CN113204977B - 信息翻译方法、装置、设备和存储介质 - Google Patents
信息翻译方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN113204977B CN113204977B CN202110474872.1A CN202110474872A CN113204977B CN 113204977 B CN113204977 B CN 113204977B CN 202110474872 A CN202110474872 A CN 202110474872A CN 113204977 B CN113204977 B CN 113204977B
- Authority
- CN
- China
- Prior art keywords
- translation
- training
- network
- sample
- sub
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/40—Processing or translation of natural language
- G06F40/42—Data-driven translation
- G06F40/47—Machine-assisted translation, e.g. using translation memory
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Machine Translation (AREA)
Abstract
本公开实施例公开了一种信息翻译方法、装置、设备和存储介质。该方法包括:获取待翻译信息以及为所述待翻译信息指定的目标翻译类型;其中,所述目标翻译类型用于指示所述待翻译信息的源语种和目标语种;通过预训练翻译模型中与所述目标翻译类型对应的子网络,将所述待翻译信息翻译成与所述目标语种对应的翻译信息;其中,所述预训练翻译模型是通过至少两种样本翻译类型的平行语料以及对应的网络掩码训练得到的,所述网络掩码用于控制所述预训练翻译模型中对所述样本翻译类型的语料进行处理的子网络。该方法提高了对待翻译信息翻译结果的准确性。
Description
技术领域
本公开实施例涉及计算机技术领域,尤其涉及一种信息翻译方法、装置、设备和存储介质。
背景技术
随着神经网络的不断发展以及数据的***式增长,各种各样的翻译软件应运而生,成为了人们获取外部信息的重要渠道。现有的翻译软件,尤其是多语种翻译模型,其能够实现多个语种之间的相互翻译。但是,目前的多语种翻译模型的翻译性能仍达不到期望要求。
发明内容
本公开提供一种信息翻译方法、装置、设备和存储介质,以提高多语种翻译模型的翻译准确性。
第一方面,本公开实施例提供了一种信息翻译方法,包括:
获取待翻译信息以及为所述待翻译信息指定的目标翻译类型;其中,所述目标翻译类型用于指示所述待翻译信息的源语种和目标语种;
通过预训练翻译模型中与所述目标翻译类型对应的子网络,将所述待翻译信息翻译成与所述目标语种对应的翻译信息;
其中,所述预训练翻译模型是通过至少两种样本翻译类型的平行语料以及对应的网络掩码训练得到的,所述网络掩码用于控制所述预训练翻译模型中对所述样本翻译类型的语料进行处理的子网络。
第二方面,本公开实施例提供一种信息翻译装置,包括:
第一获取模块,用于获取待翻译信息以及为所述待翻译信息指定的目标翻译类型;其中,所述目标翻译类型用于指示所述待翻译信息的源语种和目标语种;
翻译模块,用于通过预训练翻译模型中与所述目标翻译类型对应的子网络,将所述待翻译信息翻译成与所述目标语种对应的翻译信息;
其中,所述预训练翻译模型是通过至少两种样本翻译类型的平行语料以及对应的网络掩码训练得到的,所述网络掩码用于控制所述预训练翻译模型中对所述样本翻译类型的语料进行处理的子网络。
第三方面,本公开实施例提供一种信息翻译设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现本公开实施例第一方面提供的信息翻译方法的步骤。
第四方面,本公开实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现本公开实施例第一方面提供的信息翻译方法的步骤。
本公开实施例提供的技术方案,获取待翻译信息以及为待翻译信息指定的目标翻译类型,通过预训练翻译模型中与目标翻译类型对应的子网络,将待翻译信息翻译成与目标语种对应的翻译信息。由于上述预训练翻译模型是通过至少两种样本翻译类型的平行语料以及对应的网络掩码训练得到的,且该网络掩码用于控制预训练翻译模型中对样本翻译类型的语料进行处理的子网络,即各样本翻译类型均在预训练翻译模型中被分配了对应的子网络,这样,各样本翻译类型的语料仅对自身所分配的子网络进行训练,大大降低了建模过程中各样本翻译类型的语料之间的干扰,从而提高了预训练翻译模型中各子网络的翻译性能。进一步地,由于预训练翻译模型中各子网络的翻译性能得到了提升,这样,仅需要通过预训练翻译模型中与目标翻译类型对应的子网络对待翻译信息进行翻译即可,从而提高了翻译结果的准确性。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1为本公开实施例提供的信息翻译方法的一种流程示意图;
图2为传统技术中提供的多语种翻译模型的一种网络架构示意图;
图3为本公开实施例提供的多语种翻译模型的一种网络架构示意图;
图4为本公开实施例提供的信息翻译方法的另一种流程示意图;
图5为本公开实施例提供的预训练翻译模型的训练过程的一种流程示意图;
图6为本公开实施例提供的网络掩码的生成过程的一种流程示意图;
图7为本公开实施例提供的信息翻译装置的一种结构示意图;
图8为本公开实施例提供的信息翻译设备的一种结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
传统的多语种翻译模型是基于多个语种对的语料在同一模型内建模得到的,在建模过程中,各语种对的语料之间往往会产生干扰,尤其是语料较为丰富的语种对(如以英语为中心的通用语种对)会受到其它语种对的语料的影响,导致多语种翻译模型的翻译性能下降。为此,本公开实施例提供的技术方案,旨在提高多语种翻译模型的翻译性能。
为使本公开的目的、技术方案和优点更加清楚明白,下文中将结合附图对本公开的实施例进行详细说明。需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互任意组合。
需要说明的是,下述方法实施例的执行主体可以是信息翻译装置,该装置可以通过软件、硬件或者软硬件结合的方式实现成为电子设备的部分或者全部。可选的,该电子设备可以为客户端,包括但不限于智能手机、平板电脑、电子书阅读器以及车载终端等。当然,该电子设备也可以为独立的服务器或者服务器集群,本公开实施例对电子设备的具体形式不做限定。下述方法实施例以执行主体是电子设备为例进行说明。
图1为本公开实施例提供的信息翻译方法的一种流程示意图。本实施例涉及的是电子设备如何使用训练好的多语种翻译模型进行信息翻译的具体过程。
如图1所示,该方法可以包括:
S101、获取待翻译信息以及为所述待翻译信息指定的目标翻译类型。
