통해, 제1 언어 독립적 정보를 제1 언어와 상이한 제2 언어에 대한 제2 언어 독립적 정보로 변환한다. 여기서, 제2 언어 독립적 정보는 제2 언어의 인코더가 제2 언어로 표현된 번역문을 인코딩하여 출력한 정보에 대응될 수 있다.
단계(630)에서, 기계 번역 장치는 제2 언어 독립적 정보를 원문에 대응하고 제2 언어로 표현된 번역문으로 변환한다. 기계 번역 장치는 제2 언어의 디코더를 통해 제2 언어에 대한 언어 독립적 정보를 디코딩함으로써, 제1 언어로 표현된 원문에 대응하는 제2 언어로 표현된 번역문으로 변환할 수 있다.
일실시예에 따라 상술된 기계 번역 방법을 수행하기 위해서 언어 독립적 정보에 대한 디코더의 학습이 선행될 수 있다. 언어 독립적 정보에 대한 디코더는 제1 언어에 대한 제1 학습 언어 독립적 정보가 입력됨에 따라 제2 언어에 대한 제2 학습 언어 독립적 정보가 출력되도록 학습될 수 있다. 제1 학습 언어 독립적 정보는 제1 언어 및 상기 제2 언어에 대한 병렬 언어 데이터에 포함된 제1 언어로 표현된 학습 문장이 제1 언어의 인코더에 의해 인코딩됨에 따라 출력된 정보일 수 있다. 또한, 제2 학습 언어 독립적 정보는 병렬 언어 데이터에 포함된 제2 언어로 표현된 학습 문장이 제2 언어의 인코더에 의해 인코딩됨에 따라 출력된 정보일 수 있다.
도 6에 도시된 각 단계들에는 도 1 내지 도 4를 통하여 전술한 사항들이 적용될 수 있으므로, 보다 상세한 설명은 생략한다.
도 7은 일실시예에 따른 기계 번역 장치를 나타낸 도면이다.
도 7을 참조하면, 일실시예에 따른 기계 번역 장치(700)는 메모리(710) 및 프로세서(720)를 포함한다. 기계 번역 장치(700)는 인터페이스(730) 및 통신부(740)를 더 포함할 수도 있다. 메모리(710), 프로세서(720), 인터페이스(730) 및 통신부(740)는 버스(bus)(750)를 통해 서로 데이터를 주고 받을 수 있다.
메모리(710)는 휘발성 메모리 및 비휘발성 메모리를 포함할 수 있으며, 버스(750)를 통해 수신된 정보를 저장할 수 있다. 메모리(710)는 제1 언어의 인코더, 제2 언어의 디코더를 구성하는 뉴럴 네트워크들을 저장할 수 있다. 뉴럴 네트워크들 각각은 실행 가능한 오브젝트 파일이나 실행 파일의 형태로 메모리(710)에 저장될 수 있다. 또한, 각 뉴럴 네트워크들을 위한 파라미터들도 메모리(710)에 저장될 수 있다.
프로세서(720)는 메모리(710)로부터 뉴럴 네트워크들을 로드하고, 뉴럴 네트워크들 각각에 해당하는 파라미터들을 적용함으로써, 제1 언어의 인코더와 제2 언어의 디코더를 구현할 수 있다.
일실시예에 따라 프로세서(720)는 제1 언어의 인코더를 이용하여 제1 언어로 표현된 원문을 언어 독립적 정보로 변환하고, 제2 언어의 디코더를 이용하여 언어 독립적 정보를 원문에 대응하고 제2 언어로 표현된 번역문으로 변환한다. 이 때, 제1 언어의 인코더는 제1 언어로 표현된 원문이 입력됨에 따라 제2 언어로 표현된 번역문에 대응하는 언어 독립적 정보가 출력되도록 학습된다.
다른 일실시예에 따라 프로세서(720)는 제1 언어의 인코더를 이용하여 제1 언어로 표현된 원문을 제1 언어에 대한 제1 언어 독립적 정보로 변환하고, 언어 독립적 정보에 대한 디코더를 통해 제1 언어 독립적 정보를 제2 언어에 대한 제2 언어 독립적 정보로 변환하며, 제2 언어의 디코더를 이용하여 제2 언어 독립적 정보를 원문에 대응하고 제2 언어로 표현된 번역문으로 변환한다.
일실시예에 따른 기계 번역 장치(700)는 인터페이스(730)를 통해 사용자로부터 제1 언어로 표현된 원문을 입력 받을 수 있다. 일례로, 인터페이스(730)는 사용자로부터 제1 언어로 표현된 문장을 입력 받을 수 있는 장치로서, 예를 들어 기계 번역 장치(700)에 포함된 키패드 또는 기계 번역 장치(700)의 디스플레이에 표시된 가상 키패드를 포함할 수 있다.
다른 일례로, 인터페이스(730)는 사용자가 발화하는 음성 신호를 수신할 수 있는 마이크로폰을 포함할 수 있다. 이 때, 마이크로폰을 통해 수신된 제1 언어로 구성된 음성 신호는 음성 인식 기법을 통해 제1 언어로 표현된 문장으로 인식되고, 제1 언어로 표현된 문장은 제2 언어로 표현된 문장으로 기계 번역될 수 있다.
일실시예에 따른 기계 번역 장치(700)는 통신부(740)를 통해 제3 단말로부터 기계 번역 대상이 되는 제1 언어로 표현된 문장을 수신할 수 있다. 그리고, 기계 번역 장치(700)는 제1 언어로 표현된 문장을 제2 언어로 표현된 문장으로 기계 번역하고, 기계 번역 결과를 통신부(740)를 통해 제3 단말로 전달할 수 있다.
또는, 기계 번역 장치(700)는 통신부(740)를 통해 제3 단말로부터 사용자의 음성 신호를 수신할 수 있다. 그리고, 기계 번역 장치(700)는 음성 신호로부터 제1 언어로 표현된 문장을 인식하고, 제1 언어로 표현된 문장을 제2 언어로 표현된 문장으로 기계 번역한 기계 번역 결과를 통신부(740)를 통해 제3 단말로 전달할 수도 있다.
기계 번역 장치(700)에 대한 설명은 제1 언어로 표현된 문장을 제2 언어로 표현된 문장으로 기계 번역하는 과정을 중심으로 상술하였으나, 이러한 설명은 제2 언어의 인코더 및 제1 언어의 디코더를 이용하여 제2 언어로 표현된 문장을 제1 언어로 표현된 문장으로 기계 번역하는 과정에도 마찬가지로 적용될 수 있다.
도 7에 도시된 기계 번역 장치(700)는 이 밖에도, 도 1 내지 도 6을 통하여 전술한 적어도 하나의 방법을 수행할 수 있다.
실시예들은 언어 독립적 정보를 매개체로 이용하여 제1 언어로 표현된 원문을 제2 언어로 표현된 번역문으로 기계 번역함으로써, 병렬 언어 데이터가 충분하지 않는 두 언어 간의 기계 번역을 높은 정확도로 수행할 수 있다.
실시예들은 제1 언어의 인코더뿐만 아니라 제2 언어의 디코더에 대해서도 파인 튜닝의 학습을 수행함으로써, 언어 독립적 정보를 이용한 기계 번역의 정확도를 효과적으로 향상시킬 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

Claims (19)

  1. 제1 언어의 인코더를 이용하여, 상기 제1 언어로 표현된 원문(source sentence)을 언어 독립적 정보로 변환하는 단계; 및
    상기 제1 언어와 상이한 제2 언어의 디코더를 이용하여, 상기 언어 독립적 정보를 상기 원문에 대응하고 상기 제2 언어로 표현된 번역문(target sentence)으로 변환하는 단계
    를 포함하고,
    상기 제1 언어의 인코더는,
    상기 제1 언어로 표현된 원문이 입력됨에 따라 상기 제2 언어로 표현된 번역문에 대응하는 언어 독립적 정보가 출력되도록 학습되는, 기계 번역 방법.
  2. 제1항에 있어서,
    상기 제1 언어로 표현된 원문을 언어 독립적 정보로 변환하는 단계는,
    상기 제2 언어로 표현된 번역문에 대응하는 언어 독립적 정보와 미리 정해진 임계 값보다 높은 유사도를 가지는 상기 언어 독립적 정보로 상기 제1 언어로 표현된 원문을 변환하는, 기계 번역 방법.
  3. 제1항에 있어서,
    상기 제1 언어의 인코더는,
    상기 제1 언어 및 제2 언어에 대한 병렬 언어 데이터(parallel corpus)에 포함된 상기 제1 언어로 표현된 학습 문장을 인코딩하여 학습 언어 독립적 정보가 출력되도록 학습되고,
    상기 학습 언어 독립적 정보는,
    상기 제2 언어의 인코더가 상기 병렬 언어 데이터에 포함된 상기 제2 언어로 표현된 학습 문장을 인코딩하여 출력한 정보에 대응되는, 기계 번역 방법.
  4. 제3항에 있어서,
    상기 제2 언어의 디코더는,
    상기 제1 언어의 인코더에서 출력된 학습 언어 독립적 정보가 입력됨에 따라 상기 제1 언어로 표현된 학습 문장에 대응되는 제2 언어로 표현된 학습 문장이 출력되도록 학습되는, 기계 번역 방법.
  5. 제1항에 있어서,
    상기 언어 독립적 정보는, 상기 제1 언어로 표현된 원문에 대응하는 이미지, 동영상, 오디오, 뇌파 중 어느 하나를 포함하는, 기계 번역 방법.
  6. 제1 언어의 인코더를 이용하여, 상기 제1 언어로 표현된 원문을 상기 제1 언어에 대한 제1 언어 독립적 정보로 변환하는 단계;
    상기 언어 독립적 정보에 대한 디코더를 통해, 상기 제1 언어 독립적 정보를 상기 제1 언어와 상이한 제2 언어에 대한 제2 언어 독립적 정보로 변환하는 단계; 및
    상기 제2 언어의 디코더를 이용하여, 상기 제2 언어 독립적 정보를 상기 원문에 대응하고 제2 언어로 표현된 번역문으로 변환하는 단계
    를 포함하는 기계 번역 방법.
  7. 제6항에 있어서,
    상기 제2 언어 독립적 정보는,
    상기 제2 언어의 인코더가 상기 제2 언어로 표현된 번역문을 인코딩하여 출력한 정보에 대응되는, 기계 번역 방법.
  8. 제6항에 있어서,
    상기 언어 독립적 정보에 대한 디코더는,
    상기 제1 언어에 대한 제1 학습 언어 독립적 정보가 입력됨에 따라 제2 언어에 대한 제2 학습 언어 독립적 정보가 출력되도록 학습되고,
    상기 제1 학습 언어 독립적 정보는, 상기 제1 언어 및 상기 제2 언어에 대한 병렬 언어 데이터에 포함된 제1 언어로 표현된 학습 문장이 상기 제1 언어의 인코더에 의해 인코딩됨에 따라 출력된 정보이고,
    상기 제2 학습 언어 독립적 정보는, 상기 병렬 언어 데이터에 포함된 제2 언어로 표현된 학습 문장이 상기 제2 언어의 인코더에 의해 인코딩됨에 따라 출력된 정보인, 기계 번역 방법.
  9. 제6항에 있어서,
    상기 제1 언어 독립적 정보는, 상기 제1 언어로 표현된 원문에 대응하는 이미지, 동영상, 오디오, 뇌파 중 어느 하나에 대한 집합, 순열 또는 구조화된 형태를 포함하는, 기계 번역 방법.
  10. 제1항 내지 제9항 중에서 어느 하나의 항의 방법을 실행시키기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록 매체.
  11. 제1 언어의 인코더 및 상기 제1 언어와 상이한 제2 언어의 디코더를 포함하는 메모리; 및
    상기 제1 언어의 인코더와 상기 제2 언어의 디코더를 이용하여 제1 언어로 표현된 원문을 상기 제2 언어로 표현된 번역문으로 번역하는 프로세서
    를 포함하고,
    상기 프로세서는,
    상기 제1 언어의 인코더를 이용하여 상기 제1 언어로 표현된 원문을 언어 독립적 정보로 변환하고, 상기 제2 언어의 디코더를 이용하여 상기 언어 독립적 정보를 상기 원문에 대응하고 상기 제2 언어로 표현된 번역문으로 변환하고,
    상기 제1 언어의 인코더는,
    상기 제1 언어로 표현된 원문이 입력됨에 따라 상기 제2 언어로 표현된 번역문에 대응하는 언어 독립적 정보가 출력되도록 학습되는, 기계 번역 장치.
  12. 제11항에 있어서,
    상기 프로세서는,
    상기 제2 언어로 표현된 번역문에 대응하는 언어 독립적 정보와 미리 정해진 임계 값보다 높은 유사도를 가지는 상기 언어 독립적 정보로 상기 제1 언어로 표현된 원문을 변환하는, 기계 번역 장치.
  13. 제11항에 있어서,
    상기 제1 언어의 인코더는,
    상기 제1 언어 및 제2 언어에 대한 병렬 언어 데이터에 포함된 상기 제1 언어로 표현된 학습 문장을 인코딩하여 학습 언어 독립적 정보가 출력되도록 학습되고,
    상기 학습 언어 독립적 정보는,
    상기 제2 언어의 인코더가 상기 병렬 언어 데이터에 포함된 상기 제2 언어로 표현된 학습 문장을 인코딩하여 출력한 정보에 대응되는, 기계 번역 장치.
  14. 제13항에 있어서,
    상기 제2 언어의 디코더는,
    상기 제1 언어의 인코더에서 출력된 학습 언어 독립적 정보가 입력됨에 따라 상기 제1 언어로 표현된 학습 문장에 대응되는 제2 언어로 표현된 학습 문장이 출력되도록 학습되는, 기계 번역 장치.
  15. 제11항에 있어서,
    상기 언어 독립적 정보는, 상기 제1 언어로 표현된 원문에 대응하는 이미지, 동영상, 오디오, 뇌파 중 어느 하나를 포함하는, 기계 번역 장치.
  16. 제1 언어의 인코더, 상기 제1 언어와 상이한 제2 언어의 디코더 및 언어 독립적 정보에 대한 디코더를 포함하는 메모리; 및
    상기 제1 언어의 인코더, 상기 제2 언어의 디코더 및 상기 언어 독립적 정보에 대한 디코더를 이용하여 제1 언어로 표현된 원문을 상기 제2 언어로 표현된 번역문으로 번역하는 프로세서
    를 포함하고,
    상기 프로세서는,
    상기 제1 언어의 인코더를 이용하여, 제1 언어로 표현된 원문을 상기 제1 언어에 대한 제1 언어 독립적 정보로 변환하고,
    상기 언어 독립적 정보에 대한 디코더를 통해, 상기 제1 언어 독립적 정보를 상기 제1 언어와 상이한 제2 언어에 대한 언어 독립적 정보로 변환하며,
    상기 제2 언어의 디코더를 이용하여, 상기 제2 언어 독립적 정보를 상기 원문에 대응하고 제2 언어로 표현된 번역문으로 변환하는 기계 번역 장치.
  17. 제16항에 있어서,
    상기 프로세서는,
    상기 제2 언어의 인코더가 상기 제2 언어로 표현된 번역문을 인코딩하여 출력한 정보에 대응되는 상기 제2 언어 독립적 정보로 상기 제1 언어 독립적 정보를 변환하는, 기계 번역 장치.
  18. 제16항에 있어서,
    상기 언어 독립적 정보에 대한 디코더는,
    상기 제1 언어에 대한 제1 학습 언어 독립적 정보가 입력됨에 따라 제2 언어에 대한 제2 학습 언어 독립적 정보가 출력되도록 학습되고,
    상기 제1 학습 언어 독립적 정보는, 상기 제1 언어 및 상기 제2 언어에 대한 병렬 언어 데이터에 포함된 제1 언어로 표현된 학습 문장이 상기 제1 언어의 인코더에 의해 인코딩됨에 따라 출력된 정보이고,
    상기 제2 학습 언어 독립적 정보는, 상기 병렬 언어 데이터에 포함된 제2 언어로 표현된 학습 문장이 상기 제2 언어의 인코더에 의해 인코딩됨에 따라 출력된 정보인, 기계 번역 장치.
  19. 제16항에 있어서,
    상기 제1 언어 독립적 정보는, 상기 제1 언어로 표현된 원문에 대응하는 이미지, 동영상, 오디오, 뇌파 중 어느 하나에 대한 집합, 순열 또는 구조화된 형태를 포함하는, 기계 번역 장치.
KR1020160103638A 2016-08-16 2016-08-16 기계 번역 방법 및 장치 KR102589637B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020160103638A KR102589637B1 (ko) 2016-08-16 2016-08-16 기계 번역 방법 및 장치
US15/401,126 US10067939B2 (en) 2016-08-16 2017-01-09 Machine translation method and apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160103638A KR102589637B1 (ko) 2016-08-16 2016-08-16 기계 번역 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20180019371A true KR20180019371A (ko) 2018-02-26
KR102589637B1 KR102589637B1 (ko) 2023-10-16

Family

ID=61191783

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160103638A KR102589637B1 (ko) 2016-08-16 2016-08-16 기계 번역 방법 및 장치

Country Status (2)

Country Link
US (1) US10067939B2 (ko)
KR (1) KR102589637B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210050485A (ko) * 2019-10-24 2021-05-07 베이징 시아오미 인텔리전트 테크놀로지 컴퍼니 리미티드 신경망 모델을 압축하는 방법 및 장치, 코퍼스 번역 방법 및 장치, 전자 장치, 프로그램 및 기록 매체
US11151335B2 (en) 2018-12-18 2021-10-19 Samsung Electronics Co., Ltd. Machine translation using attention model and hypernetwork

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102305584B1 (ko) * 2015-01-19 2021-09-27 삼성전자주식회사 언어 모델 학습 방법 및 장치, 언어 인식 방법 및 장치
WO2018066083A1 (ja) * 2016-10-04 2018-04-12 富士通株式会社 学習プログラム、情報処理装置および学習方法
KR20180070103A (ko) * 2016-12-16 2018-06-26 삼성전자주식회사 인식 방법 및 인식 장치
US10592751B2 (en) * 2017-02-03 2020-03-17 Fuji Xerox Co., Ltd. Method and system to generate targeted captions and summarize long, continuous media files
US10958422B2 (en) * 2017-06-01 2021-03-23 Cotiviti, Inc. Methods for disseminating reasoning supporting insights without disclosing uniquely identifiable data, and systems for the same
KR102342066B1 (ko) * 2017-06-21 2021-12-22 삼성전자주식회사 뉴럴 네트워크 모델을 이용한 기계 번역 방법, 장치 및 그 장치를 학습시키기 위한 방법
CN108984535B (zh) * 2018-06-25 2022-04-05 腾讯科技（深圳）有限公司 语句翻译的方法、翻译模型训练的方法、设备及存储介质
US10854189B2 (en) 2018-09-24 2020-12-01 Amazon Technologies, Inc. Techniques for model training for voice features
US10937413B2 (en) * 2018-09-24 2021-03-02 Amazon Technologies, Inc. Techniques for model training for voice features
US10885286B2 (en) * 2018-10-12 2021-01-05 Microsoft Technology Licensing, Llc Simultaneous and real time translation and language switching across a set of features
CN109508462B (zh) * 2018-10-25 2020-07-17 内蒙古工业大学 一种基于编码器-解码器的神经网络蒙汉机器翻译方法
US10963644B2 (en) * 2018-12-27 2021-03-30 Microsoft Technology Licensing, Llc Computer-implemented generation and utilization of a universal encoder component
CN110059324B (zh) * 2019-04-26 2022-12-13 广州大学 基于依存信息监督的神经网络机器翻译方法及装置
CN110175336B (zh) * 2019-05-22 2021-05-28 北京百度网讯科技有限公司 翻译方法、装置和电子设备
CN110852043B (zh) * 2019-11-19 2023-05-23 北京字节跳动网络技术有限公司 一种文本转写方法、装置、设备及存储介质
CN110991148B (zh) * 2019-12-03 2024-02-09 孔繁泽 信息处理方法及装置、信息交互方法及装置
KR20210089347A (ko) * 2020-01-08 2021-07-16 엘지전자 주식회사 음성 인식 장치 및 음성데이터를 학습하는 방법
CN113204977B (zh) * 2021-04-29 2023-09-26 北京有竹居网络技术有限公司 信息翻译方法、装置、设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090157407A1 (en) * 2007-12-12 2009-06-18 Nokia Corporation Methods, Apparatuses, and Computer Program Products for Semantic Media Conversion From Source Files to Audio/Video Files
US8145473B2 (en) * 2006-10-10 2012-03-27 Abbyy Software Ltd. Deep model statistics method for machine translation
US20150278197A1 (en) * 2014-03-31 2015-10-01 Abbyy Infopoisk Llc Constructing Comparable Corpora with Universal Similarity Measure
US20150356401A1 (en) * 2014-06-06 2015-12-10 Google Inc. Generating representations of input sequences using neural networks

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4043176B2 (ja) 2000-08-31 2008-02-06 株式会社東芝 自然言語処理装置
JP2002091278A (ja) 2000-09-11 2002-03-27 Nippon Hoso Kyokai <Nhk> 知識学習支援用の学習装置及び学習プログラムを記録した記録媒体
AU2003269808A1 (en) 2002-03-26 2004-01-06 University Of Southern California Constructing a translation lexicon from comparable, non-parallel corpora
JP2006031511A (ja) 2004-07-20 2006-02-02 Nippon Telegr & Teleph Corp <Ntt> 翻訳モデル生成装置および方法
JP4371080B2 (ja) 2005-05-30 2009-11-25 沖電気工業株式会社 自然言語学習支援装置及び方法
US8977953B1 (en) 2006-01-27 2015-03-10 Linguastat, Inc. Customizing information by combining pair of annotations from at least two different documents
US20070203869A1 (en) 2006-02-28 2007-08-30 Microsoft Corporation Adaptive semantic platform architecture
WO2009129315A1 (en) 2008-04-15 2009-10-22 Mobile Technologies, Llc System and methods for maintaining speech-to-speech translation in the field
US8504354B2 (en) 2008-06-02 2013-08-06 Microsoft Corporation Parallel fragment extraction from noisy parallel corpora
US20100023315A1 (en) 2008-07-25 2010-01-28 Microsoft Corporation Random walk restarts in minimum error rate training
JP2011118814A (ja) 2009-12-07 2011-06-16 Fuji Xerox Co Ltd 自然言語処理プログラム及び自然言語処理装置
US9064006B2 (en) 2012-08-23 2015-06-23 Microsoft Technology Licensing, Llc Translating natural language utterances to keyword search queries
US9471565B2 (en) 2011-07-29 2016-10-18 At&T Intellectual Property I, L.P. System and method for locating bilingual web sites
US20130084976A1 (en) 2011-10-01 2013-04-04 Microsoft Corporation Game paradigm for language learning and linguistic data generation
CA2793268A1 (en) 2011-10-21 2013-04-21 National Research Council Of Canada Method and apparatus for paraphrase acquisition
KR20130047471A (ko) 2011-10-31 2013-05-08 한국전자통신연구원 자동번역 시스템의 패러프레이징 데이터 구축방법
US9471559B2 (en) 2012-12-10 2016-10-18 International Business Machines Corporation Deep analysis of natural language questions for question answering system
US9639523B2 (en) 2013-09-05 2017-05-02 Shangfeng Hu System and method for processing natural language
US9613027B2 (en) 2013-11-07 2017-04-04 Microsoft Technology Licensing, Llc Filled translation for bootstrapping language understanding of low-resourced languages
US20160071022A1 (en) 2014-09-04 2016-03-10 International Business Machines Corporation Machine Learning Model for Level-Based Categorization of Natural Language Parameters

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8145473B2 (en) * 2006-10-10 2012-03-27 Abbyy Software Ltd. Deep model statistics method for machine translation
US20090157407A1 (en) * 2007-12-12 2009-06-18 Nokia Corporation Methods, Apparatuses, and Computer Program Products for Semantic Media Conversion From Source Files to Audio/Video Files
US20150278197A1 (en) * 2014-03-31 2015-10-01 Abbyy Infopoisk Llc Constructing Comparable Corpora with Universal Similarity Measure
US20150356401A1 (en) * 2014-06-06 2015-12-10 Google Inc. Generating representations of input sequences using neural networks

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Julian Hitschler, Shigehiko Schamoni, Stefan Riezler, Multimodal Pivots for Image Caption Translation, arXiv preprint arXiv:1601.03916, Jun. 2016* *
Specia, Lucia, et al., A Shared Task on Multimodal Machine Translation, Proceedings of the First Conference on Machine Translation: Volume 2, Shared Task Papers., Aug. 2016* *
Xu, Kelvin, et al., Show, attend and tell: Neural image caption generation with visual attention., International conference on machine learning. PMLR, 2015* *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11151335B2 (en) 2018-12-18 2021-10-19 Samsung Electronics Co., Ltd. Machine translation using attention model and hypernetwork
KR20210050485A (ko) * 2019-10-24 2021-05-07 베이징 시아오미 인텔리전트 테크놀로지 컴퍼니 리미티드 신경망 모델을 압축하는 방법 및 장치, 코퍼스 번역 방법 및 장치, 전자 장치, 프로그램 및 기록 매체
US11556723B2 (en) 2019-10-24 2023-01-17 Beijing Xiaomi Intelligent Technology Co., Ltd. Neural network model compression method, corpus translation method and device

Also Published As

Publication number Publication date
KR102589637B1 (ko) 2023-10-16
US20180052828A1 (en) 2018-02-22
US10067939B2 (en) 2018-09-04

Similar Documents

Publication Publication Date Title
KR102589637B1 (ko) 기계 번역 방법 및 장치
US10380996B2 (en) Method and apparatus for correcting speech recognition result, device and computer-readable storage medium
KR102382499B1 (ko) 번역 방법, 타깃 정보 결정 방법, 관련 장치 및 저장 매체
KR102565274B1 (ko) 자동 통역 방법 및 장치, 및 기계 번역 방법 및 장치
KR102589638B1 (ko) 문장 생성 장치 및 방법
KR102386854B1 (ko) 통합 모델 기반의 음성 인식 장치 및 방법
KR20180019342A (ko) 기계 번역 방법 및 장치
CN110175336B (zh) 翻译方法、装置和电子设备
JP2010250814A (ja) 品詞タグ付けシステム、品詞タグ付けモデルのトレーニング装置および方法
US20220092276A1 (en) Multimodal translation method, apparatus, electronic device and computer-readable storage medium
CN111382261B (zh) 摘要生成方法、装置、电子设备及存储介质
US20150235643A1 (en) Interactive server and method for controlling the server
CN113793591A (zh) 语音合成方法及相关装置和电子设备、存储介质
KR20220040050A (ko) 자연어 처리 모델 트레이닝 방법 및 장치와 컴퓨팅 장치
CN111400454A (zh) 摘要生成方法、装置、电子设备及存储介质
CN111241853B (zh) 一种会话翻译方法、装置、存储介质及终端设备
CN108388549B (zh) 信息转换方法、装置、存储介质和电子装置
US10331415B2 (en) Formal specification generation using examples
CN117034951A (zh) 基于大语言模型的具有特定语言风格的数字人
CN113609873A (zh) 翻译模型训练方法、装置及介质
KR20210042707A (ko) 음성 처리 방법 및 장치
CN114841175A (zh) 机器翻译方法、装置、设备及存储介质
CN113591493A (zh) 翻译模型的训练方法及翻译模型的装置
CN112686060A (zh) 文本翻译方法、装置、电子设备和存储介质
KR102438969B1 (ko) 문장 재구축 및 대비 손실을 적용한 기능 대화 필터 시스템 및 그 방법

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant