CN115640815A - 翻译方法、装置、可读介质及电子设备 - Google Patents
翻译方法、装置、可读介质及电子设备 Download PDFInfo
- Publication number
- CN115640815A CN115640815A CN202211407229.8A CN202211407229A CN115640815A CN 115640815 A CN115640815 A CN 115640815A CN 202211407229 A CN202211407229 A CN 202211407229A CN 115640815 A CN115640815 A CN 115640815A
- Authority
- CN
- China
- Prior art keywords
- text
- target
- source
- modal
- image
- 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
- 238000013519 translation Methods 0.000 title claims abstract description 346
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012549 training Methods 0.000 claims description 41
- 238000012545 processing Methods 0.000 claims description 18
- 230000000873 masking effect Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 description 27
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000004927 fusion Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000013475 authorization Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000010332 selective attention Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Machine Translation (AREA)
Abstract
本公开实施例涉及一种翻译方法、装置、可读介质及电子设备。该方法包括:确定待翻译的源文本和源文本对应的源关联图像;将源文本和源关联图像输入预先生成的目标多模态翻译模型中,得到目标多模态翻译模型输出的目标翻译文本;其中,目标多模态翻译模型为根据样本数据对待定多模态翻译模型进行训练后生成的模型,样本数据包括多模态多语数据、单模态多语数据和多模态单语数据中的至少两种数据;多模态多语数据包括第一源语言文本、第一目标语言文本、以及第一源语言文本对应的第一图像,单模态多语数据包括第二源语言文本和第二目标语言文本,多模态单语数据包括第三目标语言文本和第二图像。
Description
技术领域
本公开涉及计算机技术领域,具体地,涉及一种翻译方法、装置、可读介质及电子设备。
背景技术
随着计算机技术的进步,机器翻译成为自然语言文本处理中的一个重要研究课题。机器翻译是指通过计算机或其他电子设备,将源语言的文本翻译到与之语义等价的目标语言文本的过程。而机器翻译中的多模态机器翻译可以进一步提升翻译准确度,多模态机器翻译是指融合来自文本、图像、声音等多种模态信息的机器翻译模型。相较于纯文本机器翻译模型,多模态信息机器翻译模型可借助文本模态之外的其他模态信息辅助和提升翻译结果,弥补单模态机器翻译的不足,提升机器翻译的准确性。例如,图像信息可以帮助消除歧义、提升准确性,在电商、对话等场景下尤为有用。
但是,在相关技术中,存在多模态机器翻译模型的翻译准确度不高的问题,影响多模态机器翻译的应用。
发明内容
提供该发明内容部分以便以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
根据本公开实施例的第一方面,提供一种翻译方法,所述方法包括:
确定待翻译的源文本和所述源文本对应的源关联图像;
将所述源文本和所述源关联图像输入预先生成的目标多模态翻译模型中,得到所述目标多模态翻译模型输出的目标翻译文本;
其中,所述目标多模态翻译模型为根据样本数据对待定多模态翻译模型进行训练后生成的模型,所述样本数据包括多模态多语数据、单模态多语数据和多模态单语数据中的至少两种数据;所述多模态多语数据包括第一源语言文本、第一目标语言文本、以及所述第一源语言文本对应的第一图像,所述单模态多语数据包括第二源语言文本和第二目标语言文本,所述多模态单语数据包括第三目标语言文本和第二图像,所述第一图像为所述第一源语言文本对应的关联图像,所述第二图像为所述第三目标语言文本对应的关联图像;所述第一源语言文本、所述第二源语言文本和所述源文本的语言类型相同,所述第一目标语言文本、所述第二目标语言文本、所述第三目标语言文本和所述目标翻译文本的语言类型相同。
根据本公开实施例的第二方面,提供一种翻译装置,所述装置包括:
确定模块,用于确定待翻译的源文本和所述源文本对应的源关联图像;
翻译模块,用于将所述源文本和所述源关联图像输入预先生成的目标多模态翻译模型中,得到所述目标多模态翻译模型输出的目标翻译文本;
其中,所述目标多模态翻译模型为根据样本数据对待定多模态翻译模型进行训练后生成的模型,所述样本数据包括多模态多语数据、单模态多语数据和多模态单语数据中的至少两种数据;所述多模态多语数据包括第一源语言文本、第一目标语言文本、以及所述第一源语言文本对应的第一图像,所述单模态多语数据包括第二源语言文本和第二目标语言文本,所述多模态单语数据包括第三目标语言文本和第二图像,所述第一图像为所述第一源语言文本对应的关联图像,所述第二图像为所述第三目标语言文本对应的关联图像;所述第一源语言文本、所述第二源语言文本和所述源文本的语言类型相同,所述第一目标语言文本、所述第二目标语言文本、所述第三目标语言文本和所述目标翻译文本的语言类型相同。
根据本公开实施例的第三方面,提供一种计算机可读介质,其上存储有计算机程序,所述计算机程序被处理装置执行时实现本公开第一方面所述方法的步骤。
根据本公开实施例的第四方面,提供一种电子设备,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现本公开第一方面所述方法的步骤。
采用上述技术方案,确定待翻译的源文本和源文本对应的源关联图像;将源文本和源关联图像输入预先生成的目标多模态翻译模型中,得到目标多模态翻译模型输出的目标翻译文本;其中,目标多模态翻译模型为根据样本数据对待定多模态翻译模型进行训练后生成的模型,样本数据包括多模态多语数据、单模态多语数据和多模态单语数据中的至少两种数据;多模态多语数据包括第一源语言文本、第一目标语言文本、以及第一源语言文本对应的第一图像,单模态多语数据包括第二源语言文本和第二目标语言文本,多模态单语数据包括第三目标语言文本和第二图像,第一图像为第一源语言文本对应的关联图像,第二图像为第三目标语言文本对应的关联图像;第一源语言文本、第二源语言文本和源文本的语言类型相同,第一目标语言文本、第二目标语言文本、第三目标语言文本和目标翻译文本的语言类型相同。这样,通过采用多模态多语数据、单模态多语数据和多模态单语数据等样本数据中的至少两种样本数据,对待定多模态翻译模型进行训练后生成目标多模态翻译模型,可以增加用于模型训练的样本数量,从而提升训练后的目标多模态翻译模型的翻译准确度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
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。在附图中:
图1是根据一示例性实施例示出的一种翻译方法的流程图。
图2是根据一示例性实施例示出的一种目标多模态翻译模型的结构示意图。
图3是根据一示例性实施例示出的一种目标多模态翻译模型的生成方法的流程图。
图4是根据一示例性实施例示出的一种目标多模态翻译模型训练的数据流的示意图。
图5是根据一示例性实施例示出的另一种目标多模态翻译模型的结构示意图。
图6是根据一示例性实施例示出的另一种目标多模态翻译模型的生成方法的流程图。
图7是根据一示例性实施例示出的另一种目标多模态翻译模型训练的数据流的示意图。
图8是根据一示例性实施例示出的另外一种目标多模态翻译模型的结构示意图。
图9是根据一示例性实施例示出的一种翻译装置的框图。
图10是根据一示例性实施例示出的另一种翻译装置的框图。
图11是根据一示例性实施例示出的一种电子设备的框图。
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”。在本公开的描述中,除非另有说明,“多个”是指两个或多于两个,其它量词与之类似;“至少一项(个)”、“一项(个)或多项(个)”或其类似表达,是指的这些项(个)中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,至少一项(个)a,可以表示任意数目个a;再例如,a,b和c中的一项(个)或多项(个),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个;“和/或”是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况,其中A,B可以是单数或者复数。
在本公开实施例中尽管在附图中以特定的顺序描述操作或步骤,但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作或步骤,或是要求执行全部所示的操作或步骤以得到期望的结果。在本公开的实施例中,可以串行执行这些操作或步骤;也可以并行执行这些操作或步骤;也可以执行这些操作或步骤中的一部分。
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。
可以理解的是,在使用本公开各实施例公开的技术方案之前,均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
例如,在响应于接收到用户的主动请求时,向用户发送提示信息,以明确地提示用户,其请求执行的操作将需要获取和使用到用户的个人信息。从而,使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
作为一种可选的但非限定性的实现方式,响应于接收到用户的主动请求,向用户发送提示信息的方式例如可以是弹窗的方式,弹窗中可以以文字的方式呈现提示信息。此外,弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。
可以理解的是,上述通知和获取用户授权过程仅是示意性的,不对本公开的实现方式构成限定,其它满足相关法律法规的方式也可应用于本公开的实现方式中。
同时,可以理解的是,本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
首先,对本公开的应用场景进行说明。本公开可以应用于机器翻译场景,特别是多模态机器翻译场景。多模态信息机器翻译模型可借助文本模态之外的其他模态信息辅助和提升翻译结果,弥补单模态机器翻译的不足,提升机器翻译的准确性。例如,图像信息可以帮助消除歧义、提升准确性,在电商、对话等场景下尤为有用。
在相关技术中,多模态机器翻译可以将源语言文本、目标语言文本和图片构成的三元组来作为训练和测试数据,但是,由于这类数据非常稀少、难以标注,导致训练得到的模型翻译准确度不高。
为了解决上述问题,本公开提供了一种翻译方法、装置、可读介质及电子设备,通过采用多模态多语数据、单模态多语数据和多模态单语数据等样本数据中的至少两种样本数据,对待定多模态翻译模型进行训练后生成目标多模态翻译模型,可以增加用于模型训练的样本数量,从而提升训练后的目标多模态翻译模型的翻译准确度。
下面结合具体实施例对本公开进行说明。
图1是根据一示例性实施例示出的一种翻译方法的流程图。该方法可以应用于电子设备,该电子设备可以包括终端设备,例如智能手机、智能可穿戴设备、智能音箱、智能平板、PDA(Personal Digital Assistant,个人数字助理)、CPE(Customer PremiseEquipment,客户终端设备)、个人计算机、车载终端等;该电子设备也可以包括服务器,例如本地服务器或云服务器。如图1所示,该方法可以包括:
S101、确定待翻译的源文本和源文本对应的源关联图像。
其中,该源文本可以是源语言对应的文本,该源关联图像可以是用于指示源文本表达的全部或部分语义的图像。示例地,若该源文本为黑色帽子,该源关联图像可以是一个黑色帽子的图像,也可以是一个任意颜色的帽子的图像,也可以是一个任意黑色物体的图像。
需要说明的是,该源文本可以是词语、句子、段落或文章,本公开对此不作限定。
S102、将源文本和源关联图像输入预先生成的目标多模态翻译模型中,得到目标多模态翻译模型输出的目标翻译文本。
其中,该目标多模态翻译模型为根据样本数据对待定多模态翻译模型进行训练后生成的模型,该样本数据可以包括多模态多语数据、单模态多语数据和多模态单语数据中的至少两种数据。
该多模态多语数据可以包括第一源语言文本、第一目标语言文本、以及第一源语言文本对应的第一图像,该单模态多语数据可以包括第二源语言文本和第二目标语言文本,该多模态单语数据可以包括第三目标语言文本和第二图像;上述第一源语言文本、第二源语言文本和源文本的语言类型可以相同,例如均为中文,第一目标语言文本、第二目标语言文本、第三目标语言文本和目标翻译文本的语言类型可以相同,例如均为英文。
在一些实施例中,该样本数据可以包括多模态多语数据、单模态多语数据和多模态单语数据。在另一些实施例中,该样本数据可以包括单模态多语数据和多模态单语数据。在另外一些实施例中,该样本数据可以包括多模态多语数据和多模态单语数据。在又一些实施例中,该样本数据可以包括多模态多语数据和单模态多语数据。
需要说明的是,上述第一图像可以是第一源语言文本对应的关联图像,该第一图像可以用于提示第一源语言文本的部分或全部语义,上述第二图像可以是第三目标语言文本对应的关联图像,该第二图像可以用于提示第三目标语言文本的部分或全部语义。
采用上述方法,确定待翻译的源文本和源文本对应的源关联图像;将源文本和源关联图像输入预先生成的目标多模态翻译模型中,得到目标多模态翻译模型输出的目标翻译文本;其中,目标多模态翻译模型为根据样本数据对待定多模态翻译模型进行训练后生成的模型,样本数据包括多模态多语数据、单模态多语数据和多模态单语数据中的至少两种数据;多模态多语数据包括第一源语言文本、第一目标语言文本、以及第一源语言文本对应的第一图像,单模态多语数据包括第二源语言文本和第二目标语言文本,多模态单语数据包括第三目标语言文本和第二图像,第一图像为第一源语言文本对应的关联图像,第二图像为第三目标语言文本对应的关联图像;第一源语言文本、第二源语言文本和源文本的语言类型相同,第一目标语言文本、第二目标语言文本、第三目标语言文本和目标翻译文本的语言类型相同。这样,通过采用多模态多语数据、单模态多语数据和多模态单语数据等样本数据中的至少两种样本数据,对待定多模态翻译模型进行训练后生成目标多模态翻译模型,可以增加用于模型训练的样本数量,从而提升训练后的目标多模态翻译模型的翻译准确度。
图2是根据一示例性实施例示出的一种目标多模态翻译模型的结构示意图。如图2所示,该目标多模态翻译模型包括图像编码器201、第一文本编码器202和第一文本解码器203。该图像编码器201的输出和第一文本编码器202的输出进行加权处理后可以输入第一文本解码器203。
需要说明的是,图2所示的目标多模态翻译模型也可以称为融合式多模态翻译模型,通过图像编码器可以生成源关联图像特征,将该源关联图像特征和源文本的文本特征融合后可以辅助对源文本进行翻译。基于该目标多模态翻译模型,上述S102步骤可以包括以下子步骤:
首先,将源关联图像输入图像编码器,得到图像编码器输出的源关联图像特征。
示例地,该图像编码器可以是CLIP(Contrastive Language-Image Pre-Training,对比语言图像预训练)模型中的图像编码器(ImageEncoder),该CLIP模型是可以用于匹配图像和文本的预训练神经网络模型,其中的图像编码器可以包括ResNet(Deepresidual network,深度残差神经网络)和/或ViT(Vision Transformer,视觉变换器),该CLIP模型可以直接使用大量的互联网数据进行预训练,提升图像和文本编码的准确性。
需要说明的是,该图像编码器也可以是相关技术中用于图像编码的神经网络,例如,卷积神经网络(CNN)、递归神经网络(RNN)、深信度网络(DBN)和生成对抗网络(GAN)等
其次,将源文本输入第一文本编码器,得到第一文本编码器输出的第一源文本特征。
示例地,该第一文本编码器也可以是上述CLIP模型中的文本编码器,该第一文本编码器也可以是相关技术对文本进行编码的神经网络。
再次,将第一源文本特征和源关联图像特征进行加权处理后得到目标特征。
示例地,可以将第一源文本特征和源关联图像特征进行加权求和,得到该目标特征。其中,第一源文本特征和源关联图像特征的权重可以预先设置,例如,可以设置第一源文本特征和源关联图像特征的权重均为50%;也可以设置第一源文本特征的权重为70%,源关联图像特征的权重均为30%。
最后,将目标特征输入第一文本解码器,得到第一文本解码器输出的目标翻译文本。
需要说明的是,该第一文本解码器也可以是相关技术中用于机器翻译的解码器,本公开对于该第一文本解码器的具体结构不作限定。
这样,可以通过目标多模态翻译模型中的图像编码器、第一文本编码器和第一文本解码器,对源文本和源关联图像进行处理,得到翻译后的目标翻译文本。
图3是根据一示例性实施例示出的一种目标多模态翻译模型的生成方法的流程图。如图3所示,可以通过对待定多模态翻译模型进行训练得到该目标多模态翻译模型,该待定多模态翻译模型的结构与目标多模态翻译模型相同,例如,该待定多模态翻译模型也可以包括图2所示的图像编码器、第一文本编码器和第一文本解码器。该方法可以包括:
S301、获取样本数据。
S302、根据样本数据循环执行第一训练步骤,直至确定训练后的待定多模态翻译模型满足第一预设停止迭代条件,将训练后的待定多模态翻译模型作为目标多模态翻译模型。
其中,该第一训练步骤可以包括:
S11、根据样本数据确定待定图像样本特征、第一待定源文本和第一待定目标文本。
其中,该样本数据可以包括上述多模态多语数据、单模态多语数据和多模态单语数据中的至少两项。对于不同类型的样本数据可以进行不同的处理,以便确定待定图像样本特征、第一待定源文本和第一待定目标文本。
在一些实施例中,在样本数据包含多模态多语数据的情况下,可以将第一图像输入图像编码器后输出的图像特征作为待定图像样本特征,将第一源语言文本作为第一待定源文本,并将第一目标语言文本作为第一待定目标文本。这样,可以得到用于训练的待定图像样本特征、第一待定源文本和第一待定目标文本。
在另一些实施例中,在样本数据包含单模态多语数据的情况下,可以将预设图像样本特征作为待定图像样本特征,将第二源语言文本作为第一待定源文本,并将第二目标语言文本作为第一待定目标文本。
示例地,该预设图像样本特征可以为0,也就是,可以将待定图像样本特征置零,该待定多模态翻译模型可以当作普通的文本Transformer模型。
在另外一些实施例中,在样本数据包含多模态单语数据的情况下,可以将第二图像输入图像编码器后输出的图像特征作为待定图像样本特征,将第三目标语言文本进行遮掩处理后得到的文本作为第一待定源文本,将第三目标语言文本作为第一待定目标文本。
其中,该遮掩处理可以包括,通过预设掩码(mask token)对第三目标语言文本进行遮掩,例如,可以随机遮住第三目标语言文本中的部分或全部文本,并可以将遮掩后的文本作为第一待定源文本。
在又一些实施例中,在样本数据包含多模态多语数据、单模态多语数据和多模态单语数据中的两项或三项的情况下,可以根据上述方式分别针对不同的数据进行处理,以得到待定图像样本特征、第一待定源文本和第一待定目标文本。
S12、将第一待定源文本输入第一文本编码器,得到第一文本编码器输出的第一文本样本特征。
S13、根据第一文本样本特征和第一图像样本特征确定第一多模态样本特征。
示例地,可以将第一文本样本特征和第一图像样本特征进行加权求和得到第一多模态样本特征。
S14、将第一多模态样本特征输入第一文本解码器,得到第一文本解码器输出的第一翻译文本;
S15、根据第一翻译文本和第一待定目标文本确定第一损失值,在根据第一损失值确定该待定多模态翻译模型不满足第一预设停止迭代条件的情况下,根据第一损失值更新待定多模态翻译模型的参数,得到训练后的待定多模态翻译模型,并将该训练后的待定多模态翻译模型作为新的待定多模态翻译模型。
在一些实施例中,该第一预设停止迭代条件可以包括以下条件中的任意一项或多项:
该第一损失值小于或等于预先设定的第一预设损失阈值;
该第一损失值在预设迭代次数内的变化量小于或等于预先设定的第一预设变化阈值,该预设迭代次数可以是预先设定的任意数值,例如最近2次迭代或最近10次迭代。
在另一些实施例中,该第一预设停止迭代条件也可以是相关技术中的其他停止迭代的条件,例如训练的总迭代次数大于或等于预先设置的预设迭代次数阈值,本公开对此不作限定。
另外,在根据该第一损失值确定该待定多模态翻译模型满足上述第一预设停止迭代条件的情况下,则可以停止执行该第一训练步骤,并将训练后的待定多模态翻译模型作为目标多模态翻译模型。
这样,通过上述方法,可以训练生成目标多模态翻译模型。
图4是根据一示例性实施例示出的一种目标多模态翻译模型训练的数据流的示意图。如图4所示,目标多模态翻译模型训练的数据可以包括样本数据41,该样本数据41可以包括上述多模态多语数据411、单模态多语数据412和多模态单语数据413中的至少两项。
如图4所示,该多模态多语数据411可以以“(x1,i1)→y1”的形式表征,其中,x1表示第一源语言文本4111(例如图4中的“Blackmask”),i1表示第一图像4112(例如图中的黑色口罩图片4112),y1表示第一目标语言文本(例如,可以是“黑色口罩”),该多模态多语数据411可以也可以称为三元组数据。该单模态多语数据412可以以“(x2)→y2”的形式表征,其中,x2表示第二源语言文本4121,y2表示第二目标语言文本,该单模态多语数据412也可以称为双语文本数据。该多模态单语数据413可以以“(y3*,i2)→y3”的形式表征,其中,i2表示第二图像4132,y3表示第三目标语言文本,y3*表示对第三目标语言文本进行遮掩处理后得到的文本4131,图中[MASK]表示此处的文本被遮掩。
在一些实施例中,可以使用图像编码器(例如CLIP模型中的图像编码器)将第一图像和/或第二图像提取为图像特征,通过第一文本编码器(例如CLIP模型中的文本编码器)将待定文本提取为文本特征,该待定文本可以包括上述第一源语言文本4111、第二源语言文本4121以及对第三目标语言文本进行遮掩处理后得到的文本4131中的至少两项,并把图像特征和文本特征做加权求和后得到目标特征,并将目标特征输入第一文本解码器,根据目标特征进行翻译。示例地:
对于上述多模态多语数据,可以通过图像编码器提取第一图像的图像特征,并通过第一文本编码器提取第一源语言文本的文本特征,将该图像特征和该文本特征做加权求和作为最终的目标特征,基于该目标特征进行机器翻译,也就是将该目标特征输入第一文本解码器进行翻译。
对于上述单模态多语数据,可以将图像特征置零,此时模型可以退化为普通的文本Transformer模型,直接通过第一文本编码器提取第二源语言文本的文本特征,并将该文本特征作为目标特征,基于该目标特征进行机器翻译,也就是将该目标特征输入第一文本解码器进行翻译。
对于上述多模态单语数据,则可以使用类似自监督学习的机制,使用预设掩码(mask token)随机遮住第三目标语言文本的部分原文,通过第一文本编码器提取被遮住原文后的第三目标语言文本的文本特征,通过图像编码器提取第二图像的图像特征,再将该图像特征和该文本特征做加权求和作为目标特征,并基于该目标特征进行机器翻译,也就是将该目标特征输入第一文本解码器进行翻译,例如做原文恢复。
这样,可以通过目标多模态翻译模型实现融合式多模态翻译,在训练中引入了更多类型的样本数据,提高了训练后模型的翻译准确性。
图5是根据一示例性实施例示出的另一种目标多模态翻译模型的结构示意图。如图5所示,该目标多模态翻译模型包括图像转换器501、第二文本编码器502和第二文本解码器503。该图像转换器501的输出可以作为该第二文本编码器502的输入,该第二文本编码器502的输出可以作为第二文本解码器503的输入。
需要说明的是,图5所示的目标多模态翻译模型也可以称为提示式多模态翻译模型,通过图像转换器生成目标提示文本,辅助对源文本进行翻译。基于该目标多模态翻译模型,上述S102步骤可以包括以下子步骤:
首先,将源关联图像输入图像转换器,得到图像转换器输出的目标提示文本。
示例地,该图像转换器可以是预先生成的图像标注模型(例如Caption Model等),用于将输入的图像提取提示关键字,输出目标提示文本,以便通过该目标提示文本辅助进行机器翻译。
其次,将源文本和目标提示文本输入第二文本编码器,得到文本编码器输出的第二源文本特征。
示例地,该第二文本编码器也可以是上述CLIP模型中的文本编码器,该第二文本编码器也可以是相关技术对文本进行编码的神经网络。可以将源文本和目标提示文本拼接后输入第二文本编码器,也可以将源文本和目标提示文本分别输入第二文本编码器。
最后,将第二源文本特征输入第二文本解码器,得到该文本解码器输出的目标翻译文本。
需要说明的是,该第二文本解码器可以是相关技术中用于机器翻译的解码器,本公开对于该第二文本解码器的具体结构不作限定。
这样,可以通过目标多模态翻译模型中的图像转换器、第二文本编码器和第二文本解码器,对源文本和源关联图像进行处理,得到翻译后的目标翻译文本。
图6是根据一示例性实施例示出的另一种目标多模态翻译模型的生成方法的流程图。如图6所示,可以通过对待定多模态翻译模型进行训练得到目标多模态翻译模型,该待定多模态翻译模型的结构与目标多模态翻译模型相同,例如,该待定多模态翻译模型也可以包括图4所示的图像转换器、第二文本编码器和第二文本解码器。该方法可以包括:
S601、获取样本数据。
S602、根据样本数据循环执行第二训练步骤,直至确定训练后的待定多模态翻译模型满足第二预设停止迭代条件,将训练后的待定多模态翻译模型作为目标多模态翻译模型。
其中,该第二训练步骤包括:
S21、根据样本数据确定待定提示文本、第二待定源文本和第二待定目标文本。
其中,该样本数据同样可以包括上述多模态多语数据、单模态多语数据和多模态单语数据中的至少两项。对于不同类型的样本数据可以进行不同的处理,以便确定待定提示文本、第二待定源文本和第二待定目标文本。
在一些实施例中,在样本数据包含多模态多语数据的情况下,将第一图像输入图像转换器后输出的文本作为待定提示文本,将第一源语言文本作为第二待定源文本,并将第一目标语言文本作为第二待定目标文本。
在另一些实施例中,在样本数据包含单模态多语数据的情况下,将预设提示文本作为待定提示文本,将第二源语言文本作为第二待定源文本,并将第二目标语言文本作为第二待定目标文本。
示例地,该预设提示文本可以为空文本。
在另外一些实施例中,在样本数据包含多模态单语数据的情况下,将第二图像输入图像转换器后输出的文本作为待定提示文本,将第三目标语言文本进行遮掩处理后得到的文本作为第二待定源文本,将第三目标语言文本作为第二待定目标文本。
同样地,该遮掩处理可以包括,通过预设掩码(mask token)对第三目标语言文本进行遮掩,例如,可以随机遮住第三目标语言文本中的部分或全部文本,并可以将遮掩后的文本作为第二待定源文本。
在又一些实施例中,在样本数据包含多模态多语数据、单模态多语数据和多模态单语数据中的两项或三项的情况下,可以根据上述方式分别针对不同的数据进行处理,以得到待定提示文本、第二待定源文本和第二待定目标文本。
S22、将第二待定源文本和待定提示文本输入第二文本编码器,得到第二文本编码器输出的第二文本样本特征。
在本步骤中,可以将第二待定源文本和待定提示文本拼接后输入第二文本编码器,也可以将第二待定源文本和待定提示文本分别输入第二文本编码器。
S23、将第二文本样本特征输入第二文本解码器,得到第二文本解码器输出的第二翻译文本。
S24、根据第二翻译文本和第二待定目标文本确定第二损失值,在根据第二损失值确定待定多模态翻译模型不满足第二预设停止迭代条件的情况下,根据第二损失值更新待定多模态翻译模型的参数,得到训练后的待定多模态翻译模型,并将该训练后的待定多模态翻译模型作为新的待定多模态翻译模型。
在一些实施例中,该第二预设停止迭代条件可以包括以下条件中的任意一项或多项:
该第二损失值小于或等于预先设定的第二预设损失阈值;
该第二损失值在预设迭代次数内的变化量小于或等于预先设定的第二预设变化阈值,该预设迭代次数可以是预先设定的任意数值,例如最近2次迭代或最近10次迭代。
在另一些实施例中,该第二预设停止迭代条件也可以是相关技术中的其他停止迭代的条件,例如,训练的总迭代次数大于或等于预先设置的预设迭代次数阈值等,本公开对此不作限定。
另外,在根据该第二损失值确定该待定多模态翻译模型满足上述第一预设停止迭代条件的情况下,则可以停止执行该第一训练步骤,并将训练后的待定多模态翻译模型作为目标多模态翻译模型。
这样,通过上述方法,可以训练生成目标多模态翻译模型。
图7是根据一示例性实施例示出的另一种目标多模态翻译模型训练的数据流的示意图。如图7所示,目标多模态翻译模型训练的数据可以包括样本数据41,该样本数据41可以包括上述多模态多语数据411、单模态多语数据412和多模态单语数据413中的至少两项。
关于上述样本数据的具体表示方式可以参考本公开对图4中描述,此处不再赘述。
基于图7,可以通过图像转换器(例如CaptionModel)将第一图像和/或第二图像转换为待定提示文本(例如提示关键字),根据该待定提示文本进行辅助翻译。示例地:
对于上述多模态多语数据,可以通过图像转换器将第一图像直接转换为待定提示文本,并将该待定提示文本和第一源语言文本拼接后作为新的输入文本,对待定多模态翻译模型中的第二文本编码器和第二文本解码器进行训练。
对于上述单模态多语数据,可以直接做平行语料的模型训练,此时模型退化为普通的文本Transformer模型。基于第二源语言文本和第二目标语言文本对待定多模态翻译模型中的第二文本编码器和第二文本解码器进行训练。
对于上述多模态单语数据,则可以使用类似自监督学习的机制,使用预设掩码(mask token)随机遮住第三目标语言文本的部分原文,通过图像转换器将第一图像直接转换为待定提示文本,并将该待定提示文本和被遮住原文后的第三目标语言文本进行拼接后作为新的输入文本,对待定多模态翻译模型中的第二文本编码器和第二文本解码器进行训练。
这样,可以通过目标多模态翻译模型实现提示式多模态翻译,在训练中引入了更多类型的样本数据,提高了训练后模型的翻译准确性。
图8是根据一示例性实施例示出的另外一种目标多模态翻译模型的结构示意图。如图8所示,该目标多模态翻译模型包括图像编码器201、图像转换器501、文本编码器802和文本解码器803。该图像转换器501的输出可以作为该文本编码器502的输入,该图像编码器201的输出和文本编码器802的输出进行加权处理后可以输入文本解码器803。
需要说明的是,关于上述图像编码器、图像转换器、文本编码器和文本解码器的具体实现方式可以参考本公开前述实施例中的描述,此处不再赘述。
这样,可以将上述融合式和提示式两种模型结合使用,进一步提升目标多模态翻译模型的翻译准确性。
为了验证本公开实施例中的目标多模态翻译模型的效果,对比验证了多种模型的BLEU(Bilingual Evaluation Understudy,双语评估替补)指标,对不同模型进行多模态翻译验证得到的BLEU指标如表1所示:
表1
表1中的选择性注意力翻译模型(selective attention)为相关技术中使用的多模态翻译模型,融合式多模态翻译模型为本公开实施例中图2所示的目标多模态翻译模型,提示式多模态翻译模型为本公开实施例中图5所示的目标多模态翻译模型,融合式+提示式多模态翻译模型为本公开实施例中图8所示的目标多模态翻译模型。
如表1所示,在使用多模态多语数据作为训练样本数据的情况下,选择性注意力翻译模型的BLEU指标为36.39,融合式多模态翻译模型的BLEU指标为37.18,提示式多模态翻译模型的BLEU指标为37.20,融合式+提示式多模态翻译模型的BLEU指标为37.03;
在使用“多模态多语数据+单模态多语数据”共同作为训练样本数据的情况下,融合式多模态翻译模型的BLEU指标为39.63,提示式多模态翻译模型的BLEU指标为38.22,融合式+提示式多模态翻译模型的BLEU指标为40.10;
在使用“多模态多语数据+单模态多语数据+多模态单语数据”共同作为训练样本数据的情况下,融合式多模态翻译模型的BLEU指标为41.49,提示式多模态翻译模型的BLEU指标为40.79,融合式+提示式多模态翻译模型的BLEU指标为41.62。
可见,本公开实施例提供的目标多模态翻译模型和翻译方法可以大幅度提升多模态翻译的效果。
图9是根据一示例性实施例示出的一种翻译装置1100的框图,如图9所示,该装置1100可以包括:
确定模块1101,用于确定待翻译的源文本和所述源文本对应的源关联图像;
翻译模块1102,用于将所述源文本和所述源关联图像输入预先生成的目标多模态翻译模型中,得到所述目标多模态翻译模型输出的目标翻译文本;
其中,所述目标多模态翻译模型为根据样本数据对待定多模态翻译模型进行训练后生成的模型,所述样本数据包括多模态多语数据、单模态多语数据和多模态单语数据中的至少两种数据;所述多模态多语数据包括第一源语言文本、第一目标语言文本、以及所述第一源语言文本对应的第一图像,所述单模态多语数据包括第二源语言文本和第二目标语言文本,所述多模态单语数据包括第三目标语言文本和第二图像,所述第一图像为所述第一源语言文本对应的关联图像,所述第二图像为所述第三目标语言文本对应的关联图像;所述第一源语言文本、所述第二源语言文本和所述源文本的语言类型相同,所述第一目标语言文本、所述第二目标语言文本、所述第三目标语言文本和所述目标翻译文本的语言类型相同。
根据本公开的一个或多个实施例,所述目标多模态翻译模型包括图像编码器、第一文本编码器和第一文本解码器;所述翻译模块1102,用于将所述源关联图像输入所述图像编码器,得到所述图像编码器输出的源关联图像特征;将所述源文本输入所述第一文本编码器,得到所述第一文本编码器输出的第一源文本特征;将所述第一源文本特征和所述源关联图像特征进行加权处理后得到目标特征;将所述目标特征输入所述第一文本解码器,得到所述第一文本解码器输出的目标翻译文本。
图10是根据一示例性实施例示出的另一种翻译装置1100的框图。所述待定多模态翻译模型包括所述图像编码器、所述第一文本编码器和所述第一文本解码器;如图10所示,该装置1100还可以包括:
生成模块1103,用于获取所述样本数据;根据所述样本数据循环执行第一训练步骤,直至确定训练后的待定多模态翻译模型满足第一预设停止迭代条件,将训练后的待定多模态翻译模型作为所述目标多模态翻译模型;
其中,所述第一训练步骤包括:根据所述样本数据确定待定图像样本特征、第一待定源文本和第一待定目标文本;将所述第一待定源文本输入所述第一文本编码器,得到所述第一文本编码器输出的第一文本样本特征;根据所述第一文本样本特征和所述第一图像样本特征确定第一多模态样本特征;将所述第一多模态样本特征输入所述第一文本解码器,得到所述第一文本解码器输出的第一翻译文本;根据所述第一翻译文本和所述第一待定目标文本确定第一损失值,在根据所述第一损失值确定所述待定多模态翻译模型不满足所述第一预设停止迭代条件的情况下,根据所述第一损失值更新所述待定多模态翻译模型的参数,得到训练后的待定多模态翻译模型,并将该训练后的待定多模态翻译模型作为新的待定多模态翻译模型。
根据本公开的一个或多个实施例,所述生成模块1103,用于在所述样本数据包含所述多模态多语数据的情况下,将所述第一图像输入所述图像编码器后输出的图像特征作为所述待定图像样本特征,将所述第一源语言文本作为所述第一待定源文本,并将所述第一目标语言文本作为所述第一待定目标文本,或者,在所述样本数据包含所述单模态多语数据的情况下,将预设图像样本特征作为所述待定图像样本特征,将所述第二源语言文本作为所述第一待定源文本,并将所述第二目标语言文本作为所述第一待定目标文本;或者,在所述样本数据包含所述多模态单语数据的情况下,将所述第二图像输入所述图像编码器后输出的图像特征作为所述待定图像样本特征,将所述第三目标语言文本进行遮掩处理后得到的文本作为所述第一待定源文本,将所述第三目标语言文本作为所述第一待定目标文本。
根据本公开的一个或多个实施例,所述目标多模态翻译模型包括图像转换器、第二文本编码器和第二文本解码器;所述翻译模块1102,用于将所述源关联图像输入所述图像转换器,得到所述图像转换器输出的目标提示文本;将所述源文本和所述目标提示文本输入所述第二文本编码器,得到所述文本编码器输出的第二源文本特征;将第二源文本特征输入所述第二文本解码器,得到所述文本解码器输出的目标翻译文本。
根据本公开的一个或多个实施例,所述待定多模态翻译模型包括所述图像转换器、所述第二文本编码器和所述第二文本解码器;所述生成模块1103,用于获取所述样本数据;根据所述样本数据循环执行第二训练步骤,直至确定训练后的待定多模态翻译模型满足第二预设停止迭代条件,将训练后的待定多模态翻译模型作为所述目标多模态翻译模型;
其中,所述第二训练步骤包括:根据所述样本数据确定待定提示文本、第二待定源文本和第二待定目标文本;将所述第二待定源文本和所述待定提示文本输入所述第二文本编码器,得到所述第二文本编码器输出的第二文本样本特征;将所述第二文本样本特征输入所述第二文本解码器,得到所述第二文本解码器输出的第二翻译文本;根据所述第二翻译文本和所述第二待定目标文本确定第二损失值,在根据所述第二损失值确定所述待定多模态翻译模型不满足所述第二预设停止迭代条件的情况下,根据所述第二损失值更新所述待定多模态翻译模型的参数,得到训练后的待定多模态翻译模型,并将该训练后的待定多模态翻译模型作为新的待定多模态翻译模型。
根据本公开的一个或多个实施例,所述生成模块1103,用于在所述样本数据包含所述多模态多语数据的情况下,将所述第一图像输入所述图像转换器后输出的文本作为所述待定提示文本,将所述第一源语言文本作为所述第二待定源文本,并将所述第一目标语言文本作为所述第二待定目标文本;或者,在所述样本数据包含所述单模态多语数据的情况下,将预设提示文本作为所述待定提示文本,将所述第二源语言文本作为所述第二待定源文本,并将所述第二目标语言文本作为所述第二待定目标文本;或者,在所述样本数据包含所述多模态单语数据的情况下,将所述第二图像输入所述图像转换器后输出的文本作为所述待定提示文本,将所述第三目标语言文本进行遮掩处理后得到的文本作为所述第二待定源文本,将所述第三目标语言文本作为所述第二待定目标文本。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
下面参考图11,其示出了适于用来实现本公开实施例的电子设备2000(例如终端设备或服务器)的结构示意图。本公开实施例中的终端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。本公开实施例中的服务器可以包括但不限于诸如本地服务器、云服务器、单个服务器、分布式服务器等。图11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11所示,电子设备2000可以包括处理装置(例如中央处理器、图形处理器等)2001,其可以根据存储在只读存储器(ROM)2002中的程序或者从存储装置2008加载到随机访问存储器(RAM)2003中的程序而执行各种适当的动作和处理。在RAM2003中,还存储有电子设备2000操作所需的各种程序和数据。处理装置2001、ROM2002以及RAM2003通过总线2004彼此相连。输入/输出(I/O)接口2005也连接至总线2004。
通常,以下装置可以连接至输入/输出接口2005: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2006;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置2007;包括例如磁带、硬盘等的存储装置2008;以及通信装置2009。通信装置2009可以允许电子设备2000与其他设备进行无线或有线通信以交换数据。虽然图11示出了具有各种装置的电子设备2000,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2009从网络上被下载和安装,或者从存储装置2008被安装,或者从ROM2002被安装。在该计算机程序被处理装置2001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可以包括但不限于电、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:确定待翻译的源文本和所述源文本对应的源关联图像;将所述源文本和所述源关联图像输入预先生成的目标多模态翻译模型中,得到所述目标多模态翻译模型输出的目标翻译文本;其中,所述目标多模态翻译模型为根据样本数据对待定多模态翻译模型进行训练后生成的模型,所述样本数据包括多模态多语数据、单模态多语数据和多模态单语数据中的至少两种数据;所述多模态多语数据包括第一源语言文本、第一目标语言文本、以及所述第一源语言文本对应的第一图像,所述单模态多语数据包括第二源语言文本和第二目标语言文本,所述多模态单语数据包括第三目标语言文本和第二图像,所述第一图像为所述第一源语言文本对应的关联图像,所述第二图像为所述第三目标语言文本对应的关联图像;所述第一源语言文本、所述第二源语言文本和所述源文本的语言类型相同,所述第一目标语言文本、所述第二目标语言文本、所述第三目标语言文本和所述目标翻译文本的语言类型相同。
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模块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,模块的名称在某种情况下并不构成对该模块本身的限定,例如,确定模块还可以被描述为“确定待翻译的源文本和所述源文本对应的源关联图像的模块”。
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。
根据本公开的一个或多个实施例,一种翻译方法,所述方法包括:
确定待翻译的源文本和所述源文本对应的源关联图像;
将所述源文本和所述源关联图像输入预先生成的目标多模态翻译模型中,得到所述目标多模态翻译模型输出的目标翻译文本;
其中,所述目标多模态翻译模型为根据样本数据对待定多模态翻译模型进行训练后生成的模型,所述样本数据包括多模态多语数据、单模态多语数据和多模态单语数据中的至少两种数据;所述多模态多语数据包括第一源语言文本、第一目标语言文本、以及所述第一源语言文本对应的第一图像,所述单模态多语数据包括第二源语言文本和第二目标语言文本,所述多模态单语数据包括第三目标语言文本和第二图像,所述第一图像为所述第一源语言文本对应的关联图像,所述第二图像为所述第三目标语言文本对应的关联图像;所述第一源语言文本、所述第二源语言文本和所述源文本的语言类型相同,所述第一目标语言文本、所述第二目标语言文本、所述第三目标语言文本和所述目标翻译文本的语言类型相同。
根据本公开的一个或多个实施例,所述目标多模态翻译模型包括图像编码器、第一文本编码器和第一文本解码器;所述将所述源文本和所述源关联图像输入预先生成的目标多模态翻译模型中,得到所述目标多模态翻译模型输出的目标翻译文本包括:
将所述源关联图像输入所述图像编码器,得到所述图像编码器输出的源关联图像特征;
将所述源文本输入所述第一文本编码器,得到所述第一文本编码器输出的第一源文本特征;
将所述第一源文本特征和所述源关联图像特征进行加权处理后得到目标特征;
将所述目标特征输入所述第一文本解码器,得到所述第一文本解码器输出的目标翻译文本。
根据本公开的一个或多个实施例,所述待定多模态翻译模型包括所述图像编码器、所述第一文本编码器和所述第一文本解码器;所述目标多模态翻译模型为通过以下方式生成的:
获取所述样本数据;
根据所述样本数据循环执行第一训练步骤,直至确定训练后的待定多模态翻译模型满足第一预设停止迭代条件,将训练后的待定多模态翻译模型作为所述目标多模态翻译模型;
其中,所述第一训练步骤包括:
根据所述样本数据确定待定图像样本特征、第一待定源文本和第一待定目标文本;
将所述第一待定源文本输入所述第一文本编码器,得到所述第一文本编码器输出的第一文本样本特征;
根据所述第一文本样本特征和所述第一图像样本特征确定第一多模态样本特征;
将所述第一多模态样本特征输入所述第一文本解码器,得到所述第一文本解码器输出的第一翻译文本;
根据所述第一翻译文本和所述第一待定目标文本确定第一损失值,在根据所述第一损失值确定所述待定多模态翻译模型不满足所述第一预设停止迭代条件的情况下,根据所述第一损失值更新所述待定多模态翻译模型的参数,得到训练后的待定多模态翻译模型,并将该训练后的待定多模态翻译模型作为新的待定多模态翻译模型。
根据本公开的一个或多个实施例,所述根据所述样本数据确定待定图像样本特征、第一待定源文本和第一待定目标文本包括:
在所述样本数据包含所述多模态多语数据的情况下,将所述第一图像输入所述图像编码器后输出的图像特征作为所述待定图像样本特征,将所述第一源语言文本作为所述第一待定源文本,并将所述第一目标语言文本作为所述第一待定目标文本,或者,
在所述样本数据包含所述单模态多语数据的情况下,将预设图像样本特征作为所述待定图像样本特征,将所述第二源语言文本作为所述第一待定源文本,并将所述第二目标语言文本作为所述第一待定目标文本;或者
在所述样本数据包含所述多模态单语数据的情况下,将所述第二图像输入所述图像编码器后输出的图像特征作为所述待定图像样本特征,将所述第三目标语言文本进行遮掩处理后得到的文本作为所述第一待定源文本,将所述第三目标语言文本作为所述第一待定目标文本。
根据本公开的一个或多个实施例,所述目标多模态翻译模型包括图像转换器、第二文本编码器和第二文本解码器;所述将所述源文本和所述源关联图像输入预先生成的目标多模态翻译模型中,得到所述目标多模态翻译模型输出的目标翻译文本包括:
将所述源关联图像输入所述图像转换器,得到所述图像转换器输出的目标提示文本;
将所述源文本和所述目标提示文本输入所述第二文本编码器,得到所述文本编码器输出的第二源文本特征;
将第二源文本特征输入所述第二文本解码器,得到所述文本解码器输出的目标翻译文本。
根据本公开的一个或多个实施例,所述待定多模态翻译模型包括所述图像转换器、所述第二文本编码器和所述第二文本解码器;所述目标多模态翻译模型为通过以下方式生成的:
获取所述样本数据;
根据所述样本数据循环执行第二训练步骤,直至确定训练后的待定多模态翻译模型满足第二预设停止迭代条件,将训练后的待定多模态翻译模型作为所述目标多模态翻译模型;
其中,所述第二训练步骤包括:
根据所述样本数据确定待定提示文本、第二待定源文本和第二待定目标文本;
将所述第二待定源文本和所述待定提示文本输入所述第二文本编码器,得到所述第二文本编码器输出的第二文本样本特征;
将所述第二文本样本特征输入所述第二文本解码器,得到所述第二文本解码器输出的第二翻译文本;
根据所述第二翻译文本和所述第二待定目标文本确定第二损失值,在根据所述第二损失值确定所述待定多模态翻译模型不满足所述第二预设停止迭代条件的情况下,根据所述第二损失值更新所述待定多模态翻译模型的参数,得到训练后的待定多模态翻译模型,并将该训练后的待定多模态翻译模型作为新的待定多模态翻译模型。
根据本公开的一个或多个实施例,所述根据所述样本数据确定待定提示文本、第二待定源文本和第二待定目标文本包括:
在所述样本数据包含所述多模态多语数据的情况下,将所述第一图像输入所述图像转换器后输出的文本作为所述待定提示文本,将所述第一源语言文本作为所述第二待定源文本,并将所述第一目标语言文本作为所述第二待定目标文本;或者,
在所述样本数据包含所述单模态多语数据的情况下,将预设提示文本作为所述待定提示文本,将所述第二源语言文本作为所述第二待定源文本,并将所述第二目标语言文本作为所述第二待定目标文本;或者,
在所述样本数据包含所述多模态单语数据的情况下,将所述第二图像输入所述图像转换器后输出的文本作为所述待定提示文本,将所述第三目标语言文本进行遮掩处理后得到的文本作为所述第二待定源文本,将所述第三目标语言文本作为所述第二待定目标文本。
根据本公开的一个或多个实施例,提供一种翻译装置,所述装置包括:
确定模块,用于确定待翻译的源文本和所述源文本对应的源关联图像;
翻译模块,用于将所述源文本和所述源关联图像输入预先生成的目标多模态翻译模型中,得到所述目标多模态翻译模型输出的目标翻译文本;
其中,所述目标多模态翻译模型为根据样本数据对待定多模态翻译模型进行训练后生成的模型,所述样本数据包括多模态多语数据、单模态多语数据和多模态单语数据中的至少两种数据;所述多模态多语数据包括第一源语言文本、第一目标语言文本、以及所述第一源语言文本对应的第一图像,所述单模态多语数据包括第二源语言文本和第二目标语言文本,所述多模态单语数据包括第三目标语言文本和第二图像,所述第一图像为所述第一源语言文本对应的关联图像,所述第二图像为所述第三目标语言文本对应的关联图像;所述第一源语言文本、所述第二源语言文本和所述源文本的语言类型相同,所述第一目标语言文本、所述第二目标语言文本、所述第三目标语言文本和所述目标翻译文本的语言类型相同。
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。关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
Claims (10)
1.一种翻译方法,其特征在于,所述方法包括:
确定待翻译的源文本和所述源文本对应的源关联图像;
将所述源文本和所述源关联图像输入预先生成的目标多模态翻译模型中,得到所述目标多模态翻译模型输出的目标翻译文本;
其中,所述目标多模态翻译模型为根据样本数据对待定多模态翻译模型进行训练后生成的模型,所述样本数据包括多模态多语数据、单模态多语数据和多模态单语数据中的至少两种数据;所述多模态多语数据包括第一源语言文本、第一目标语言文本、以及所述第一源语言文本对应的第一图像,所述单模态多语数据包括第二源语言文本和第二目标语言文本,所述多模态单语数据包括第三目标语言文本和第二图像,所述第一图像为所述第一源语言文本对应的关联图像,所述第二图像为所述第三目标语言文本对应的关联图像;所述第一源语言文本、所述第二源语言文本和所述源文本的语言类型相同,所述第一目标语言文本、所述第二目标语言文本、所述第三目标语言文本和所述目标翻译文本的语言类型相同。
2.根据权利要求1所述的方法,其特征在于,所述目标多模态翻译模型包括图像编码器、第一文本编码器和第一文本解码器;所述将所述源文本和所述源关联图像输入预先生成的目标多模态翻译模型中,得到所述目标多模态翻译模型输出的目标翻译文本包括:
将所述源关联图像输入所述图像编码器,得到所述图像编码器输出的源关联图像特征;
将所述源文本输入所述第一文本编码器,得到所述第一文本编码器输出的第一源文本特征;
将所述第一源文本特征和所述源关联图像特征进行加权处理后得到目标特征;
将所述目标特征输入所述第一文本解码器,得到所述第一文本解码器输出的目标翻译文本。
3.根据权利要求2所述的方法,其特征在于,所述待定多模态翻译模型包括所述图像编码器、所述第一文本编码器和所述第一文本解码器;所述目标多模态翻译模型为通过以下方式生成的:
获取所述样本数据;
根据所述样本数据循环执行第一训练步骤,直至确定训练后的待定多模态翻译模型满足第一预设停止迭代条件,将训练后的待定多模态翻译模型作为所述目标多模态翻译模型;
其中,所述第一训练步骤包括:
根据所述样本数据确定待定图像样本特征、第一待定源文本和第一待定目标文本;
将所述第一待定源文本输入所述第一文本编码器,得到所述第一文本编码器输出的第一文本样本特征;
根据所述第一文本样本特征和所述第一图像样本特征确定第一多模态样本特征;
将所述第一多模态样本特征输入所述第一文本解码器,得到所述第一文本解码器输出的第一翻译文本;
根据所述第一翻译文本和所述第一待定目标文本确定第一损失值,在根据所述第一损失值确定所述待定多模态翻译模型不满足所述第一预设停止迭代条件的情况下,根据所述第一损失值更新所述待定多模态翻译模型的参数,得到训练后的待定多模态翻译模型,并将该训练后的待定多模态翻译模型作为新的待定多模态翻译模型。
4.根据权利要求3所述的方法,其特征在于,所述根据所述样本数据确定待定图像样本特征、第一待定源文本和第一待定目标文本包括:
在所述样本数据包含所述多模态多语数据的情况下,将所述第一图像输入所述图像编码器后输出的图像特征作为所述待定图像样本特征,将所述第一源语言文本作为所述第一待定源文本,并将所述第一目标语言文本作为所述第一待定目标文本,或者,
在所述样本数据包含所述单模态多语数据的情况下,将预设图像样本特征作为所述待定图像样本特征,将所述第二源语言文本作为所述第一待定源文本,并将所述第二目标语言文本作为所述第一待定目标文本;或者,
在所述样本数据包含所述多模态单语数据的情况下,将所述第二图像输入所述图像编码器后输出的图像特征作为所述待定图像样本特征,将所述第三目标语言文本进行遮掩处理后得到的文本作为所述第一待定源文本,将所述第三目标语言文本作为所述第一待定目标文本。
5.根据权利要求1所述的方法,其特征在于,所述目标多模态翻译模型包括图像转换器、第二文本编码器和第二文本解码器;所述将所述源文本和所述源关联图像输入预先生成的目标多模态翻译模型中,得到所述目标多模态翻译模型输出的目标翻译文本包括:
将所述源关联图像输入所述图像转换器,得到所述图像转换器输出的目标提示文本;
将所述源文本和所述目标提示文本输入所述第二文本编码器,得到所述文本编码器输出的第二源文本特征;
将第二源文本特征输入所述第二文本解码器,得到所述文本解码器输出的目标翻译文本。
6.根据权利要求5所述的方法,其特征在于,所述待定多模态翻译模型包括所述图像转换器、所述第二文本编码器和所述第二文本解码器;所述目标多模态翻译模型为通过以下方式生成的:
获取所述样本数据;
根据所述样本数据循环执行第二训练步骤,直至确定训练后的待定多模态翻译模型满足第二预设停止迭代条件,将训练后的待定多模态翻译模型作为所述目标多模态翻译模型;
其中,所述第二训练步骤包括:
根据所述样本数据确定待定提示文本、第二待定源文本和第二待定目标文本;
将所述第二待定源文本和所述待定提示文本输入所述第二文本编码器,得到所述第二文本编码器输出的第二文本样本特征;
将所述第二文本样本特征输入所述第二文本解码器,得到所述第二文本解码器输出的第二翻译文本;
根据所述第二翻译文本和所述第二待定目标文本确定第二损失值,在根据所述第二损失值确定所述待定多模态翻译模型不满足所述第二预设停止迭代条件的情况下,根据所述第二损失值更新所述待定多模态翻译模型的参数,得到训练后的待定多模态翻译模型,并将该训练后的待定多模态翻译模型作为新的待定多模态翻译模型。
7.根据权利要求6所述的方法,其特征在于,所述根据所述样本数据确定待定提示文本、第二待定源文本和第二待定目标文本包括:
在所述样本数据包含所述多模态多语数据的情况下,将所述第一图像输入所述图像转换器后输出的文本作为所述待定提示文本,将所述第一源语言文本作为所述第二待定源文本,并将所述第一目标语言文本作为所述第二待定目标文本;或者,
在所述样本数据包含所述单模态多语数据的情况下,将预设提示文本作为所述待定提示文本,将所述第二源语言文本作为所述第二待定源文本,并将所述第二目标语言文本作为所述第二待定目标文本;或者,
在所述样本数据包含所述多模态单语数据的情况下,将所述第二图像输入所述图像转换器后输出的文本作为所述待定提示文本,将所述第三目标语言文本进行遮掩处理后得到的文本作为所述第二待定源文本,将所述第三目标语言文本作为所述第二待定目标文本。
8.一种翻译装置,其特征在于,所述装置包括:
确定模块,用于确定待翻译的源文本和所述源文本对应的源关联图像;
翻译模块,用于将所述源文本和所述源关联图像输入预先生成的目标多模态翻译模型中,得到所述目标多模态翻译模型输出的目标翻译文本;
其中,所述目标多模态翻译模型为根据样本数据对待定多模态翻译模型进行训练后生成的模型,所述样本数据包括多模态多语数据、单模态多语数据和多模态单语数据中的至少两种数据;所述多模态多语数据包括第一源语言文本、第一目标语言文本、以及所述第一源语言文本对应的第一图像,所述单模态多语数据包括第二源语言文本和第二目标语言文本,所述多模态单语数据包括第三目标语言文本和第二图像,所述第一图像为所述第一源语言文本对应的关联图像,所述第二图像为所述第三目标语言文本对应的关联图像;所述第一源语言文本、所述第二源语言文本和所述源文本的语言类型相同,所述第一目标语言文本、所述第二目标语言文本、所述第三目标语言文本和所述目标翻译文本的语言类型相同。
9.一种计算机可读介质,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装置执行时实现权利要求1至7中任一项所述方法的步骤。
10.一种电子设备,其特征在于,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现权利要求1至7中任一项所述方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211407229.8A CN115640815A (zh) | 2022-11-10 | 2022-11-10 | 翻译方法、装置、可读介质及电子设备 |
PCT/CN2023/130388 WO2024099342A1 (zh) | 2022-11-10 | 2023-11-08 | 翻译方法、装置、可读介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211407229.8A CN115640815A (zh) | 2022-11-10 | 2022-11-10 | 翻译方法、装置、可读介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115640815A true CN115640815A (zh) | 2023-01-24 |
Family
ID=84949325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211407229.8A Pending CN115640815A (zh) | 2022-11-10 | 2022-11-10 | 翻译方法、装置、可读介质及电子设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115640815A (zh) |
WO (1) | WO2024099342A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117034965A (zh) * | 2023-08-08 | 2023-11-10 | 中国科学院自动化研究所 | 基于视觉语言预训练的图像文本翻译方法及装置 |
WO2024099342A1 (zh) * | 2022-11-10 | 2024-05-16 | 北京有竹居网络技术有限公司 | 翻译方法、装置、可读介质及电子设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110245364B (zh) * | 2019-06-24 | 2022-10-28 | 中国科学技术大学 | 零平行语料多模态神经机器翻译方法 |
CN111967277B (zh) * | 2020-08-14 | 2022-07-19 | 厦门大学 | 基于多模态机器翻译模型的翻译方法 |
CN112800785B (zh) * | 2021-04-13 | 2021-07-27 | 中国科学院自动化研究所 | 多模态机器翻译方法、装置、电子设备和存储介质 |
CN115640815A (zh) * | 2022-11-10 | 2023-01-24 | 北京有竹居网络技术有限公司 | 翻译方法、装置、可读介质及电子设备 |
-
2022
- 2022-11-10 CN CN202211407229.8A patent/CN115640815A/zh active Pending
-
2023
- 2023-11-08 WO PCT/CN2023/130388 patent/WO2024099342A1/zh unknown
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024099342A1 (zh) * | 2022-11-10 | 2024-05-16 | 北京有竹居网络技术有限公司 | 翻译方法、装置、可读介质及电子设备 |
CN117034965A (zh) * | 2023-08-08 | 2023-11-10 | 中国科学院自动化研究所 | 基于视觉语言预训练的图像文本翻译方法及装置 |
CN117034965B (zh) * | 2023-08-08 | 2024-03-22 | 中国科学院自动化研究所 | 基于视觉语言预训练的图像文本翻译方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2024099342A1 (zh) | 2024-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11775761B2 (en) | Method and apparatus for mining entity focus in text | |
CN115640815A (zh) | 翻译方法、装置、可读介质及电子设备 | |
CN112633947B (zh) | 文本生成模型生成方法、文本生成方法、装置及设备 | |
CN111046677B (zh) | 一种翻译模型的获取方法、装置、设备和存储介质 | |
CN112509562B (zh) | 用于文本后处理的方法、装置、电子设备和介质 | |
CN114861889B (zh) | 深度学习模型的训练方法、目标对象检测方法和装置 | |
CN111563390B (zh) | 文本生成方法、装置和电子设备 | |
CN112270200B (zh) | 一种文本信息的翻译方法、装置、电子设备和存储介质 | |
WO2022037419A1 (zh) | 音频内容识别方法、装置、设备和计算机可读介质 | |
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 | |
CN115908640A (zh) | 生成图像的方法、装置、可读介质及电子设备 | |
CN113761888A (zh) | 文本翻译方法、装置、计算机设备及存储介质 | |
CN112883968A (zh) | 图像字符识别方法、装置、介质及电子设备 | |
CN115578570A (zh) | 图像处理方法、装置、可读介质及电子设备 | |
CN114765025A (zh) | 语音识别模型的生成方法、识别方法、装置、介质及设备 | |
CN117034923A (zh) | 一种训练方法、文本评估方法、装置、介质及设备 | |
WO2023138361A1 (zh) | 图像处理方法、装置、可读存储介质及电子设备 | |
CN116662496A (zh) | 信息抽取方法、训练问答处理模型的方法及装置 | |
CN115858732A (zh) | 实体链接方法及设备 | |
CN116186545A (zh) | 预训练模型的训练、应用方法、装置、电子设备及介质 | |
CN111737572B (zh) | 搜索语句生成方法、装置和电子设备 | |
CN115688808A (zh) | 翻译方法、装置、可读介质及电子设备 | |
CN112270170B (zh) | 一种隐式表述语句的分析方法、装置、介质和电子设备 | |
CN113283115B (zh) | 图像模型生成方法、装置和电子设备 | |
US20240233334A1 (en) | Multi-modal data retrieval method and apparatus, medium, and electronic device |
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 |