其中,待翻译信息为需要进行语种翻译的信息。待翻译信息可以为任意一种源语种,翻译后的信息为对应的目标语种。如源语种为英语,对应的目标语种可以为中文。同时,待翻译信息可以为任意一种模态的信息,如待翻译信息可以为图像、文本、视频或者音频中的至少一种。作为一种示例,电子设备可以从数据库中选取需要进行语种翻译的待翻译信息,也可以通过其上安装的翻译软件获取用户输入的待翻译信息,本实施例对待翻译信息的获取方式不做限定。
上述目标翻译类型用于指示待翻译信息的源语种和目标语种。例如,假设目标翻译类型为英译中,则本次翻译操作是需要将英语的待翻译信息翻译成同语义的中文信息。通常,目标翻译类型可以由用户指定,也可以是按照设定规则随机指定。具体的,电子设备可以获取用户输入的信息,进而确定为待翻译信息所指定的目标翻译类型。
S102、通过预训练翻译模型中与所述目标翻译类型对应的子网络,将所述待翻译信息翻译成与所述目标语种对应的翻译信息。
其中,所述预训练翻译模型是通过至少两种样本翻译类型的平行语料以及对应的网络掩码训练得到的,所述网络掩码用于控制所述预训练翻译模型中对所述样本翻译类型的语料进行处理的子网络。
上述样本翻译类型的平行语料为预训练翻译模型训练所需的语料数据,该平行语料包括成对的源端语料和目标端语料。源端语料可以理解为翻译之前的语料,目标端语料可以理解为源端语料经过翻译后的语料。以平行语料为文本语料为例,中英平行语料包括一个中文文档和一个对应的英文文档,如果通过翻译模型进行英译中操作,那么英文文档即为源端语料,中文文档即为目标端语料。当然,上述平行语料也可以由单语语料,经过回译技术获取得到。
在实际应用中,考虑预训练翻译模型建模过程中,各样本翻译类型的语料之间往往会产生干扰,为此,可以预先在预训练翻译模型中为每个样本翻译类型分配对应的子网络,各子网络通过网络掩码来表示。例如,通过网络掩码“xxxxxx”来表示预训练翻译模型中的子网络1,网络掩码“yyyyyy”来表示预训练翻译模型中的子网络2。通过对应的子网络对样本翻译类型的语料进行处理,使得各样本翻译类型的语料仅对自身所分配的子网络进行训练,这样,各子网络的训练相对独立,从而大大降低了建模过程中各样本翻译类型的语料之间的干扰,提高了预训练翻译模型的翻译性能。
为了进一步降低建模过程中各样本翻译类型的语料之间的干扰,在上述实施例的基础上,可选地,可以为不同样本翻译类型分配不同的子网络,即不同样本翻译类型对应的网络掩码不同,以控制预训练翻译模型中不同子网络对样本翻译类型的语料进行处理。
示例性的,假设样本翻译类型包括样本翻译类型1(即英译中)和样本翻译类型2(即德译英),同时以图2所示的多语种翻译模型的网络架构为例,电子设备可以通过网络掩码“xxxxxx”将多语种翻译模型中的子网络1分配给样本翻译类型1,通过网络掩码“yyyyyy”将多语种翻译模型中的子网络2分配给样本翻译类型2,从而得到如图3所示的预训练翻译模型的网络架构。这样,在采用样本翻译类型1和样本翻译类型2的平行语料对预训练翻译模型进行训练时,样本翻译类型1的语料仅对子网络1进行训练,样本翻译类型2的语料仅对子网络2进行训练,使得子网络1和子网络2的训练相对独立,从而降低了建模过程中样本翻译类型1和样本翻译类型2的语料之间的干扰,提高了预训练翻译模型的翻译性能。
这样,在电子设备获取到待翻译信息和目标翻译类型之后,电子设备便可以通过预训练翻译模型中与目标翻译类型对应的子网络,对待翻译信息进行翻译,以将待翻译信息翻译成与所指定的目标语种对应的翻译信息。其中,翻译信息是指翻译后的信息。继续以图3所示的预训练翻译模型为例,同时假设目标翻译类型为英译中,由于预训练翻译模型中的子网络1所处理的翻译类型为英译中,因此,电子设备便可以通过预训练翻译模型中的子网络1,将待翻译信息“I love to sing”翻译成对应的中文信息“我爱唱歌”。
可选地,上述预训练翻译模型可以包括序列到序列模型,是一种Encoder(编码)-Decoder(解码)结构的神经网络,输入是一个序列(Sequence),输出也是一个序列;在Encoder中,将可变长度的序列转变为固定长度的向量表示,Decoder将这个固定长度的向量表示转换为可变长度的目标信号序列,进而实现不定长的输入到不定长的输出。序列到序列模型可以包括多种类型,例如,基于循环神经网络(Recurrent Neural Network,RNN)的seq2seq模型和基于卷积运算(Convolution,CONV)的seq2seq模型等,本实施例中对预训练翻译模型的具体类型不做限定。
需要说明的是,图3所示的预训练翻译模型的网络架构仅是一种示例,本公开实施例并未具体限定预训练翻译模型的网络结构,可以基于实际需求选择相应的网络结构。
本公开实施例提供的信息翻译方法,获取待翻译信息以及为待翻译信息指定的目标翻译类型,通过预训练翻译模型中与目标翻译类型对应的子网络,将待翻译信息翻译成与目标语种对应的翻译信息。由于上述预训练翻译模型是通过至少两种样本翻译类型的平行语料以及对应的网络掩码训练得到的,且该网络掩码用于控制预训练翻译模型中对样本翻译类型的语料进行处理的子网络,即各样本翻译类型均在预训练翻译模型中被分配了对应的子网络,这样,各样本翻译类型的语料仅对自身所分配的子网络进行训练,大大降低了建模过程中各样本翻译类型的语料之间的干扰,从而提高了预训练翻译模型中各子网络的翻译性能。进一步地,由于预训练翻译模型中各子网络的翻译性能得到了提升,这样,仅需要通过预训练翻译模型中与目标翻译类型对应的子网络对待翻译信息进行翻译即可,从而提高了翻译结果的准确性。
在实际应用中,还存在这样一种场景:多语种翻译模型通常是以如英语为中心的通用语种对的语料训练得到的,此时,目标翻译类型可能与参与预训练翻译模型的样本翻译类型不同,即在预训练翻译模型的训练过程中,训练数据中并没有目标翻译类型的语料(例如,目标翻译类型的源语种和目标语种为其它非英语的语种)。针对该场景,可以参照下述实施例所述的过程对待翻译信息进行语种翻译,在上述实施例的基础上,可选地,如图4所示,上述S102可以包括:
S401、分别获取与所述目标翻译类型的源语种相同的第一样本翻译类型,以及与所述目标翻译类型的目标语种相同的第二样本翻译类型。
其中,所述第一样本翻译类型的目标语种与所述第二样本翻译类型的源语种相同。
第一样本翻译类型和第二样本翻译类型均是指参与预训练翻译模型训练的语料所对应的翻译类型。具体的,电子设备可以从参与预训练翻译模型训练的所有样本翻译类型中,选取与目标翻译类型的源语种相同的第一样本翻译类型,以及与目标翻译类型的目标语种相同的第二样本翻译类型,同时确保所选取的第一样本翻译类型的目标语种与第二样本翻译类型的源语种相同。
示例性的,假设目标翻译类型为德译法,即目标翻译类型的源语种为德语,目标语种为法语。此时,电子设备可以选取以德语为源语种,以英语为目标语种的样本翻译类型作为第一样本翻译类型,同时选取以英语作为源语种,以法语作为目标语种的样本翻译类型作为第二样本翻译类型。
S402、分别获取所述第一样本翻译类型在预训练翻译模型中对应的第一子网络,以及所述第二样本翻译类型在所述预训练翻译模型中对应的第二子网络。
