CN113642333A - 显示方法和装置、语义单元检测模型的训练方法和装置 - Google Patents
显示方法和装置、语义单元检测模型的训练方法和装置 Download PDFInfo
- Publication number
- CN113642333A CN113642333A CN202110951982.2A CN202110951982A CN113642333A CN 113642333 A CN113642333 A CN 113642333A CN 202110951982 A CN202110951982 A CN 202110951982A CN 113642333 A CN113642333 A CN 113642333A
- Authority
- CN
- China
- Prior art keywords
- sequence
- sample
- language
- semantic
- word
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000001514 detection method Methods 0.000 title claims abstract description 65
- 238000012549 training Methods 0.000 title claims abstract description 43
- 238000013519 translation Methods 0.000 claims abstract description 35
- 239000012634 fragment Substances 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 10
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000003058 natural language processing Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/40—Processing or translation of natural language
- G06F40/58—Use of machine translation, e.g. for multi-lingual retrieval, for server-side translation for client devices or for real-time translation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/222—Studio circuitry; Studio devices; Studio equipment
- H04N5/262—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects
- H04N5/278—Subtitling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Machine Translation (AREA)
Abstract
本公开提供了一种显示方法,涉及人工智能领域,尤其涉及自然语言处理和机器翻译领域。具体实现方案为:获取待显示语言序列;将待显示语言序列划分为具有语义的多个语义单元;以及将多个语义单元转化为字幕逐一进行显示。本公开还提供了一种显示装置、语义单元检测模型的训练方法和装置、电子设备和存储介质。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及自然语言处理和机器翻译技术。更具体地,本公开提供了一种显示方法和装置、语义单元检测模型的训练方法和装置、电子设备和存储介质。
背景技术
随着全球化发展,国际交流频繁,机器同传需求日益增多,存在广阔的发展空间。机器同传的展现形式是将同传字幕显示在屏幕上。
发明内容
本公开提供了一种显示方法和装置、语义单元检测模型的训练方法和装置、电子设备和存储介质。
根据第一方面,提供了一种显示方法,该方法包括:获取待显示语言序列;将待显示语言序列划分为具有语义的多个语义单元;以及将多个语义单元转化为字幕逐一进行显示。
根据第二方面,提供了一种语义单元检测模型的训练方法,该方法包括:获取样本语言序列,样本语言序列包括多个元素,每个元素具有原始标签,每个元素的原始标签指示了由该元素及该元素之前的至少一个元素所组成的元素单元是否为具有语义的语义单元;以及使用样本语言序列以及样本语言序列中每个元素的原始标签来训练语义单元检测模型。
根据第三方面,提供了一种显示装置,该装置包括:第一获取模块,用于获取待显示语言序列;划分模块,用于将待显示语言序列划分为具有语义的多个语义单元;以及显示模块,用于将多个语义单元转化为字幕逐一进行显示。
根据第四方面,提供了一种语义单元检测模型的训练装置,该装置包括:第二获取模块,用于获取样本语言序列,样本语言序列包括多个元素,每个元素具有原始标签,每个元素的原始标签指示了由该元素及该元素之前的至少一个元素所组成的元素单元是否为具有语义的语义单元;以及训练模块,用于使用样本语言序列以及样本语言序列中每个元素的原始标签来训练语义单元检测模型。
根据第五方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行根据本公开提供的方法。
根据第六方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机执行根据本公开提供的方法。
根据第七方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据本公开提供的方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开的一个实施例的可以应用显示方法和/或语义单元检测模型的训练方法的示例性***架构示意图;
图2A~2B是根据本公开的一个实施例的显示方法的流程图;
图3A~3C是根据本公开的一个实施例的显示方法的示意图;
图4是根据本公开的一个实施例的将语言序列划分为具有语义的多个语义单元的方法的***示意图;
图5是根据本公开的一个实施例的语义单元检测模型的训练方法的流程图;
图6是根据本公开的一个实施例的确定样本文本序列中的每个字的原始标签的方法的流程图;
图7是根据本公开的一个实施例的显示装置的框图;
图8是根据本公开的一个实施例的语义单元检测模型的训练装置的框图;
图9是根据本公开的一个实施例的显示方法和/或语义单元检测模型的训练方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
随着全球化发展,国际交流频繁,机器同传的需求日益增多,存在广阔的发展空间。机器同传是利用语音识别和机器翻译技术,自动识别演讲者的讲话内容,将语音转化为文字并翻译为目标语言。机器同传产品的价值主要体现在解决跨语言交流、跨语言信息获取等问题。机器同传应的用场景主要是国际会议,业界主流的展现形式是同传字幕显示在屏幕上。
目前,机器同传的双语字幕是按照“字”或“词”粒度以增量的形式实时上屏显示的,字幕实时更新,尤其最新的几个字变动概率较大。演讲者每多讲一个字,即对当前的语音识别结果进行实时翻译,直到一句话结束时翻译结果才会保持不变,会导致中间状态翻译效果较差,且翻译结果变动多、不稳定。
因此,目前的机器同传方案至少存在以下问题。同传字幕按“字”、“词”粒度上屏的方式不符合人的阅读习惯,字幕实时变动、闪烁、稳定性较差,阅读体验不佳。翻译结果不稳定,会随着原文的增量输入而实时更改已经上屏的翻译结果,增加用户的阅读负担。
本公开的实施例提出了一种显示方法,将待显示语言序列划分为具有语义的多个语义单元,将多个语义单元转化为字幕逐一进行显示,能够保证字幕显示效果的稳定性,提高用户阅读体验。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
图1是根据本公开一个实施例的可以应用显示方法和/或语义单元检测模型的训练方法的示例性***架构示意图。需要注意的是,图1所示仅为可以应用本公开实施例的***架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、***、环境或场景。
如图1所示,根据该实施例的***架构100可以包括多个终端设备101、网络102和服务器103。网络102用以在终端设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型,例如有线和/或无线通信链路等等。
用户可以使用终端设备101通过网络102与服务器103进行交互,以接收或发送消息等。终端设备101可以是各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机等等。
本公开实施例所提供的显示方法以及语义单元检测模型的训练方法中的至少之一一般可以由服务器103执行。相应地,本公开实施例所提供的显示装置以及语义单元检测模型的训练装置一般可以设置于服务器103中。本公开实施例所提供的显示方法以及语义单元检测模型的训练方法也可以由不同于服务器103且能够与终端设备101和/或服务器103通信的服务器或服务器集群执行。相应地,本公开实施例所提供的显示装置以及语义单元检测模型的训练装置也可以设置于不同于服务器103且能够与终端设备101和/或服务器103通信的服务器或服务器集群中
图2A是根据本公开的一个实施例的显示方法的流程图。
如图2A所示,该显示方法200可以包括操作S210~操作S230。
在操作S210,获取待显示语言序列。
例如,待显示语言序列可以是用户演讲所产生的实时语音流,或者是对语音流进行语音识别得到的文本序列。该待显示语言序列的获取可以来自于公开数据集,或者是经过了用户的授权。
在操作S220,将待显示语言序列划分为具有语义的多个语义单元。
例如,将待显示语言序列按照语义进行划分,得到具有语义的多个语义单元。
在待显示语言序列为语音流的情况下,每个语义单元包含至少一个语音片段,该至少一个片段是具有正确的语义意义的。在待显示语言序列为文本序列的情况下,每个语义单元包含至少一个字或词,且该至少一个字或词也是具有正确的语义意义的。
例如,待显示语言序列是文本序列“大家好,今天我为大家服务”,将该待显示语言序列划分为的多个语义单元为[大家好]、[今天]、[我]......,每个语义单元中的内容都是具有正确语义含义的词组或语句。
如果将上述待显示语言序列划分成的多个语义单元为[大家]、[好今天我]......,其中,语义单元[好今天我]是不具有正确的语义含义的。
在操作S230,将多个语义单元转化为字幕逐一进行显示。
例如,在待显示语言序列为语音流的情况下,将待显示语言序列的每个语义单元中的语音片段转化为文字,并作为字幕对各个语义单元逐一进行显示。在待显示语言序列为文本序列的情况下,将待显示语言序列的每个语义单元中的词组或语句作为字幕,并将各个语义单元逐一进行显示。
本公开实施例中,由于与每个语义单元对应的字幕是逐一进行显示的,即以语义单元为粒度进行显示,能够避免字幕实时变动和闪烁,保证字幕显示的稳定性。
图2B是根据本公开的一个实施例的显示方法的流程图。
如图2B所示,该显示方法200’可以包括操作S210’~操作S230’。
在操作S210’,获取源语言序列和目标语言序列。
例如,在同声传译场景下,需要将将演讲者的语音流识别为源语言序列并翻译为目标语言序列。
演讲者所采用的语言类型可以是中文、英文等,源语言序列也可以是中文、英文等,对应地,目标语言序列可以是英文、中文等。例如,演讲者使用中文演讲,产生中文的源语言序列,利用机器翻译可以将中文的源语言序列转化为英文的目标语言序列。
源语言序列和目标语言序列可以均为语音流,源语言序列和目标语言序列也可以均为文本序列,或者源语言序列和目标语言序列中的一个为语音流,另一个为文本序列,本公开对此不做限定。
在操作S220’,将源语言序列和目标语言序列中的至少之一划分为多个语义单元。
例如,针对源语言序列,可以按照语义划分为具有语义的多个语义单元。针对目标语言序列,可以针对源语言序列的每个语义单元逐一进行翻译,得到划分好的目标语言序列的语义单元,也可以将源语言序列翻译为完整的目标语言序列之后,将目标语言序列按照语义划分为具有语义的多个语义单元。
在操作S230’,将源语言序列和/或目标语言序列的多个语义单元转化为字幕逐一进行显示。
针对源语言序列,可以将源语言序列的语义单元转化为字幕,并以语义单元为粒度,逐一进行显示。例如,源语言序列的多个语义单元为[大家好]、[今天]、[我]......,在同传屏幕上的展现形式是依次展现[大家好]、[今天]、[我]......。
针对目标语言序列,可以将目标语言序列的语义单元转化为字幕,并以语义单元为粒度,逐一进行显示。例如,目标语言序列的多个语义单元为[hello everyone.]、[Today]、[I]......,在同传屏幕上的展现形式是依次展现[hello everyone.]、[T0day]、[I]......。
可以理解,以稳定的语义片段进行展示,更加符合用户的阅读习惯。但是本公开实施例不限于此,例如,源语言序列和目标语言序列中的至少之一也可以以“字”或“词”为粒度实时进行显示。例如,源语言序列以“字”或“词”为粒度实时进行显示,目标语言序列以意义单元为粒度进行显示。
本公开实施例中,源语言序列和目标语言序列中的至少之一以语义单元为粒度进行显示,能够提高字幕显示的稳定性。
图3A~3C是根据本公开的一个实施例的显示方法的示意图。
在本公开实施例中,源语言序列为“大家上午好。欢迎各位参加今天的活动”。对应的目标语言序列为“Good Morning.Welcome to today’s event.”。将源语言序列划分为具有语义的多个语义单元,分别是[大家上午好。]、[欢迎]、[各位参加今天的活动]。将目标语言序列划分为具有语义的多个语义单元,分别是[Good Morning.]、[Welcome]、[to today’s event.]。
以源语言序列和目标语言序列均以语义单元为粒度逐一进行上屏显示为例。图3A~图3B分别示出了屏幕300上连续三帧的画面。
如图3A所示,屏幕300在第一帧显示的源语言序列为语义单元[大家上午好。],显示的目标语言序列为语义单元[Good Morning.]。
如图3B所示,屏幕300在第二帧显示的源语言序列为语义单元[大家上午好。]、[欢迎],显示的目标语言序列为语义单元[Good Morning.]、[Welcome]。
如图3C所示,屏幕300在第三帧显示的源语言序列为语义单元[大家上午好。]、[欢迎]、[各位参加今天的活动],显示的目标语言序列为语义单元[Good Morning.]、[Welcome]、[to today’s event.]。
本公开实施例以语义单元为粒度上屏进行显示,不会对已经上屏的翻译内容做变化更新,保证已经上屏的翻译结果的稳定性。
根据本公开的实施例,具有语义的语义单元可以进一步理解为“无歧义语义单元”,无歧义语义单元可以理解为在将语言序列划分为多个无歧义语义单元的情况下,该多个无歧义语义单元中,上文无歧义语义单元的翻译结果与下文无歧义语义单元的翻译结果是彼此独立的,即上文无歧义语义单元的翻译结果不会随着下文无歧义语义单元的翻译结果而变化。这样在以无歧义语义单元为粒度进行显示时,不会对已经上屏的翻译内容做变化更新,保证已经上屏的翻译结果的稳定性。
进一步地,无歧义语义单元是指上文无歧义语义单元的翻译结果不会随下文无歧义语义单元的翻译结果而变化的最小片段。这样可以保证***的延迟较小。
图4是根据本公开的一个实施例的将语言序列划分为具有语义的多个语义单元的方法的***示意图。
如图4所示,***400包括语义单元检测模型410。语言序列401可以是文本序列,语义单元检测模型410用于对语言序列401中的每个字进行分类,得到每个字的标签,每个字的标签指示由该字以及该字之前的字组成的文本单元是否是具有语义的语义单元,例如语言序列401中的某个字的标签为1,指示由该字以及该字之前的字组成的文本单元是具有语义的语义单元。标签为0,指示由该字以及该字之前的字组成的文本单元不是具有语义的语义单元。
例如,语言序列401为“大家好今天我......”,将语言序列401输入到语义单元检测模型410,输出的具有标签的文本序列402为“大[0]家[0]好[1]今[0]天[1]我[1]......”。“大”的标签为0,表示[大]不是具有语义的语义单元,“家”的标签为0,表示[大家]不是具有语义的语义单元,这是由于[大家]的翻译结果会受到下文影响而发生变化。“好”的标签为1,表示[大家好]是具有语义的语义单元。
在具有标签的文本序列402中每个标签为1的位置处进行划分,可以得到语言序列401的划分结果序列403,划分结果序列403包括具有语义的多个语义单元,分别是[大家好]、[今天]、[我]......。
本公开实施例还提供了一种语义单元检测模型的训练方法。
图5是根据本公开的一个实施例的语义单元检测模型的训练方法的流程图。
如图5所示,该语义单元检测模型的训练方法500包括操作S510~S520。
在操作S510,获取样本语言序列。
例如,样本语言序列可以是语音流或者文本序列。样本语言序列可以是从公开数据集获取,或者是经过用户的授权得到的。
在样本语言序列为语音流的情况下,样本语言序列中的多个元素可以是多个语音片段,每个语音片段具有原始标签,每个语音片段的原始标签指示了由该语音片段以及该语音片段之前的语音片段组成的语音单元是否是是具有语义的语义单元。
在样本语言序列为文本序列的情况下,样本语言序列中的多个元素可以是多个字或词,每个字或词具有原始标签,每个字或词的原始标签指示了由该字或词以及该字或词之前的语音片段组成的文本单元是否是是具有语义的语义单元。
例如,样本语言序列是文本序列“上午10点我去了趟公园”,“上午”是第1个词,原始标签是0,表示第1个词组成的文本单元[上午]不是一个具有语义的语义单元。“10”是第2个词,原始标签是0,表示前2个词组成的文本单元[上午10]不是一个具有语义的语义单元。“点”是第3个词,原始标签是1,表示前3个词组成的文本单元[上午10点]是一个具有语义的语义单元。
在操作S520,使用样本语言序列以及样本语言序列中每个元素的原始标签来训练语义单元检测模型。
例如,将上述样本语言序列“上午10点我去了趟公园”以及上述样本语言序列中每个词的标签作为训练数据,对一个初始的语义单元检测模型(例如二分类模型)进行训练,得到经训练的语义单元检测模型。
例如,将样本语言序列输入到初始的语义单元检测模型,输出样本语言序列中每个字的预测标签,基于训练数据中样本语言序列的原始标签和模型输出的预测标签之间的差异,可以计算得到一个损失(例如交叉熵损失),根据该损失调整初始的语义单元检测模型,得到更新的语义单元检测模型,并基于该更新的语义单元检测模型,针对下一个样本语言序列,返回将样本语言序列输入到语义单元检测模型的步骤,即重复上述训练过程,直至样本语言序列的原始标签和模型输出的预测标签之间的损失满足预设条件(例如损失收敛),停止训练,得到经训练的语义单元检测模型。
将待划分的语言序列输入到上述经训练的语义单元检测模型,可以得到上述语言序列中每个字的标签。
本公开实施例通过使用样本语言序列以及样本语言序列中每个字或词的标签来训练语义单元检测模型,可以基于经训练的语义单元检测模型将语言序列划分为具有语义的多个语义单元。
图6是根据本公开的一个实施例的确定样本文本序列中的每个字的原始标签的方法的流程图。
如图6所示,该方法包括操作S610~S640。
在操作S610,获取与样本文本序列相对应的目标文本序列。
例如,样本语言序列为样本文本序列,与样本文本序列相对应的目标文本序列可以是将样本文本序列翻译成目标语言得到的文本。在一个实施例中,样本文本序列可以是中文,目标文本序列可以是英文。例如,样本文本序列为“上午10点我去了趟公园”,目标文本序列可以是“At 10 am,Iwent to the park”。
在操作S620,针对样本文本序列中的前i个字,将该前i个字翻译为初始目标语言片段。
例如,样本文本序列的长度可以是文本中包含的字或词的个数。样本文本序列为“上午10点我去了趟公园”,“上午”是第1个词,“10”是第2个词,“点”是第3个词,......,“公园”是第7个词,因此,该样本文本序列的长度是可以是7。
针对样本文本序列中的前i个词,将该前i个词翻译为初始目标语言片段。例如,将第1个词“上午”翻译为“Morning”,将前2个词“上午”和“10”翻译为“Morning 10”,将前3个词“上午”、“10”和“点”翻译为“At 10 am”,......,将前7个词翻译为“At 10 am,I went tothe park”。前7个词的翻译结果即为样本文本序列整句的翻译结果,也即样本目标文本序列。
在操作S630,将前i个字的初始目标语言片段与目标文本序列进行比对。
在操作S640,根据比对结果确定样本文本序列中的第i个字的原始标签。
例如,将第1个词的初始目标语言片段“Morning”与目标文本序列“At 10 am,Iwent to the park”进行比对。“At 10 am,Iwent to the park”中与第1个词对应的目标语言片段为“At 10 am”,“Morning”与“At 10 am”不相同,即“Morning”与“At 10 am,Iwentto the park”不匹配。因此,可以将第一个词的原始标签设置为0,表示第1个词组成的文本单元[上午]不是一个具有语义的语义单元。
又例如,将前2个词的初始目标语言片段“Morning 10”与目标文本序列“At10 am,Iwent to the park”进行比对。“At 10 am,Iwent to the park”中与前2个词对应的目标语言片段为“At 10 am”,“Morning 10”与“At 10 am”不相同。因此,将第2个词“10”的原始标签设置为0,表示前2个词组成的文本单元[上午10]不是一个具有语义的语义单元。
又例如,将前3个词的初始目标语言片段“At 10 am”与目标文本序列“At 10 am,Iwent to the park”进行比对。“At 10 am,I went to the park”中与前3个词对应的目标语言片段为“At 10 am”,初始目标语言片段“At 10 am”与目标语言片段“At 10 am”相同。因此,将第3个词“点”的原始标签设置为1,表示前3个词“上午10点”是一个具有语义的语义单元。
以此类推,可以得到第4个至第7个词的原始标签。
可以理解,前i个词的初始目标语言片段与目标文本序列中对应前i个词的目标语言片段相同的情况下,第i个词的原始标签为1。前i个词的初始目标语言片段与目标文本序列中对应前i个词的目标语言片段不相同的情况下,第i个词的原始标签为0。
以样本文本序列为“上午10点我去了趟公园”为例,将前1个至前7个词的初始目标语言片段与目标文本序列进行比对的结果如下表1所示。
表1
如表1所示,“上午10点我去了趟公园”最后的标签为“上午[0]10[0]点[1]我[1]去了[0]趟[1]公园[1]”。在标签为1的位置处进行划分,可以得到具有语义的多个语义单元,分别是[上午10点]、[我]、[去了趟]、[公园]。
图7是根据本公开的一个实施例的显示装置的框图。
如图7所示,该显示装置700包括第一获取模块701、划分模块702和显示模块703。
第一获取模块701用于获取待显示语言序列。
划分模块702用于将待显示语言序列划分为具有语义的多个语义单元。
显示模块703用于将多个语义单元转化为字幕逐一进行显示。
根据本公开的实施例,待显示语言序列包括源语言序列和目标语言序列,目标语言序列是对源语言序列进行翻译得到的。
划分模块702用于将源语言序列和目标语言序列中的至少之一划分为多个语义单元
显示模块703用于将源语言序列和/或目标语言序列的多个语义单元转化为字幕逐一进行显示。
根据本公开的实施例,具有语义的多个语义单元中,上文语义单元的翻译结果与下文语义单元的翻译结果彼此独立。
根据本公开的实施例,划分模块702用于使用语义单元检测模型将待显示语言序列划分为具有语义的多个语义单元。
根据本公开的实施例,待显示语言序列为待显示文本序列,划分模块702包括第一输入单元、确定单元和划分单元。
第一输入单元用于将待显示文本序列输入到语义单元检测模型,得到针对待显示文本序列中的每个字的标签,每个字的标签指示了由该字及该字之前的至少一个字所组成的文本单元是否为具有语义的语义单元。
确定单元用于确定待显示文本序列中具有目标标签的目标字,目标标签指示了由该目标标签的目标字以及位于目标字之前的至少一个字所组成的文本单元是具有语义的语义单元。
划分单元用于在待显示文本序列中的每个目标字的位置处进行划分,得到多个文本单元,作为具有语义的多个语义单元。
图8是根据本公开的一个实施例的语义单元检测模型的训练装置的框图。
如图8所示,该语义单元检测模型的训练装置800包括第二获取模块801和训练模块802。
第二获取模块801用于获取样本语言序列,样本语言序列包括多个元素,每个元素具有原始标签,每个元素的原始标签指示了由该元素及该元素之前的至少一个元素所组成的元素单元是否为具有语义的语义单元。
训练模块802用于使用样本语言序列以及样本语言序列中每个元素的原始标签来训练语义单元检测模型。
根据本公开的实施例,样本语言序列为样本文本序列,样本语言序列中的每个元素为样本文本序列中的每个字,样本文本序列的长度为L,L为大于等于1的整数。
语义单元检测模型的训练装置800还包括第三获取模块、翻译模块、比对模块和确定模块。
第三获取模块用于获取与样本文本序列相对应的目标文本序列,目标文本序列是对样本文本序列进行翻译得到的。
翻译模块用于针对样本文本序列中的前i个字,将该前i个字翻译为初始目标语言片段,i为大于等于1小于等于L的整数。
比对模块用于将前i个字的初始目标语言片段与目标文本序列进行比对。
确定模块用于根据比对结果确定样本文本序列中的第i个字的原始标签。
根据本公开的实施例,比对模块包括第一比对单元和第二比对单元。
第一比对单元用于在前i个字的初始目标语言片段与目标文本序列中与前i个字对应的目标语言片段相同的情况下,将第i个字的原始标签设置为正样本,表示样本文本序列中的前i个字所组成的文本单元是具有语义的语义单元。
第二比对单元用于在前i个字的初始目标语言片段与目标文本序列中与前i个字对应的目标语言片段不相同的情况下,将第i个字的原始标签设置为负样本,表示样本文本序列中的前i个字所组成的文本单元不是具有语义的语义单元。
根据本公开的实施例,样本语言序列为样本文本序列,样本语言序列中每个元素为样本文本序列中的每个字;训练模块802包括第二输入单元和调整单元。
第二输入单元用于将样本文本序列输入到语义单元检测模型,得到样本文本序列中每个字的预测标签。
调整单元用于根据样本文本序列中每个字的原始标签与预测标签之间的差异,来调整语义单元检测模型的参数,并针对下一个样本文本序列,返回将样本文本序列输入到语义单元检测模型的步骤,直至差异符合预设条件。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图9示出了可以用来实施本公开的实施例的示例电子设备900的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图9所示,设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM903中,还可存储设备900操作所需的各种程序和数据。计算单元901、ROM902以及RAM903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理,例如显示方法以及语义单元检测模型的训练方法。例如,在一些实施例中,显示方法以及语义单元检测模型的训练方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时,可以执行上文描述的显示方法以及语义单元检测模型的训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行显示方法以及语义单元检测模型的训练方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,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。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (23)
1.一种显示方法,包括:
获取待显示语言序列;
将所述待显示语言序列划分为具有语义的多个语义单元;以及
将所述多个语义单元转化为字幕逐一进行显示。
2.根据权利要求1所述的方法,其中,所述待显示语言序列包括源语言序列和目标语言序列,所述目标语言序列是对所述源语言序列进行翻译得到的;
所述将所述待显示语言序列划分为具有语义的多个语义单元包括:
将所述源语言序列和目标语言序列中的至少之一划分为多个语义单元;
所述将所述多个语义单元转化为字幕逐一进行显示包括:
将所述源语言序列和/或目标语言序列的多个语义单元转化为字幕逐一进行显示。
3.根据权利要求1或2所述的方法,其中,所述具有语义的多个语义单元中,上文语义单元的翻译结果与下文语义单元的翻译结果彼此独立。
4.根据权利要求1所述的方法,其中,所述将所述待显示语言序列划分为具有语义的多个语义单元包括:
使用语义单元检测模型将所述待显示语言序列划分为具有语义的多个语义单元。
5.根据权利要求4所述的方法,其中,所述待显示语言序列为待显示文本序列;所述使用语义单元检测模型将所述待显示语言序列划分为具有语义的多个语义单元包括:
将所述待显示文本序列输入到语义单元检测模型,得到针对所述待显示文本序列中的每个字的标签,所述每个字的标签指示了由该字及该字之前的至少一个字所组成的文本单元是否为具有语义的语义单元;
确定所述待显示文本序列中具有目标标签的目标字,所述目标标签指示了由该目标标签的目标字以及位于所述目标字之前的至少一个字所组成的文本单元是具有语义的语义单元;以及
在所述待显示文本序列中的每个目标字的位置处进行划分,得到多个文本单元,作为所述具有语义的多个语义单元。
6.一种语义单元检测模型的训练方法,包括:
获取样本语言序列,所述样本语言序列包括多个元素,每个元素具有原始标签,每个元素的原始标签指示了由该元素及该元素之前的至少一个元素所组成的元素单元是否为具有语义的语义单元;以及
使用所述样本语言序列以及所述样本语言序列中每个元素的原始标签来训练所述语义单元检测模型。
7.根据权利要求6所述的方法,其中,所述样本语言序列为样本文本序列,所述样本语言序列中的每个元素为所述样本文本序列中的每个字,所述样本文本序列的长度为L,L为大于等于1的整数;所述方法还包括:
获取与样本文本序列相对应的目标文本序列,所述目标文本序列是对所述样本文本序列进行翻译得到的;
针对样本文本序列中的前i个字,将该前i个字翻译为初始目标语言片段,i为大于等于1小于等于L的整数;
将前i个字的初始目标语言片段与所述目标文本序列进行比对;以及
根据比对结果确定样本文本序列中的第i个字的原始标签。
8.根据权利要求7所述的方法,其中,所述根据比对结果确定第i个字的原始标签包括:
在所述前i个字的初始目标语言片段与所述目标文本序列中与前i个字对应的目标语言片段相同的情况下,将第i个字的原始标签设置为正样本,表示样本文本序列中的前i个字所组成的文本单元是具有语义的语义单元;
在所述前i个字的初始目标语言片段与所述目标文本序列中与前i个字对应的目标语言片段不相同的情况下,将第i个字的原始标签设置为负样本,表示样本文本序列中的前i个字所组成的文本单元不是具有语义的语义单元。
9.根据权利要求6所述的方法,其中,所述样本语言序列为样本文本序列,所述样本语言序列中每个元素为所述样本文本序列中的每个字;所述使用所述样本语言序列以及所述样本语言序列中每个元素的原始标签来训练所述语义单元检测模型包括:
将所述样本文本序列输入到所述语义单元检测模型,得到所述样本文本序列中每个字的预测标签;以及
根据所述样本文本序列中每个字的原始标签与所述预测标签之间的差异,来调整所述语义单元检测模型的参数,并针对下一个样本文本序列,返回将样本文本序列输入到所述语义单元检测模型的步骤,直至所述差异符合预设条件。
10.根据权利要求6所述的方法,其中,所述样本语言序列为样本文本序列,所述样本语言序列中每个元素为所述样本文本序列中的每个字,所述样本文本序列基于该样本文本序列中每个字的原始标签被划分为具有语义的多个语义单元,所述具有语义的多个语义单元中,上文语义单元的翻译结果与下文语义单元的翻译结果彼此独立。
11.一种显示装置,包括:
第一获取模块,用于获取待显示语言序列;
划分模块,用于将所述待显示语言序列划分为具有语义的多个语义单元;以及
显示模块,用于将所述多个语义单元转化为字幕逐一进行显示。
12.根据权利要求11所述的装置,其中,所述待显示语言序列包括源语言序列和目标语言序列,所述目标语言序列是对所述源语言序列进行翻译得到的;
所述划分模块,用于将所述源语言序列和目标语言序列中的至少之一划分为多个语义单元;
所述显示模块,用于将所述源语言序列和/或目标语言序列的多个语义单元转化为字幕逐一进行显示。
13.根据权利要求11或12所述的装置,其中,所述具有语义的多个语义单元中,上文语义单元的翻译结果与下文语义单元的翻译结果彼此独立。
14.根据权利要求11所述的装置,其中,所述划分模块用于使用语义单元检测模型将所述待显示语言序列划分为具有语义的多个语义单元。
15.根据权利要求14所述的装置,其中,所述待显示语言序列为待显示文本序列;所述划分模块包括:
第一输入单元,用于将所述待显示文本序列输入到语义单元检测模型,得到针对所述待显示文本序列中的每个字的标签,所述每个字的标签指示了由该字及该字之前的至少一个字所组成的文本单元是否为具有语义的语义单元;
确定单元,用于确定所述待显示文本序列中具有目标标签的目标字,所述目标标签指示了由该目标标签的目标字以及位于所述目标字之前的至少一个字所组成的文本单元是具有语义的语义单元;以及
划分单元,用于在所述待显示文本序列中的每个目标字的位置处进行划分,得到多个文本单元,作为所述具有语义的多个语义单元。
16.一种语义单元检测模型的训练装置,包括:
第二获取模块,用于获取样本语言序列,所述样本语言序列包括多个元素,每个元素具有原始标签,每个元素的原始标签指示了由该元素及该元素之前的至少一个元素所组成的元素单元是否为具有语义的语义单元;以及
训练模块,用于使用所述样本语言序列以及所述样本语言序列中每个元素的原始标签来训练所述语义单元检测模型。
17.根据权利要求16所述的装置,其中,所述样本语言序列为样本文本序列,所述样本语言序列中的每个元素为所述样本文本序列中的每个字,所述样本文本序列的长度为L,L为大于等于1的整数;所述装置还包括:
第三获取模块,用于获取与样本文本序列相对应的目标文本序列,所述目标文本序列是对所述样本文本序列进行翻译得到的;
翻译模块,用于针对样本文本序列中的前i个字,将该前i个字翻译为初始目标语言片段,i为大于等于1小于等于L的整数;
比对模块,用于将前i个字的初始目标语言片段与所述目标文本序列进行比对;以及
确定模块,用于根据比对结果确定样本文本序列中的第i个字的原始标签。
18.根据权利要求17所述的装置,其中,所述比对模块包括:
第一比对单元,用于在所述前i个字的初始目标语言片段与所述目标文本序列中与前i个字对应的目标语言片段相同的情况下,将第i个字的原始标签设置为正样本,表示样本文本序列中的前i个字所组成的文本单元是具有语义的语义单元;
第二比对单元,用于在所述前i个字的初始目标语言片段与所述目标文本序列中与前i个字对应的目标语言片段不相同的情况下,将第i个字的原始标签设置为负样本,表示样本文本序列中的前i个字所组成的文本单元不是具有语义的语义单元。
19.根据权利要求16所述的装置,其中,所述样本语言序列为样本文本序列,所述样本语言序列中每个元素为所述样本文本序列中的每个字;所述训练模块包括:
第二输入单元,用于将所述样本文本序列输入到所述语义单元检测模型,得到所述样本文本序列中每个字的预测标签;以及
调整单元,用于根据所述样本文本序列中每个字的原始标签与所述预测标签之间的差异,来调整所述语义单元检测模型的参数,并针对下一个样本文本序列,返回将样本文本序列输入到所述语义单元检测模型的步骤,直至所述差异符合预设条件。
20.根据权利要求16所述的装置,其中,所述样本语言序列为样本文本序列,所述样本语言序列中每个元素为所述样本文本序列中的每个字,所述样本文本序列基于该样本文本序列中每个字的原始标签被划分为具有语义的多个语义单元,所述具有语义的多个语义单元中,上文语义单元的翻译结果与下文语义单元的翻译结果彼此独立。
21.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至10中任一项所述的方法。
22.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1至10中任一项所述的方法。
23.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1至10中任一项所述的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110951982.2A CN113642333A (zh) | 2021-08-18 | 2021-08-18 | 显示方法和装置、语义单元检测模型的训练方法和装置 |
JP2022111826A JP2022137190A (ja) | 2021-08-18 | 2022-07-12 | 表示方法及び装置、語義ユニット検出モデルのトレーニング方法及び装置、電子機器、記憶媒体およびコンピュータプログラム |
US17/820,768 US20220391594A1 (en) | 2021-08-18 | 2022-08-18 | Display method, method of training semantic unit detection model, electronic device, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110951982.2A CN113642333A (zh) | 2021-08-18 | 2021-08-18 | 显示方法和装置、语义单元检测模型的训练方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113642333A true CN113642333A (zh) | 2021-11-12 |
Family
ID=78422801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110951982.2A Pending CN113642333A (zh) | 2021-08-18 | 2021-08-18 | 显示方法和装置、语义单元检测模型的训练方法和装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220391594A1 (zh) |
JP (1) | JP2022137190A (zh) |
CN (1) | CN113642333A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160092438A1 (en) * | 2014-09-30 | 2016-03-31 | Kabushiki Kaisha Toshiba | Machine translation apparatus, machine translation method and program product for machine translation |
CN109582982A (zh) * | 2018-12-17 | 2019-04-05 | 北京百度网讯科技有限公司 | 用于翻译语音的方法和装置 |
CN111310481A (zh) * | 2020-01-19 | 2020-06-19 | 百度在线网络技术(北京)有限公司 | 语音翻译方法、装置、计算机设备和存储介质 |
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 |
-
2021
- 2021-08-18 CN CN202110951982.2A patent/CN113642333A/zh active Pending
-
2022
- 2022-07-12 JP JP2022111826A patent/JP2022137190A/ja active Pending
- 2022-08-18 US US17/820,768 patent/US20220391594A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160092438A1 (en) * | 2014-09-30 | 2016-03-31 | Kabushiki Kaisha Toshiba | Machine translation apparatus, machine translation method and program product for machine translation |
CN109582982A (zh) * | 2018-12-17 | 2019-04-05 | 北京百度网讯科技有限公司 | 用于翻译语音的方法和装置 |
CN111310481A (zh) * | 2020-01-19 | 2020-06-19 | 百度在线网络技术(北京)有限公司 | 语音翻译方法、装置、计算机设备和存储介质 |
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 (2)
Title |
---|
RUIQING ZHANG 等: "《Learning Adaptive Segmentation Policy for Simultaneous Translation》", 《PROCEEDINGS OF THE 2020 CONFERENCE ON EMPIRICAL METHODS IN NATURAL LANGUAGE PROCESSING》 * |
冯志伟: "基于短语和句法的统计机器翻译", 《燕山大学学报》 * |
Also Published As
Publication number | Publication date |
---|---|
US20220391594A1 (en) | 2022-12-08 |
JP2022137190A (ja) | 2022-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP4053802A1 (en) | Video classification method and apparatus, device and storage medium | |
CN112926306B (zh) | 文本纠错方法、装置、设备以及存储介质 | |
EP3916579A1 (en) | Method for resource sorting, method for training sorting model and corresponding apparatuses | |
US20210249019A1 (en) | Speech recognition method, system and storage medium | |
CN109785829B (zh) | 一种基于语音控制的客服辅助方法和*** | |
CN114861889B (zh) | 深度学习模型的训练方法、目标对象检测方法和装置 | |
US20220358955A1 (en) | Method for detecting voice, method for training, and electronic devices | |
US20220108684A1 (en) | Method of recognizing speech offline, electronic device, and storage medium | |
US20230015313A1 (en) | Translation method, classification model training method, device and storage medium | |
US20230140997A1 (en) | Method and Apparatus for Selecting Sample Corpus Used to Optimize Translation Model | |
CN112466289A (zh) | 语音指令的识别方法、装置、语音设备和存储介质 | |
CN114998881A (zh) | 深度学习模型的训练方法、文本识别方法、装置和设备 | |
CN110245334B (zh) | 用于输出信息的方法和装置 | |
CN115098729A (zh) | 视频处理方法、样本生成方法、模型训练方法及装置 | |
CN111783395B (zh) | 用于输出文本的方法和装置 | |
US20230076471A1 (en) | Training method, text translation method, electronic device, and storage medium | |
CN113642333A (zh) | 显示方法和装置、语义单元检测模型的训练方法和装置 | |
CN110895655A (zh) | 提取文本核心短语的方法和装置 | |
CN114880520A (zh) | 视频标题生成方法、装置、电子设备和介质 | |
CN114841175A (zh) | 机器翻译方法、装置、设备及存储介质 | |
CN114756691A (zh) | 结构图生成方法、模型的训练方法、图谱生成方法及装置 | |
CN112989805A (zh) | 一种文本检测方法、装置、设备及存储介质 | |
US11750689B2 (en) | Speech processing method and apparatus, device, storage medium and program | |
CN114818748B (zh) | 用于生成翻译模型的方法、翻译方法及装置 | |
CN114492456B (zh) | 文本生成方法、模型的训练方法、装置、电子设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |