CN111401080B 神经机器翻译方法以及神经机器翻译装置 （波音公司）

本申请公开了神经机器翻译方法以及神经待翻译的源语句以及作为源语句的候选译文的2获取待翻译的源语句以及作为所述源语句的候选译文的目获取每个单词的多个候选译文和每个候选译文的翻译概率，所述根据每个单词的候选译文的数量以及各个候选译文的翻译概率计算每个单词的翻译述新训练语料来对神经机器翻译模型进行参基于所述原始训练语料和所述新训练语料，采用极大似然目标3.根据权利要求2所述的神经机器翻译方法，其特征在于，所述原始训练语料由数为：其中，N代表源语句数建立每个所述易漏翻的单词与针对每个所述易漏翻的单词的预先设定的字符的对应3根据对齐关系将所述易漏翻的单词的候选译文替换为对应的所述获取单元，被配置为获取待翻译的源语句以及作为所述源语句的候选译文的目标语计算单元，被配置为计算来自所述获取单元的所述源语句中包含的每个单词的翻译判断单元，被配置为从所述计算单元接收每确定单元，被配置为根据所述判断单元的判断结果，将所述替换单元，被配置为从所述确定单元接收所述易漏翻的训练单元，被配置为从所述获取单元接收所述原始训获取每个单词的多个候选译文和每个候选译文的翻译概率，所述根据每个单词的候选译文的数量以及各个候选译文的翻译概率计算每个单词的翻译4[0002]近年来，利用深度学习模型所构建的神经机器翻译(NMT，NeuralMachine[0003]神经机器翻译在翻译性能上的不断提升，也促进了工业界机器翻译的发展。Junczys-Dowmunt等人在联合国平行语料库(UnitedNationsParallelCorpusv1.0)30语的翻译任务上比基于短语的统计机器翻译系统能够提高4至9个BLEU点，性能提高尤其5置为获取待翻译的源语句以及作为源语句的候选译文的目标语句，以形成原始训练语料；6配置为利用经参数训练的神经机器翻译模型执一定阈值的单词定义为易漏翻的单词，然后根据对齐关系(通过之前的统计方法，7标函数为：L(θ)＝logp(Y|X,θ)+λlogp(Z|X,θ)。并未对现有的语言翻译模型进行过多地阐述以避免使本申请的[0035]图2是示出了根据本申请的另一实施方式的神经机器翻译方法的流程图，以下将参照图2来描述根据本申请的另一实施方式的神经机表示单词s的候选译文的数量，pk表示每[0040]步骤S203，将计算得到的每个单词s的翻译熵E(s)与预定数值进行比较以确定单8漏翻的单词与针对每个易漏翻的单词的预先设定的字符stoken4sn的对应关系信息库并根据对齐关系(也是通过之前的统计方法，/clab/fast_align.)将易[0055]虽然此处描述了通过随机梯度下降法(SGD)来求解模型参数θ,但也可以通过例如Adam或Adadelta等其他优化方法来求解模型参数[0057]以下表1给出了采用本申请的神经机器翻译方法得到的试验结果。在实验中我们从语言数据联盟(LinguisticDataConsortium)发布的中-英训练数据中抽取200万对齐9句对作为中英训练语料，使用机器翻译评测(NISTM的所有测试集MT03-MT06作为开发集和测试集。其中MT03作为我们的开发集。在对比实验器自动给出的评价指标(BLEU)上相比于标准的神经机器翻译系统有所提高。这充分说明了本发明的方法对神经机器翻译方法的优化的有效性从确定单元304接收易漏翻的单词并将易漏翻的单词的候选译文替换为预先设定的字符，为从获取单元301接收原始训练语料以及从替换单元305接收新训练语料，并基于原始训[0064]根据本申请的神经机器翻译装置能够执行图1所示的神经机器翻译方法并且同样[0066]根据本公开的软件(诸如程序代码和/或数据)可存储在一个或多个计算机