其中,第一子网络是指预训练翻译模型中对第一样本翻译类型的语料进行处理的网络,第二子网络是指预训练翻译模型中对第二样本翻译类型的语料进行处理的网络。在预训练翻译模型的训练过程中,预先为每个样本翻译类型分配了对应的子网络,同时,目标翻译类型与第一样本翻译类型的源语种相同,与第二样本翻译类型的目标语种相同,因此,可以考虑通过第一样本翻译类型对应的第一子网络以及第二样本翻译类型对应的第二子网络,来对目标翻译类型的待翻译信息进行语种翻译。
S403、根据所述第一子网络和所述第二子网络,确定所述目标翻译类型在所述预训练翻译模型中对应的目标子网络。
其中,目标子网络是指预训练翻译模型中对目标翻译类型的信息(即待翻译信息)进行处理的网络。在获取到第一子网络和第二子网络后,电子设备可以拼接第一子网络中的部分网络以及第二子网络中的部分网络,从而得到目标子网络。
可选地,上述基础翻译模型包括编码器和解码器。其中,编码器可以对输入序列进行特征提取,得到特征向量,编码器根据上下文信息对特征向量进行解码,得到对应的输出序列。基于此,在上述实施例的基础上,可选地,上述S403的过程可以为:将所述第一子网络的编码器以及所述第二子网络的解码器进行组合,得到所述目标翻译类型在所述预训练翻译模型中对应的目标子网络。
由于目标翻译类型与第一样本翻译类型的源语种相同,与第二样本翻译类型的目标语种相同,因此,可以考虑选取第一子网络中的编码器,以及选取第二子网络中的解码器,组合成目标翻译类型对应的目标子网络。
S404、通过所述目标子网络,将所述待翻译信息翻译成与所述目标语种对应的翻译信息。
其中,电子设备将待翻译信息输入至预训练翻译模型中的目标子网络,通过目标子网络对待翻译信息进行语种翻译,从而得到与目标语种对应的翻译信息。
继续以上述S401中的例子为例,电子设备可以选取德语-英语对所对应的子网络中的编码器,以及选取英语-法语对所对应的子网络中的解码器,并将所选取的编码器和解码器组成新的网络,从而得到德语-法语对所对应的目标子网络。这样,电子设备将德语的待翻译信息输入至预训练翻译模型中,便可以通过目标子网络将待翻译信息翻译成同含义的法语信息。
在本实施例中,对于零资源场景,通过拼接已有的样本翻译类型在预训练翻译模型中对应的子网络,来获得零资源的目标翻译类型所对应的子网络,由于已有的样本翻译类型所对应的子网络的训练相对独立,使得已有的样本翻译类型所对应的子网络的翻译性能较高,因此,通过翻译性能较高的已有子网络组合而成的目标子网络的翻译性能也较高,从而提高了对零资源下的待翻译信息的翻译效果。
在一个实施例中,还提供了一种预训练翻译模型的训练过程。在上述实施例的基础上,可选地,如图5所示,在上述S101之前,该方法还可以包括:
S501、获取平行语料集。
其中,所述平行语料集中包括至少两种样本翻译类型的平行语料。
通常,语料数据库中存储有大量的语料,因此,电子设备可以直接从语料数据库中获取多个平行语料,该多个平行语料中包括至少两种样本翻译类型。
S502、根据所述至少两种样本翻译类型的平行语料以及对应的网络掩码,对初始翻译模型进行训练,得到所述预训练翻译模型。
其中,所述初始翻译模型是通过所述平行语料集训练得到的。网络掩码用于控制预训练翻译模型中对样本翻译类型的语料进行处理的子网络,即子网络通过网络掩码来表示。可以理解的是,当网络掩码相同时,子网络也相同,当网络掩码不同时,子网络也不相同。
为了得到翻译性能较高的多语种翻译模型,电子设备可以使用包括至少两种样本翻译类型的平行语料集训练得到一个初始翻译模型,该初始翻译模型可以理解为已经学习到至少两种样本翻译类型中源语种与目标语种之间的语法结构和以及词汇关联。但是,在训练初始翻译模型的过程中,至少两种样本翻译类型的语料之间会相互干扰,导致训练得到的初始翻译模型的翻译性能有所下降。例如,以英语为中心的语料资源较为丰富,在采用以英语为中心的语料和其它非通用语种为中心的语料同时对初始翻译模型进行训练时,其它非通用语种为中心的语料会对以英语为中心的语对产生干扰,导致训练后的初始翻译模型对以英语为中心的翻译类型的预测性能下降。
基于此,为了降低各样本翻译类型的语料之间的相互干扰,可以预先在预训练翻译模型为每个样本翻译类型分配对应的子网络,并使用样本翻译类型的语料仅对自身所分配的子网络进行训练,使得各子网络的训练相对独立,从而大大降低了建模过程中各样本翻译类型的语料之间的干扰,进而提高了最终训练得到的预训练翻译模型的翻译性能。
可选地,上述S502的过程可以为:针对每种样本翻译类型,将所述样本翻译类型的平行语料中源端语料作为所述初始翻译模型的输入,所述源端语料对应的目标端语料作为期望输出,采用预设的损失函数,对所述初始翻译模型中对应的网络掩码所表示的子网络进行训练。
具体的,上述损失函数可以为最大似然损失函数或者交叉熵损失函数等。电子设备可以将样本翻译类型的平行语料中源端语料输入至初始翻译模型中,通过初始翻译模型中与样本翻译类型对应的网络掩码所表示的子网络对源端语料进行处理,得到预测语料,并基于预测语料与目标端语料计算上述损失函数的损失值。当损失值大于预设阈值时,对网络掩码所表示的子网络的参数进行更新,并基于更新后的子网络,继续对源端语料进行处理,直至得到的损失函数的损失值小于等于预设阈值为止。
对于其它样本翻译类型,参照上述过程仅对自身所分配的子网络进行训练,直至达到子网络的收敛条件。
以图3所示的网络架构,且样本翻译类型1对应子网络1,样本翻译类型2对应子网络2为例,电子设备使用样本翻译类型1的语料对预训练翻译模型中的子网络1进行训练,使用样本翻译类型2的语料对预训练翻译模型中的子网络2进行训练,使得子网络1和子网络2的训练相对独立。当子网络1和子网络2中存在共享分支(如图3中子网络1和子网络2共享的连接线)时,通过样本翻译类型1和样本翻译类型2的语料不仅实现了对独占分支(如图3中子网络1独占的连接线,子网络2独占的连接线)的训练,也实现了对共享分支(共享分支能够共享子网络1和子网络2的参数)的训练,使得最终得到的预训练翻译模型不仅学习到样本翻译类型1和样本翻译类型2中源语种与目标语种之间的语法结构和词汇关联,实现了多语种之间的相互翻译,同时也降低了样本翻译类型1和样本翻译类型2的语料之间的干扰,从而提高了预训练翻译模型对多语种的翻译性能。
在本实施例中,通过至少两种样本翻译类型的平行语料,对初始翻译模型中对应的网络掩码所表示的子网络进行训练,使得各子网络的训练相对独立,减少了建模过程中各样本翻译类型的语料之间的相互干扰,从而提高了训练得到的预训练翻译模型的翻译性能。同时,在采用新的样本翻译类型的语料训练预训练翻译模型后,由于新的样本翻译类型的语料仅对自身所分配的子网络进行训练,因此,采用预训练翻译模型对新的样本翻译类型的待翻译信息进行预测,能够得到准确性较高的翻译结果,并且对原有样本翻译类型的翻译性能影响很小。
可选地,在训练预训练翻译模型之前,该方法还包括:生成每种样本翻译类型对应的网络掩码。接下来,具体介绍样本翻译类型对应的网络掩码的生成过程,具体的,如图6所示,在上述S502之前,该方法还包括:
S601、根据所述平行语料集对预设的基础翻译模型进行训练,得到所述初始翻译模型。
其中,基础翻译模型可以包括序列到序列模型,是一种编码-解码结构的神经网络,输入是一个序列,输出也是一个序列。电子设备使用包括至少两种样本翻译类型的平行语料集对基础翻译模型进行训练,在达到模型收敛条件之后,得到初始翻译模型。此时,初始翻译模型已经能够学习到至少两种样本翻译类型中源语种与目标语种之间的语法结构和以及词汇关联。
S602、针对每种样本翻译类型,采用所述样本翻译类型的平行语料对所述初始翻译模型进行训练,得到训练后的初始翻译模型;对所述训练后的初始翻译模型进行裁剪,以生成所述样本翻译类型对应的网络掩码。
其中,在得到经过多语种语料训练的初始翻译模型之后,针对每种样本翻译类型,电子设备使用样本翻译类型的平行语料对初始翻译模型进行微训练,通过微训练放大初始翻译模型中对样本翻译类型重要的分支(这里的分支可以理解为各层神经元之间的连接线)的权值。接着,对训练后的初始翻译模型进行裁剪,以保留对样本翻译类型比较重要的分支,裁剪掉对样本翻译类型影响较小的分支,从而得到样本翻译类型对应的网络掩码。
可选地,电子设备可以基于训练后的初始翻译模型中各层之间连接线的权值,对训练后的初始翻译模型进行裁剪,以生成样本翻译类型对应的网络掩码。
其中,上述连接线表示了训练后的初始翻译模型中各层神经元之间的连接关系。经过样本翻译类型的平行语料对初始翻译模型进行微训练之后,初始翻译模型中各层之间连接线所对应的权值发生了变化,此时,通过各连接线对应的权值,便可以获知哪些连接线对样本翻译类型的语料的处理影响较大,哪些连接线对样本翻译类型的语料的处理影响较小,进而保留对样本翻译类型比较重要的连接线,裁剪掉对样本翻译类型影响较小的连接线,从而得到样本翻译类型对应的网络掩码。
作为一种可选地实施方式,电子设备可以按照连接线的权值对训练后的初始翻译模型中各层之间的连接线进行排序,得到排序结果。接着,从排序结果中选取权值最大的N个连接线,并生成该N个连接线对应的第一标志码,以表示该N条连接线在训练后的初始翻译模型中被保留。例如,需要保留的连接线可以使用数字1来表示。对于其它连接线,分别生成其它连接线对应的第二标志码,以表示该部分连接线在训练后的初始翻译模型中被裁剪。例如,需要裁剪的连接线可以使用数字0来表示。进一步地,将生成的第一标志码和第二标志码进行组合,从而得到样本翻译类型的网络掩码。其中,上述N为大于1的自然数,N的具体取值可以基于实际需求进行设置,本实施例对此不做限定。
作为另一种可选的实施方式,电子设备也可以按照下述过程生成样本翻译类型的对应的网络掩码:
步骤A、判断训练后的初始翻译模型中各层之间连接线的权值是否大于等于预设阈值。
其中,该预设阈值可以基于实际需求进行设置,本实施例对此不做限定。若是,则执行下述步骤B,若否,则执行下述步骤C。
步骤B、生成连接线对应的第一标志码。
其中,所述第一标志码用于表示在训练后的初始翻译模型中保留该连接线。例如,可以将第一标志码设置为1,以表示保留该连接线。
步骤C、生成连接线对应的第二标志码。
其中,所述第二标志码用于表示从训练后的初始翻译模型中裁剪该连接线。例如,可以将第二标志码设置为0,以表示裁剪该连接线。
步骤D、将所述第一标志码和所述第二标志码进行组合,得到所述样本翻译类型对应的网络掩码。
通过为样本翻译类型生成对应的网络掩码,通过网络掩码控制初始翻译模型中对样本翻译类型的语料进行处理的子网络,这样,在采用各样本翻译类型的语料对初始翻译模型进行训练的过程中,仅使用样本翻译类型的语料对初始翻译模型中对应的网络掩码所表示的子网络进行训练,降低了各样本翻译类型的语料之间的相互干扰,提高了预训练翻译模型的翻译性能。
同时,采用样本翻译类型对初始翻译模型进行微训练,并对微训练后的初始翻译模型进行裁剪,能够保留下对样本翻译类型的语料的处理较为重要的连接线,裁剪掉对样本翻译类型的语料的处理影响较小的连接线,使得所生成的网络掩码所表示的子网络更能准确地处理样本翻译类型的语料,进一步提高了预训练翻译模型对多语种的翻译性能。
图7为本公开实施例提供的信息翻译装置的一种结构示意图。如图7所示,该装置可以包括:第一获取模块701和翻译模块702。
具体的,第一获取模块701用于获取待翻译信息以及为所述待翻译信息指定的目标翻译类型;其中,所述目标翻译类型用于指示所述待翻译信息的源语种和目标语种;
翻译模块702用于通过预训练翻译模型中与所述目标翻译类型对应的子网络,将所述待翻译信息翻译成与所述目标语种对应的翻译信息;
其中,所述预训练翻译模型是通过至少两种样本翻译类型的平行语料以及对应的网络掩码训练得到的,所述网络掩码用于控制所述预训练翻译模型中对所述样本翻译类型的语料进行处理的子网络。
本公开实施例提供的信息翻译装置,获取待翻译信息以及为待翻译信息指定的目标翻译类型,通过预训练翻译模型中与目标翻译类型对应的子网络,将待翻译信息翻译成与目标语种对应的翻译信息。由于上述预训练翻译模型是通过至少两种样本翻译类型的平行语料以及对应的网络掩码训练得到的,且该网络掩码用于控制预训练翻译模型中对样本翻译类型的语料进行处理的子网络,即各样本翻译类型均在预训练翻译模型中被分配了对应的子网络,这样,各样本翻译类型的语料仅对自身所分配的子网络进行训练,大大降低了建模过程中各样本翻译类型的语料之间的干扰,从而提高了预训练翻译模型中各子网络的翻译性能。进一步地,由于预训练翻译模型中各子网络的翻译性能得到了提升,这样,仅需要通过预训练翻译模型中与目标翻译类型对应的子网络对待翻译信息进行翻译即可,从而提高了翻译结果的准确性。
可选地,不同样本翻译类型对应的网络掩码不同,以控制所述预训练翻译模型中不同子网络对所述样本翻译类型的语料进行处理。
在上述实施例的基础上,可选地,翻译模块702可以包括:第一获取单元、第二获取单元、确定单元和翻译单元。
具体的,第一获取单元用于分别获取与所述目标翻译类型的源语种相同的第一样本翻译类型,以及与所述目标翻译类型的目标语种相同的第二样本翻译类型;其中,所述第一样本翻译类型的目标语种与所述第二样本翻译类型的源语种相同;
第二获取单元用于分别获取所述第一样本翻译类型在预训练翻译模型中对应的第一子网络,以及所述第二样本翻译类型在所述预训练翻译模型中对应的第二子网络;
确定单元用于根据所述第一子网络和所述第二子网络,确定所述目标翻译类型在所述预训练翻译模型中对应的目标子网络;
翻译单元用于通过所述目标子网络,将所述待翻译信息翻译成与所述目标语种对应的翻译信息。
可选地,所述预训练翻译模型包括编码器和解码器;
上述确定单元具体用于将所述第一子网络的编码器以及所述第二子网络的解码器进行组合,得到所述目标翻译类型在所述预训练翻译模型中对应的目标子网络。
在上述实施例的基础上,可选地,该装置还包括:第二获取模块和第一训练模块。
具体的,第二获取模块用于在第一获取模块701获取待翻译信息以及为所述待翻译信息指定的目标翻译类型之前,获取平行语料集;其中,所述平行语料集中包括至少两种样本翻译类型的平行语料;
第一训练模块用于根据所述至少两种样本翻译类型的平行语料以及对应的网络掩码,对初始翻译模型进行训练,得到所述预训练翻译模型;其中,所述初始翻译模型是通过所述平行语料集训练得到的。
在上述实施例的基础上,可选地,该装置还包括:第二训练模块、第三训练模块和裁剪模块。
具体的,第二训练模块用于在第一训练模块根据所述至少两种样本翻译类型的平行语料以及对应的网络掩码,对初始翻译模型进行训练,得到所述预训练翻译模型之前,根据所述平行语料集对预设的基础翻译模型进行训练,得到所述初始翻译模型;
第三训练模块用于针对每种样本翻译类型,采用所述样本翻译类型的平行语料对所述初始翻译模型进行训练,得到训练后的初始翻译模型;
裁剪模块用于针对每种样本翻译类型,对所述训练后的初始翻译模型进行裁剪,以生成所述样本翻译类型对应的网络掩码。
在上述实施例的基础上,可选地,裁剪模块具体用于基于所述训练后的初始翻译模型中各层之间连接线的权值,对所述训练后的初始翻译模型进行裁剪,以生成所述样本翻译类型对应的网络掩码。
在上述实施例的基础上,可选地,裁剪模块具体用于判断所述训练后的初始翻译模型中各层之间连接线的权值是否大于等于预设阈值;在确定大于等于预设阈值时,生成所述连接线对应的第一标志码;在确定小于预设阈值时,生成所述连接线对应的第二标志码;将所述第一标志码和所述第二标志码进行组合,得到所述样本翻译类型对应的网络掩码;其中,所述第一标志码用于表示在所述训练后的初始翻译模型中保留所述连接线;所述第二标志码用于表示从所述训练后的初始翻译模型中裁剪所述连接线。
在上述实施例的基础上,可选地,第一训练模块具体用于针对每种样本翻译类型,将所述样本翻译类型的平行语料中源端语料作为所述初始翻译模型的输入,所述源端语料对应的目标端语料作为期望输出,采用预设的损失函数,对所述初始翻译模型中对应的网络掩码所表示的子网络进行训练。
下面参考图8,其示出了适于用来实现本公开实施例的电子设备(即信息翻译设备)800的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图8示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图8所示,电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置806加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM803中,还存储有电子设备800操作所需的各种程序和数据。处理装置801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
通常,以下装置可以连接至I/O接口805:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807;包括例如磁带、硬盘等的存储装置806;以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备800,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置809从网络上被下载和安装,或者从存储装置806被安装,或者从ROM 802被安装。在该计算机程序被处理装置801执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取至少两个网际协议地址;向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求,其中,所述节点评价设备从所述至少两个网际协议地址中,选取网际协议地址并返回;接收所述节点评价设备返回的网际协议地址;其中,所获取的网际协议地址指示内容分发网络中的边缘节点。
或者,上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:接收包括至少两个网际协议地址的节点评价请求;从所述至少两个网际协议地址中,选取网际协议地址;返回选取出的网际协议地址;其中,接收到的网际协议地址指示内容分发网络中的边缘节点。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
在一个实施例中,提供了一种信息翻译设备,包括存储器和处理器,存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待翻译信息以及为所述待翻译信息指定的目标翻译类型;其中,所述目标翻译类型用于指示所述待翻译信息的源语种和目标语种;
通过预训练翻译模型中与所述目标翻译类型对应的子网络,将所述待翻译信息翻译成与所述目标语种对应的翻译信息;
其中,所述预训练翻译模型是通过至少两种样本翻译类型的平行语料以及对应的网络掩码训练得到的,所述网络掩码用于控制所述预训练翻译模型中对所述样本翻译类型的语料进行处理的子网络。
可选地,不同样本翻译类型对应的网络掩码不同,以控制所述预训练翻译模型中不同子网络对所述样本翻译类型的语料进行处理。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:分别获取与所述目标翻译类型的源语种相同的第一样本翻译类型,以及与所述目标翻译类型的目标语种相同的第二样本翻译类型;分别获取所述第一样本翻译类型在预训练翻译模型中对应的第一子网络,以及所述第二样本翻译类型在所述预训练翻译模型中对应的第二子网络;根据所述第一子网络和所述第二子网络,确定所述目标翻译类型在所述预训练翻译模型中对应的目标子网络;通过所述目标子网络,将所述待翻译信息翻译成与所述目标语种对应的翻译信息;其中,所述第一样本翻译类型的目标语种与所述第二样本翻译类型的源语种相同。
可选地,所述预训练翻译模型包括编码器和解码器;
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将所述第一子网络的编码器以及所述第二子网络的解码器进行组合,得到所述目标翻译类型在所述预训练翻译模型中对应的目标子网络。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取平行语料集;其中,所述平行语料集中包括至少两种样本翻译类型的平行语料;根据所述至少两种样本翻译类型的平行语料以及对应的网络掩码,对初始翻译模型进行训练,得到所述预训练翻译模型;其中,所述初始翻译模型是通过所述平行语料集训练得到的。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据所述平行语料集对预设的基础翻译模型进行训练,得到所述初始翻译模型;针对每种样本翻译类型,采用所述样本翻译类型的平行语料对所述初始翻译模型进行训练,得到训练后的初始翻译模型;对所述训练后的初始翻译模型进行裁剪,以生成所述样本翻译类型对应的网络掩码。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:基于所述训练后的初始翻译模型中各层之间连接线的权值,对所述训练后的初始翻译模型进行裁剪,以生成所述样本翻译类型对应的网络掩码。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:判断所述训练后的初始翻译模型中各层之间连接线的权值是否大于等于预设阈值;若是,则生成所述连接线对应的第一标志码;若否,则生成所述连接线对应的第二标志码;将所述第一标志码和所述第二标志码进行组合,得到所述样本翻译类型对应的网络掩码;其中,所述第一标志码用于表示在所述训练后的初始翻译模型中保留所述连接线,所述第二标志码用于表示从所述训练后的初始翻译模型中裁剪所述连接线。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:针对每种样本翻译类型,将所述样本翻译类型的平行语料中源端语料作为所述初始翻译模型的输入,所述源端语料对应的目标端语料作为期望输出,采用预设的损失函数,对所述初始翻译模型中对应的网络掩码所表示的子网络进行训练。
在一个实施例中,还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取待翻译信息以及为所述待翻译信息指定的目标翻译类型;其中,所述目标翻译类型用于指示所述待翻译信息的源语种和目标语种;
通过预训练翻译模型中与所述目标翻译类型对应的子网络,将所述待翻译信息翻译成与所述目标语种对应的翻译信息;
其中,所述预训练翻译模型是通过至少两种样本翻译类型的平行语料以及对应的网络掩码训练得到的,所述网络掩码用于控制所述预训练翻译模型中对所述样本翻译类型的语料进行处理的子网络。
上述实施例中提供的信息翻译装置、设备以及存储介质可执行本公开任意实施例所提供的信息翻译方法,具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节,可参见本公开任意实施例所提供的信息翻译方法。
根据本公开的一个或多个实施例,提供一种信息翻译方法,包括:
获取待翻译信息以及为所述待翻译信息指定的目标翻译类型;其中,所述目标翻译类型用于指示所述待翻译信息的源语种和目标语种;
通过预训练翻译模型中与所述目标翻译类型对应的子网络,将所述待翻译信息翻译成与所述目标语种对应的翻译信息;
其中,所述预训练翻译模型是通过至少两种样本翻译类型的平行语料以及对应的网络掩码训练得到的,所述网络掩码用于控制所述预训练翻译模型中对所述样本翻译类型的语料进行处理的子网络。
可选地,不同样本翻译类型对应的网络掩码不同,以控制所述预训练翻译模型中不同子网络对所述样本翻译类型的语料进行处理。
根据本公开的一个或多个实施例,提供了如上的信息翻译方法,还包括:分别获取与所述目标翻译类型的源语种相同的第一样本翻译类型,以及与所述目标翻译类型的目标语种相同的第二样本翻译类型;分别获取所述第一样本翻译类型在预训练翻译模型中对应的第一子网络,以及所述第二样本翻译类型在所述预训练翻译模型中对应的第二子网络;根据所述第一子网络和所述第二子网络,确定所述目标翻译类型在所述预训练翻译模型中对应的目标子网络;通过所述目标子网络,将所述待翻译信息翻译成与所述目标语种对应的翻译信息;其中,所述第一样本翻译类型的目标语种与所述第二样本翻译类型的源语种相同。
可选地,所述预训练翻译模型包括编码器和解码器;根据本公开的一个或多个实施例,提供了如上的信息翻译方法,还包括:将所述第一子网络的编码器以及所述第二子网络的解码器进行组合,得到所述目标翻译类型在所述预训练翻译模型中对应的目标子网络。
根据本公开的一个或多个实施例,提供了如上的信息翻译方法,还包括:获取平行语料集;其中,所述平行语料集中包括至少两种样本翻译类型的平行语料;根据所述至少两种样本翻译类型的平行语料以及对应的网络掩码,对初始翻译模型进行训练,得到所述预训练翻译模型;其中,所述初始翻译模型是通过所述平行语料集训练得到的。
根据本公开的一个或多个实施例,提供了如上的信息翻译方法,还包括:根据所述平行语料集对预设的基础翻译模型进行训练,得到所述初始翻译模型;针对每种样本翻译类型,采用所述样本翻译类型的平行语料对所述初始翻译模型进行训练,得到训练后的初始翻译模型;对所述训练后的初始翻译模型进行裁剪,以生成所述样本翻译类型对应的网络掩码。
根据本公开的一个或多个实施例,提供了如上的信息翻译方法,还包括:基于所述训练后的初始翻译模型中各层之间连接线的权值,对所述训练后的初始翻译模型进行裁剪,以生成所述样本翻译类型对应的网络掩码。
根据本公开的一个或多个实施例,提供了如上的信息翻译方法,还包括:判断所述训练后的初始翻译模型中各层之间连接线的权值是否大于等于预设阈值;若是,则生成所述连接线对应的第一标志码;若否,则生成所述连接线对应的第二标志码;将所述第一标志码和所述第二标志码进行组合,得到所述样本翻译类型对应的网络掩码;其中,所述第一标志码用于表示在所述训练后的初始翻译模型中保留所述连接线,所述第二标志码用于表示从所述训练后的初始翻译模型中裁剪所述连接线。
根据本公开的一个或多个实施例,提供了如上的信息翻译方法,还包括:针对每种样本翻译类型,将所述样本翻译类型的平行语料中源端语料作为所述初始翻译模型的输入,所述源端语料对应的目标端语料作为期望输出,采用预设的损失函数,对所述初始翻译模型中对应的网络掩码所表示的子网络进行训练。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (11)
1.一种信息翻译方法,其特征在于,包括:
获取待翻译信息以及为所述待翻译信息指定的目标翻译类型;其中,所述目标翻译类型用于指示所述待翻译信息的源语种和目标语种;
通过预训练翻译模型中与所述目标翻译类型对应的子网络,将所述待翻译信息翻译成与所述目标语种对应的翻译信息;
其中,所述预训练翻译模型是通过至少两种样本翻译类型的平行语料以及对应的网络掩码训练得到的,所述网络掩码用于控制所述预训练翻译模型中对所述样本翻译类型的语料进行处理的子网络;
其中,预先在所述预训练翻译模型为每个样本翻译类型分配对应的子网络,并使用样本翻译类型的语料仅对自身所分配的子网络进行训练,不同样本翻译类型对应的源语种不同和/或目标语种不同;
其中,在所述获取待翻译信息以及为所述待翻译信息指定的目标翻译类型之前,所述方法还包括:
获取平行语料集;其中,所述平行语料集中包括至少两种样本翻译类型的平行语料;
根据所述至少两种样本翻译类型的平行语料以及对应的网络掩码,对初始翻译模型进行训练,得到所述预训练翻译模型;其中,所述初始翻译模型是通过所述平行语料集训练得到的。
2.根据权利要求1所述的方法,其特征在于,不同样本翻译类型对应的网络掩码不同,以控制所述预训练翻译模型中不同子网络对所述样本翻译类型的语料进行处理。
3.根据权利要求1所述的方法,其特征在于,所述通过预训练翻译模型中与所述目标翻译类型对应的子网络,将所述待翻译信息翻译成与所述目标语种对应的翻译信息,包括:
分别获取与所述目标翻译类型的源语种相同的第一样本翻译类型,以及与所述目标翻译类型的目标语种相同的第二样本翻译类型;其中,所述第一样本翻译类型的目标语种与所述第二样本翻译类型的源语种相同;
分别获取所述第一样本翻译类型在预训练翻译模型中对应的第一子网络,以及所述第二样本翻译类型在所述预训练翻译模型中对应的第二子网络;
根据所述第一子网络和所述第二子网络,确定所述目标翻译类型在所述预训练翻译模型中对应的目标子网络;
通过所述目标子网络,将所述待翻译信息翻译成与所述目标语种对应的翻译信息。
4.根据权利要求3所述的方法,其特征在于,所述预训练翻译模型包括编码器和解码器;
所述根据所述第一子网络和所述第二子网络,确定所述目标翻译类型在所述预训练翻译模型中对应的目标子网络,包括:
将所述第一子网络的编码器以及所述第二子网络的解码器进行组合,得到所述目标翻译类型在所述预训练翻译模型中对应的目标子网络。
5.根据权利要求1所述的方法,其特征在于,在所述根据所述至少两种样本翻译类型的平行语料以及对应的网络掩码,对初始翻译模型进行训练,得到所述预训练翻译模型之前,所述方法还包括:
根据所述平行语料集对预设的基础翻译模型进行训练,得到所述初始翻译模型;
针对每种样本翻译类型,采用所述样本翻译类型的平行语料对所述初始翻译模型进行训练,得到训练后的初始翻译模型;对所述训练后的初始翻译模型进行裁剪,以生成所述样本翻译类型对应的网络掩码。
6.根据权利要求5所述的方法,其特征在于,所述对所述训练后的初始翻译模型进行裁剪,以生成所述样本翻译类型对应的网络掩码,包括:
基于所述训练后的初始翻译模型中各层之间连接线的权值,对所述训练后的初始翻译模型进行裁剪,以生成所述样本翻译类型对应的网络掩码。
7.根据权利要求6所述的方法,其特征在于,所述基于所述训练后的初始翻译模型中各层之间连接线的权值,对所述训练后的初始翻译模型进行裁剪,以生成所述样本翻译类型对应的网络掩码,包括:
判断所述训练后的初始翻译模型中各层之间连接线的权值是否大于等于预设阈值;
若是,则生成所述连接线对应的第一标志码;其中,所述第一标志码用于表示在所述训练后的初始翻译模型中保留所述连接线;
若否,则生成所述连接线对应的第二标志码;其中,所述第二标志码用于表示从所述训练后的初始翻译模型中裁剪所述连接线;
将所述第一标志码和所述第二标志码进行组合,得到所述样本翻译类型对应的网络掩码。
8.根据权利要求1至7中任一项所述的方法,其特征在于,所述根据所述至少两种样本翻译类型的平行语料以及对应的网络掩码,对初始翻译模型进行训练,得到所述预训练翻译模型,包括:
针对每种样本翻译类型,将所述样本翻译类型的平行语料中源端语料作为所述初始翻译模型的输入,所述源端语料对应的目标端语料作为期望输出,采用预设的损失函数,对所述初始翻译模型中对应的网络掩码所表示的子网络进行训练。
9.一种信息翻译装置,其特征在于,包括:
第一获取模块,用于获取待翻译信息以及为所述待翻译信息指定的目标翻译类型;其中,所述目标翻译类型用于指示所述待翻译信息的源语种和目标语种;
翻译模块,用于通过预训练翻译模型中与所述目标翻译类型对应的子网络,将所述待翻译信息翻译成与所述目标语种对应的翻译信息;
其中,所述预训练翻译模型是通过至少两种样本翻译类型的平行语料以及对应的网络掩码训练得到的,所述网络掩码用于控制所述预训练翻译模型中对所述样本翻译类型的语料进行处理的子网络;
其中,预先在所述预训练翻译模型为每个样本翻译类型分配对应的子网络,并使用样本翻译类型的语料仅对自身所分配的子网络进行训练,不同样本翻译类型对应的源语种不同和/或目标语种不同;
其中,所述装置还包括:
第二获取模块,用于在所述第一获取模块获取待翻译信息以及为所述待翻译信息指定的目标翻译类型之前,获取平行语料集;其中,所述平行语料集中包括至少两种样本翻译类型的平行语料;
第一训练模块,用于根据所述至少两种样本翻译类型的平行语料以及对应的网络掩码,对初始翻译模型进行训练,得到所述预训练翻译模型;其中,所述初始翻译模型是通过所述平行语料集训练得到的。
10.一种信息翻译设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110474872.1A CN113204977B (zh) | 2021-04-29 | 2021-04-29 | 信息翻译方法、装置、设备和存储介质 |
PCT/CN2022/087801 WO2022228221A1 (zh) | 2021-04-29 | 2022-04-20 | 信息翻译方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110474872.1A CN113204977B (zh) | 2021-04-29 | 2021-04-29 | 信息翻译方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113204977A CN113204977A (zh) | 2021-08-03 |
CN113204977B true CN113204977B (zh) | 2023-09-26 |
Family
ID=77029436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110474872.1A Active CN113204977B (zh) | 2021-04-29 | 2021-04-29 | 信息翻译方法、装置、设备和存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113204977B (zh) |
WO (1) | WO2022228221A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114495112B (zh) * | 2022-01-20 | 2024-07-19 | 北京字节跳动网络技术有限公司 | 图像中文本的处理方法、装置、可读介质和电子设备 |
CN114818748B (zh) * | 2022-05-10 | 2023-04-21 | 北京百度网讯科技有限公司 | 用于生成翻译模型的方法、翻译方法及装置 |
CN116957991B (zh) * | 2023-09-19 | 2023-12-15 | 北京渲光科技有限公司 | 三维模型补全方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101079028A (zh) * | 2007-05-29 | 2007-11-28 | 中国科学院计算技术研究所 | 一种统计机器翻译中的在线翻译模型选择方法 |
CN109190134A (zh) * | 2018-11-21 | 2019-01-11 | 科大讯飞股份有限公司 | 一种文本翻译方法及装置 |
CN110874537A (zh) * | 2018-08-31 | 2020-03-10 | 阿里巴巴集团控股有限公司 | 多语言翻译模型的生成方法、翻译方法及设备 |
CN111046677A (zh) * | 2019-12-09 | 2020-04-21 | 北京字节跳动网络技术有限公司 | 一种翻译模型的获取方法、装置、设备和存储介质 |
CN111814975A (zh) * | 2020-07-09 | 2020-10-23 | 广东工业大学 | 一种基于剪枝的神经网络模型构建方法及相关装置 |
CN112270200A (zh) * | 2020-11-11 | 2021-01-26 | 北京有竹居网络技术有限公司 | 一种文本信息的翻译方法、装置、电子设备和存储介质 |
JP6830707B1 (ja) * | 2020-01-23 | 2021-02-17 | 同▲済▼大学 | ランダムバッチマスクとマルチスケール表現学習を融合した人物再同定方法 |
CN112633017A (zh) * | 2020-12-24 | 2021-04-09 | 北京百度网讯科技有限公司 | 翻译模型训练、翻译处理方法、装置、设备和存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102589637B1 (ko) * | 2016-08-16 | 2023-10-16 | 삼성전자주식회사 | 기계 번역 방법 및 장치 |
CN110472251B (zh) * | 2018-05-10 | 2023-05-30 | 腾讯科技(深圳)有限公司 | 翻译模型训练的方法、语句翻译的方法、设备及存储介质 |
CN110543643B (zh) * | 2019-08-21 | 2022-11-11 | 语联网(武汉)信息技术有限公司 | 文本翻译模型的训练方法及装置 |
CN111008533B (zh) * | 2019-12-09 | 2021-07-23 | 北京字节跳动网络技术有限公司 | 一种翻译模型的获取方法、装置、设备和存储介质 |
CN111709249B (zh) * | 2020-05-29 | 2023-02-24 | 北京百度网讯科技有限公司 | 多语种模型的训练方法、装置、电子设备和存储介质 |
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 |
-
2021
- 2021-04-29 CN CN202110474872.1A patent/CN113204977B/zh active Active
-
2022
- 2022-04-20 WO PCT/CN2022/087801 patent/WO2022228221A1/zh active Application Filing
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101079028A (zh) * | 2007-05-29 | 2007-11-28 | 中国科学院计算技术研究所 | 一种统计机器翻译中的在线翻译模型选择方法 |
CN110874537A (zh) * | 2018-08-31 | 2020-03-10 | 阿里巴巴集团控股有限公司 | 多语言翻译模型的生成方法、翻译方法及设备 |
CN109190134A (zh) * | 2018-11-21 | 2019-01-11 | 科大讯飞股份有限公司 | 一种文本翻译方法及装置 |
CN111046677A (zh) * | 2019-12-09 | 2020-04-21 | 北京字节跳动网络技术有限公司 | 一种翻译模型的获取方法、装置、设备和存储介质 |
JP6830707B1 (ja) * | 2020-01-23 | 2021-02-17 | 同▲済▼大学 | ランダムバッチマスクとマルチスケール表現学習を融合した人物再同定方法 |
CN111814975A (zh) * | 2020-07-09 | 2020-10-23 | 广东工业大学 | 一种基于剪枝的神经网络模型构建方法及相关装置 |
CN112270200A (zh) * | 2020-11-11 | 2021-01-26 | 北京有竹居网络技术有限公司 | 一种文本信息的翻译方法、装置、电子设备和存储介质 |
CN112633017A (zh) * | 2020-12-24 | 2021-04-09 | 北京百度网讯科技有限公司 | 翻译模型训练、翻译处理方法、装置、设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
Adding interpretable attention to neural translation models improves word alignment;Thomas Zenkel等;《https://arxiv.org/abs/1901.11359》;全文 * |
剪枝算法:有效神经网络的权值和连接学习;librahfacebook;《https://blog.csdn.net/librahfacebook/article/details/97285482》;20190725;第2页 * |
深度学习在统计机器翻译领域自适应中的应用研究;丁亮等;《情报工程》(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113204977A (zh) | 2021-08-03 |
WO2022228221A1 (zh) | 2022-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113204977B (zh) | 信息翻译方法、装置、设备和存储介质 | |
JP7208952B2 (ja) | 対話モデルを生成するための方法及び装置 | |
US20210192288A1 (en) | Method and apparatus for processing data | |
CN111008533B (zh) | 一种翻译模型的获取方法、装置、设备和存储介质 | |
CN113139391B (zh) | 翻译模型的训练方法、装置、设备和存储介质 | |
CN111046677B (zh) | 一种翻译模型的获取方法、装置、设备和存储介质 | |
CN113313064A (zh) | 字符识别方法、装置、可读介质及电子设备 | |
CN110084317B (zh) | 用于识别图像的方法和装置 | |
CN111597825B (zh) | 语音翻译方法、装置、可读介质及电子设备 | |
CN112380876B (zh) | 基于多语言机器翻译模型的翻译方法、装置、设备和介质 | |
CN113449070A (zh) | 多模态数据检索方法、装置、介质及电子设备 | |
CN114822498B (zh) | 语音翻译模型的训练方法、语音翻译方法、装置及设备 | |
CN113407767A (zh) | 确定文本相关性的方法、装置、可读介质及电子设备 | |
CN112883966A (zh) | 图像字符识别方法、装置、介质及电子设备 | |
CN112309384B (zh) | 一种语音识别方法、装置、电子设备及介质 | |
CN112307774A (zh) | 对话理解方法、装置、可读介质及电子设备 | |
CN112380883B (zh) | 模型训练方法、机器翻译方法、装置、设备及存储介质 | |
CN112257459B (zh) | 语言翻译模型的训练方法、翻译方法、装置和电子设备 | |
CN111862081B (zh) | 图像评分方法、分数预测网络的训练方法、装置 | |
CN110335237B (zh) | 用于生成模型的方法、装置和用于识别图像的方法、装置 | |
CN112231023A (zh) | 一种信息显示方法、装置、设备及存储介质 | |
CN112651231B (zh) | 口语信息处理方法、装置和电子设备 | |
CN113360704A (zh) | 语音播放方法、装置和电子设备 | |
CN111680754A (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
CN111221424A (zh) | 用于生成信息的方法、装置、电子设备和计算机可读介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |