KR102342066B1 - 뉴럴 네트워크 모델을 이용한 기계 번역 방법, 장치 및 그 장치를 학습시키기 위한 방법 - Google Patents
뉴럴 네트워크 모델을 이용한 기계 번역 방법, 장치 및 그 장치를 학습시키기 위한 방법 Download PDFInfo
- Publication number
- KR102342066B1 KR102342066B1 KR1020170078398A KR20170078398A KR102342066B1 KR 102342066 B1 KR102342066 B1 KR 102342066B1 KR 1020170078398 A KR1020170078398 A KR 1020170078398A KR 20170078398 A KR20170078398 A KR 20170078398A KR 102342066 B1 KR102342066 B1 KR 102342066B1
- Authority
- KR
- South Korea
- Prior art keywords
- vector value
- sentence
- machine translation
- learning
- keyword
- Prior art date
Links
- 238000013519 translation Methods 0.000 title claims abstract description 171
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000013528 artificial neural network Methods 0.000 title description 10
- 238000003062 neural network model Methods 0.000 claims abstract description 64
- 239000000284 extract Substances 0.000 claims abstract description 19
- 230000015654 memory Effects 0.000 claims description 7
- 230000014616 translation Effects 0.000 description 141
- 238000010586 diagram Methods 0.000 description 20
- 241000699666 Mus <mouse, genus> Species 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 6
- 210000004027 cell Anatomy 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 241000699670 Mus sp. Species 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 2
- 241000283984 Rodentia Species 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/40—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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
- G06F3/08—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers from or to individual record carriers, e.g. punched card, memory card, integrated circuit [IC] card or smart card
-
- 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
- G06F40/49—Data-driven translation using very large corpora, e.g. the web
-
- 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
- G06F40/51—Translation evaluation
-
- 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
- G06F40/53—Processing of non-Latin text
-
- 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
- G06F40/55—Rule-based translation
- G06F40/56—Natural language generation
-
- 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
- G06N3/04—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
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Human Computer Interaction (AREA)
- Machine Translation (AREA)
Abstract
뉴럴 네트워크 모델을 이용한 기계 번역 방법 및 기계 번역 장치가 개시된다. 기계 번역 장치는 소스 문장으로부터 키워드 관련 정보를 추출하고, 추출된 키워드 관련 정보에 기초하여 소스 문장과 관련된 추가 문장을 검색한다. 기계 번역 장치는 뉴럴 네트워크 모델 기반의 인코더들을 이용하여 소스 문장 및 추가 문장으로부터 각각 제1 벡터 값 및 제2 벡터 값을 획득한다. 기계 번역 장치는 뉴럴 네트워크 모델 기반의 디코더를 이용하여 제1 벡터 값 또는 제2 벡터 값에 기초하여 소스 문장의 번역 결과에 대응하는 타겟 문장을 출력한다.
Description
아래의 설명은 뉴럴 네트워크 모델을 이용하여 문장을 번역하는 기술에 관한 것이다.
기계 번역이란 컴퓨터에 의해 자동화된 번역을 의미한다. 기계 번역은 규칙 기반 기계 번역(Rule-based Machine Translation), 예제 기반 기계 번역(Example-based Machine Translation), 통계 기반 기계 번역(Statistical Machine Translation) 및 인공 신경망 기반 기계 번역(Neural Machine Translation)으로 나뉜다. 여기서, 인공 신경망 기계 번역은 뉴럴 네트워크(neural network) 기술 및 딥 러닝(Deep learning) 기술의 발전으로 인해 다른 기계 번역 보다 높은 정확도를 가지게 되었다.
전술한 배경기술은 발명자가 본 발명의 도출과정에서 보유하거나 습득한 것으로서, 반드시 본 발명의 출원 전에 일반 공중에 공개된 공지기술이라고 할 수는 없다.
일 실시예에 따른 뉴럴 네트워크 모델을 이용한 기계 번역 방법은, 소스 문장으로부터 키워드 관련 정보를 추출하는 단계, 상기 추출된 키워드 관련 정보에 기초하여 상기 소스 문장과 관련된 추가 문장(supplement sentence)을 검색하는 단계, 뉴럴 네트워크 모델 기반의 인코더들을 이용하여 상기 소스 문장 및 상기 추가 문장으로부터 각각 제1 벡터 값 및 제2 벡터 값을 획득하는 단계 및 뉴럴 네트워크 모델 기반의 디코더를 이용하여 상기 제1 벡터 값 또는 상기 제2 벡터 값에 기초하여 상기 소스 문장의 번역 결과에 대응하는 타겟 문장을 출력하는 단계를 포함할 수 있다.
상기 타겟 문장을 출력하는 단계는, 상기 제1 벡터 값 및 상기 제2 벡터 값을 결합함으로써 제3 벡터 값을 결정하는 단계 및 상기 제3 벡터 값으로부터 상기 타겟 문장을 획득하는 단계를 포함할 수 있다.
상기 타겟 문장을 출력하는 단계는, 상기 제1 벡터 값이 미리 설정된 조건을 만족하는 경우, 상기 제1 벡터 값과 상기 제2 벡터 값이 결합됨으로써 결정된 제3 벡터 값으로부터 상기 타겟 문장을 출력하고, 상기 제1 벡터 값이 미리 설정된 조건을 만족하지 않는 경우, 상기 제1 벡터 값으로부터 상기 타겟 문장을 출력할 수 있다.
상기 제1 벡터 값은, 뉴럴 네트워크 모델 기반의 인코더를 이용하여 상기 제2 벡터 값 및 상기 소스 문장으로부터 획득될 수 있다.
상기 키워드 관련 정보를 추출하는 단계는, 상기 키워드를 포함하는 문서의 개수, 상기 키워드가 문서에 나타나는 빈도 및 검색 대상이 되는 전체 문서의 개수를 기초로 상기 키워드 관련 정보를 추출할 수 있다.
상기 추가 문장을 검색하는 단계는, 데이터베이스 또는 웹으로부터 상기 키워드 관련 정보를 기초로 추가 문장을 검색할 수 있다.
일 실시예에 따른 뉴럴 네트워크 모델을 이용한 기계 번역 학습 방법은, 학습 소스 문장으로부터 키워드 관련 정보를 추출하는 단계, 상기 추출된 키워드 관련 정보에 기초하여 상기 학습 소스 문장과 관련된 학습 추가 문장을 검색하는 단계, 뉴럴 네트워크 모델 기반의 인코더들을 이용하여 상기 학습 소스 문장 및 상기 학습 추가 문장으로부터 각각 제1 벡터 값 및 제2 벡터 값을 획득하는 단계 및 뉴럴 네트워크 모델 기반의 디코더를 이용하여 상기 제1 벡터 값 또는 상기 제2 벡터 값에 기초하여 상기 학습 소스 문장의 번역 결과에 대응하는 타겟 문장을 출력하는 단계 및 상기 타겟 문장의 정확도를 평가하여 상기 인코더들 및 상기 디코더를 학습시키는 단계를 포함할 수 있다.
일 실시예에 따른 뉴럴 네트워크 모델을 이용한 기계 번역 장치는, 적어도 하나의 프로세서, 상기 프로세서에 의해 실행될 인스트럭션들(instructions)을 저장하는 적어도 하나의 메모리를 포함하고, 상기 인스트럭션들을 수행하는 것에 의해 상기 프로세서는, 소스 문장으로부터 키워드 관련 정보를 추출하고, 상기 추출된 키워드 관련 정보에 기초하여 상기 소스 문장과 관련된 추가 문장을 검색하고, 상기 소스 문장 및 상기 추가 문장으로부터 각각 제1 벡터 값 및 제2 벡터 값을 획득하고, 상기 제1 벡터 값 또는 상기 제2 벡터 값에 기초하여 상기 소스 문장의 번역 결과에 대응하는 타겟 문장을 출력할 수 있다.
도 1은 일 실시예에 따른 뉴럴 네트워크 모델을 이용하여 기계 번역을 수행하기 위한 시스템의 전체적인 구성을 도시한 도면이다.
도 2는 일 실시예에 따른 뉴럴 네트워크 모델을 이용하여 기계 번역을 수행하는 순서도를 도시한 도면이다.
도 3은 일 실시예에 따른 제1 벡터와 제2 벡터를 결합하여 기계 번역을 수행하는 일례를 도시한 도면이다.
도 4는 일 실시예에 따른 뉴럴 네트워크 모델을 이용하여 제1 벡터와 제2 벡터를 결합하는 일례를 도시한 도면이다.
도 5은 다른 실시예에 따른 제1 벡터를 제2 인코더의 입력으로 사용하여 기계 번역을 수행하는 일례를 도시한 도면이다.
도 6는 다른 실시예에 따른 뉴럴 네트워크 모델을 이용하여 제1 벡터를 제2 인코더의 입력으로 사용하는 일례를 도시한 도면이다.
도 7은 일 실시예에 따른 기계 번역을 위한 뉴럴 네트워크 모델을 학습하는 방법의 순서도를 도시한 도면이다.
도 8은 일 실시예에 따른 제1 벡터와 제2 벡터를 결합하여 기계 번역을 위한 뉴럴 네트워크 모델을 학습하는 일례를 도시한 도면이다.
도 9는 다른 실시예에 따른 제1 벡터를 제2 인코더의 입력으로 사용하여 기계 번역을 위한 뉴럴 네트워크 모델을 학습하는 일례를 도시한 도면이다.
도 10은 일 실시예에 따른 기계 번역 장치의 구성을 도시한 도면이다.
도 2는 일 실시예에 따른 뉴럴 네트워크 모델을 이용하여 기계 번역을 수행하는 순서도를 도시한 도면이다.
도 3은 일 실시예에 따른 제1 벡터와 제2 벡터를 결합하여 기계 번역을 수행하는 일례를 도시한 도면이다.
도 4는 일 실시예에 따른 뉴럴 네트워크 모델을 이용하여 제1 벡터와 제2 벡터를 결합하는 일례를 도시한 도면이다.
도 5은 다른 실시예에 따른 제1 벡터를 제2 인코더의 입력으로 사용하여 기계 번역을 수행하는 일례를 도시한 도면이다.
도 6는 다른 실시예에 따른 뉴럴 네트워크 모델을 이용하여 제1 벡터를 제2 인코더의 입력으로 사용하는 일례를 도시한 도면이다.
도 7은 일 실시예에 따른 기계 번역을 위한 뉴럴 네트워크 모델을 학습하는 방법의 순서도를 도시한 도면이다.
도 8은 일 실시예에 따른 제1 벡터와 제2 벡터를 결합하여 기계 번역을 위한 뉴럴 네트워크 모델을 학습하는 일례를 도시한 도면이다.
도 9는 다른 실시예에 따른 제1 벡터를 제2 인코더의 입력으로 사용하여 기계 번역을 위한 뉴럴 네트워크 모델을 학습하는 일례를 도시한 도면이다.
도 10은 일 실시예에 따른 기계 번역 장치의 구성을 도시한 도면이다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
한편, 어떤 실시예가 달리 구현 가능한 경우에 특정 블록 내에 명기된 기능 또는 동작이 순서도와 다르게 수행될 수 있다. 예를 들어, 연속하는 두 블록들이 실제로는 실질적으로 동시에 수행될 수도 있고, 관련된 기능 또는 동작에 따라서는 해당 블록들의 순서가 뒤바뀌어 수행될 수도 있다.
이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 일 실시예에 따른 뉴럴 네트워크 모델을 이용하여 기계 번역을 수행하기 위한 시스템의 전체적인 구성을 도시한 도면이다.
일 실시예에 따르면, 기계 번역 장치(110)는 소스 문장(source sentence)(131)과 관련된 추가 문장(supplement sentence)(133)을 이용하여 소스 문장(131)의 번역의 정확도를 향상시킬 수 있다. 소스 문장(131)은 번역의 대상이 되는 문장을 의미한다. 타겟 문장(target sentence)(135)은 소스 문장(131)에 대응하는 번역의 결과를 의미한다. 추가 문장(133)은 소스 문장(131)과 관련되고, 타겟 문장(135)의 정확도를 향상시키는 문장을 의미한다. 추가 문장(133)은 문장에 한정되지 않고 단어, 구 또는 절을 포함할 수 있다. 추가 문장(133)은 도움 문장으로 지칭될 수 있다.
예를 들어, 기계 번역 장치(110)는 "The best way to eradicate a mouse"라는 소스 문장(131)을 번역할 수 있다. 만일, 기계 번역 장치(110)를 학습하는 과정에서 학습 데이터 중에 "mouse"에 관한 학습 데이터가 충분이 제공되지 않는다면, 타겟 문장(135)에서 "쥐"가 명확하게 번역되지 않을 수 있다. 반면에, 기계 번역 장치(110)가 "Mouse is ... tail"과 같은 추가 문장(133)을 이용하여 "mouse"의 의미를 보다 명확하게 해석할 수 있다면, 기계 번역 장치(110)는 "쥐를 박멸하기 위한 최선의 방법"이라는 타겟 문장(135)으로 소스 문장(131)을 정확하게 번역할 수 있다.
학습 데이터는 병렬 코퍼스(parallel corpus)와 단일 코퍼스(mono corpus)로 분류될 수 있다. 병렬 코퍼스는 입력과 입력에 대응되는 출력이 한 쌍을 이루는 데이터를 의미한다. 단일 코퍼스는 입력만 존재하고 입력에 대응되는 출력은 없는 데이터를 의미한다.
학습 장치는 병렬 코퍼스를 이용하여 기계 번역 장치(110)를 학습시킴으로써 기계 번역 장치(110)의 정확도를 높일 수 있다. 학습 장치는 학습 소스 문장을 기계 번역 장치(110)에 입력하고, 타겟 문장을 출력한다. 학습 장치는 타겟 문장을 학습 소스 문장의 병렬 코퍼스의 나머지 짝과 비교하여 정확도를 판단한다. 여기서, 학습 소스 문장의 나머지 짝은 학습 소스 문장에 대응되는 정확한 번역 결과이다. 학습 장치는 정확도가 미리 설정된 기준보다 낮은 경우 정확도가 높아지는 방향으로 기계 번역 장치(110)의 내부 파라미터를 조정할 수 있다.
병렬 코퍼스의 수가 많을수록 기계 번역 장치(110)의 정확도가 높아지지만, 병렬 코퍼스의 수를 확보하는 것은 쉽지 않을 수 있다. 충분한 정확도를 획득하기 위해선 최소 수백만에서 수천만의 병렬 코퍼스가 학습 데이터로서 확보되어야 하지만, 학습 데이터를 확보하는 작업은 보통 큰 비용을 요구한다. 또한, 기계 번역 장치(110)는 학습 과정에서 학습하지 못한 단어나 문장에 대해 오류를 생성한다. 학습하지 못한 단어나 문장에 대해 기계 번역 장치(110)는 전혀 다른 의미의 문장으로 번역하거나 비슷한 철자의 다른 의미를 가지는 문장으로 번역할 수 있다.
일 실시예에 따르면, 기계 번역 장치(110)를 학습하기 위한 학습 장치는 소스 문장(131)을 기초로 추가 문장(133)을 검색함으로써 풍부한 학습 데이터를 획득할 수 있다. 학습 장치는 병렬 코퍼스에 없는 단어나 문장에 관하여 모노 코퍼스를 이용하여 기계 번역 장치(110)를 학습시킴으로써 오류가 발생할 확률을 낮출 수 있다.
추가 문장(133)은 모노 코퍼스의 일종이다. 모노 코퍼스는 병렬 코퍼스보다 확보하기에 용이하다. 모노 코퍼스는 전자적으로 저장된 모든 정보를 포함할 수 있다. 예를 들어, 기계 번역 장치(110)는 모노 코퍼스의 데이터베이스(121)로부터 소스 문장(131)과 관련된 추가 문장(133)을 검색할 수 있다. 다른 예로, 기계 번역 장치(110)는 웹(123)에서 모노 코퍼스를 확보할 수 있고, 웹(123)에서 소스 문장(131)과 관련된 추가 문장(133)을 검색할 수 있다.
일 실시예에 따르면, 기계 번역 장치(110)는 뉴럴 네트워크(neural network) 모델을 이용하여 소스 문장(131)을 번역할 수 있다. 뉴럴 네트워크 모델은 인공 신경망 모델로 지칭될 수 있다. 학습 장치는 뉴럴 네트워크 모델을 이용하여 엔드-투-엔드(end-to-end) 방식으로 기계 번역 장치(110)를 학습시킴으로써 추가 문장과 관련된 언어 모델을 별도로 학습시킬 필요가 없다. 엔드-투-엔드 방식이란 뉴럴 네트워크의 입력 레이어에서 히든 레이러를 거쳐 출력 레이어까지의 전체의 경로에서 입력에 따른 출력으로부터 레이어 각각의 가중치를 직접 조정하는 방식을 의미할 수 있다. 기계 번역 장치(110)는 소스 문장과 추가 문장을 다양한 방식으로 조합할 수 있다.
도 2는 일 실시예에 따른 뉴럴 네트워크 모델을 이용하여 기계 번역을 수행하는 순서도를 도시한 도면이다.
일 실시예에 따르면, 기계 번역 장치는 소스 문장을 기초로 소스 문장과 관련된 추가 문장을 모노 코퍼스로부터 검색하고, 검색된 추가 문장을 이용하여 번역의 성능을 향상시킬 수 있다. 기계 번역 장치는 소스 문장에서 키워드와 관련된 정보를 추출하고, 추출된 키워드와 관련된 정보를 이용하여 추가 문장을 모노 코퍼스로부터 검색할 수 있다.
일 실시예에 따르면, 단계(210)에서 기계 번역 장치는 소스 문장으로부터 키워드 관련 정보를 추출할 수 있다. 키워드 관련 정보는 하나의 키워드 또는 복수의 키워드를 포함할 수 있다. 키워드 관련 정보는 하나의 키워드를 나타내는 수치 또는 복수의 키워드를 나타내는 수치를 포함할 수 있다. 키워드 관련 정보는 키워드를 포함하는 문장 전체의 특징을 나타내는 수치를 포함할 수 있다.
기계 번역 장치는 다양한 방식으로 소스 문장에서 키워드 관련 정보를 추출할 수 있다. 기계 번역 장치는 문장이나 문서에서 각 단어의 중요도를 상대적으로 평가하여 키워드를 추출할 수 있다. 기계 번역 장치는 키워드를 포함하는 문서의 개수, 키워드가 문서에 나타나는 빈도 및 검색 대상이 되는 전체 문서의 개수를 기초로 키워드 관련 정보를 추출할 수 있다.
예를 들어, 기계 번역 장치는 수학식 1을 이용하는 TF-IDF (term frequency-inverse document frequency) 방식을 이용할 수 있다.
수학식 1에서 i는 단어의 식별 본호이고, j는 단어가 포함된 문장 또는 문서의 식별 번호이다. Wi,j는 단어 i의 문장 또는 문서 j에서의 TF-IDF값을 의미한다. tfi,j 는 단어 i가 문장 또는 문서 j에서 나타나는 빈도를 의미한다. dfi는 단어 i를 포함하는 문서의 개수를 의미한다. N 은 전체 문서의 개수를 의미한다.
log(N/dfi)는 IDF 값을 의미한다. IDF 값은 해당 단어가 전체 문서에서 적게 출현할수록 높은 값을 가지게 된다. 기계 번역 장치는 전체 문서 대신 병렬 코퍼스에 있는 전체 문장을 고려함으로써, 병렬 코퍼스에 포함되지 않거나 개수가 적어서 학습이 이루어지지 않는 단어의 IDF 값을 높일 수 있다. IDF 값이 높아짐에 따라 학습이 이루어지지 않는 단어가 키워드로 선택될 확률이 높아질 수 있다.
기계 번역 장치는 IDF 값이 높은 단어를 키워드로 선택할 수 있다. 기계 번역 장치는 키워드를 이용하여 모노 코퍼스에서 추가 문장을 검색하고, 검색된 추가 문장을 소스 문장의 번역에 이용함으로써 번역의 정확도를 높일 수 있다.
일 실시예에 따르면, 단계(220)에서 기계 번역 장치는 추출된 키워드 관련 정보에 기초하여 소스 문장과 관련된 추가 문장을 검색할 수 있다. 기계 번역 장치는 모노 코퍼스의 다수의 문장 중에서 소스 문장의 번역에 도움이 되는 추가 문장을 다양한 방식으로 검색할 수 있다.
예를 들어, 기계 번역 장치는 인버티드 인덱스(inverted index) 방식을 이용하여 추가 문장을 검색할 수 있다. 인버티드 인덱스 방식은 키워드로 문장 또는 문서를 검색하는 방식이다. 기계 번역 장치는 키워드 관련 정보를 이용하여 인버티드 인덱스 방식으로 추가 문장을 모노 코퍼스에서 검색할 수 있다.
예를 들어, 기계 번역 장치가 TF-IDF 방식을 이용하여 키워드 관련 정보를 추출한 경우, 기계 번역 장치는 IDF 값이 가장 높은 단어를 기초로 추가 문장을 검색할 수 있다. 기계 번역 장치는 해당 단어가 후보 문장에서 나타나는 빈도를 이용하여 해당 단어에 가장 잘 매칭되는 후보 문장을 추가 문장으로서 선택할 수 있다.
기계 번역 장치는 뉴럴 네트워크 모델을 이용할 수 있다. 기계 번역 장치에서 인코더 및 디코더는 뉴럴 네트워크 모델의 일종일 수 있다. 기계 번역 장치는 소스 문장과 추가 문장을 뉴럴 네트워크 모델의 일종인 인코더에 입력하여 인코딩된 결과를 획득할 수 있다. 일 실시예에 따르면, 단계(230)에서 기계 번역 장치는 뉴럴 네트워크 모델 기반의 인코더들을 이용하여 소스 문장 및 추가 문장으로부터 각각 제1 벡터 값 및 제2 벡터 값을 획득할 수 있다.
인코더는 입력되는 문장을 벡터 값으로 변환할 수 있다. 벡터 값은 입력되는 문장을 표현하거나 대표할 수 있다. 벡터 값은 입력되는 문장으로부터 암호화된다고 지칭될 수 있다. 기계 번역 장치는 소스 문장을 제2 인코더에 입력하고, 제2 인코더로부터 소스 문장에 대응하는 제1 벡터 값을 획득할 수 있다. 기계 번역 장치는 추가 문장을 제1 인코더에 입력하고, 제1 인코더로부터 추가 문장에 대응하는 제2 벡터 값을 획득할 수 있다. 다만, 인코더의 출력은 벡터 값에 한정되지 않고 디코더의 입력으로서 호환되는 다양한 형태의 인코딩 결과를 포함할 수 있다.
일 실시예에 따르면, 단계(240)에서 기계 번역 장치는 뉴럴 네트워크 모델 기반의 디코더를 이용하여 제1 벡터 값 또는 제2 벡터 값에 기초하여 소스 문장의 번역 결과에 대응하는 타겟 문장을 출력할 수 있다. 기계 번역 장치는 인코딩 결과인 제1 벡터 값 또는 제2 벡터 값을 조합하여 제3 벡터 값을 획득할 수 있다. 여기서 제3 벡터 값은 문맥 벡터(context vector) 값이라고 지칭될 수 있다.
제1 벡터 값과 제2 벡터 값을 조합하는 방식은 다양할 수 있다. 예를 들어, 기계 번역 장치는 게이티드 섬(gated sum) 방식을 이용하여 제1 벡터 값과 제2 벡터 값을 조합할 수 있다. 소스 문장에 대응하는 제1 벡터 값은 항상 디코더의 입력에 반영되지만, 추가 문장에 대응하는 제2 벡터 값은 조건에 따라 디코더의 입력에 반영되지 않을 수도 있다. 다른 예로, 기계 번역 장치는 제1 벡터 값을 인코더에 입력하여 제2 벡터 값을 획득함으로써 제1 벡터 값과 제2 벡터 값을 조합할 수도 있다. 다만, 이러한 조합 방식은 예시에 불과하며, 두 개의 벡터 값을 입력으로 하고 하나의 벡터 값을 출력하는 모든 형태의 함수가 사용될 수 있다.
디코더는 상기 변환된 벡터 값을 문장 형태로 변환할 수 있다. 디코더는 학습 과정에서 다양한 학습 소스 문장을 입력 받아 정확한 타겟 문장을 출력하도록 학습되었기 때문에, 변환된 문장은 소스 문장의 번역 결과에 대응할 수 있다. 특히, 디코더는 소스 문장의 번역에 도움이 되는 추가 문장에 대응하는 제2 벡터 값을 그 자체로 또는 제1 벡터 값과 결합되어 입력 받기 때문에, 단순히 제1 벡터 값을 이용하는 경우보다 높은 정확도를 나타낼 수 있다.
도 3은 일 실시예에 따른 제1 벡터와 제2 벡터를 결합하여 기계 번역을 수행하는 일례를 도시한 도면이다.
기계 번역 장치는 소스 문장(331)을 제2 인코더가 이해하기 쉬운 형태의 데이터로 변형하여 제2 인코더(313)에 입력할 수 있다. 제2 인코더(313)는 소스 문장(331)에 대응하는 제1 벡터 값을 출력할 수 있다.
기계 번역 장치는 소스 문장(331)으로부터 키워드 관련 정보를 추출할(321) 수 있다. 기계 번역 장치는 키워드 관련 정보를 이용하여 웹(123) 또는 데이터베이스(121)로부터 소스 문장의 번역에 도움이 되는 추가 문장을 검색할 수 있다. 기계 번역 장치는 추가 문장을 제1 인코더가 이해하기 쉬운 형태의 데이터로 변형하여 제1 인코더(311)에 입력할 수 있다. 제1 인코더(311)는 추가 문장에 대응하는 제2 벡터 값을 출력할 수 있다.
일 실시예에 따르면, 기계 번역 장치는 제1 벡터 값 및 제2 벡터 값을 결합(323)함으로써 제3 벡터 값을 결정할 수 있다. 기계 번역 장치는 제1 벡터 값과 제2 벡터 값을 별도로 도출한 후에, 제1 벡터 값과 제2 벡터 값을 결합할 수 있다. 기계 번역 장치는 다양한 함수를 이용하여 제1 벡터 값과 제2 벡터 값을 결합할 수 있다. 기계 번역 장치는 제3 벡터 값으로부터 타겟 문장(335)을 획득할 수 있다. 기계 번역 장치는 제3 벡터 값을 디코더(315)에 입력하여 타겟 문장(335)를 획득할 수 있다.
다른 실시예에 따르면, 기계 번역 장치는 게이티드 섬 방식을 이용하여 제1 벡터 값과 제2 벡터 값을 조합할 수도 있다. 예를 들어, 제1 벡터 값이 미리 설정된 조건을 만족하는 경우, 기계 번역 장치는 제1 벡터 값과 제2 벡터 값을 결합(323)함으로써 제3 벡터 값을 결정할 수 있다. 기계 번역 장치는 제3 벡터 값으로부터 타겟 문장을 출력할 수 있다. 제1 벡터가 미리 설정된 조건을 만족하지 않는 경우, 기계 번역 장치는 제1 벡터 값으로부터 타겟 문장(335)을 출력할 수 있다. 여기서, 제1 벡터가 미리 설정된 조건을 만족하지 않는다는 것의 한 예는 제1 벡터 값만으로도 충분한 정확도를 가지는 타겟 문장(335)을 출력할 수 있음을 의미한다.
이처럼, 소스 문장에 대응하는 제1 벡터 값은 항상 디코더의 입력에 반영되지만, 추가 문장에 대응하는 제2 벡터 값은 조건에 따라 디코더의 입력에 반영되지 않을 수도 적게 혹은 강하게 반영될 수도 있다. 기계 번역 장치는 제2 벡터 값을 결합하는데 드는 계산 비용을 줄이면서도 일정한 수준의 정확도를 유지할 수 있다.
도 4는 일 실시예에 따른 뉴럴 네트워크 모델을 이용하여 제1 벡터와 제2 벡터를 결합하는 일례를 도시한 도면이다.
기계 번역 장치는 뉴럴 너트워크 모델 기반의 제1 인코더(311), 제2 인코더(313) 또는 디코더(315)를 사용할 수 있다. 뉴럴 네트워크는 많은 수의 인공 뉴런(또는, 노드)들을 이용하여 생물학적인 시스템의 계산 능력을 모방하는 소프트웨어나 하드웨어로 구현된 인식 모델이다. 뉴럴 네트워크는 인공 뉴런들을 통해 인간의 인지 작용이나 학습 과정을 수행할 수 있다. 일 예에서, 이전 입력의 히든 레이어의 출력 값이 현재 입력의 히든 레이어에 다시 입력되는 리커런트 뉴럴 네트워크(recurrent neural network; RNN) 모델이 인코더 및 디코더에 이용될 수 있다.
기계 번역 장치는 소스 문장(431)인 "The best way to eradicate a mouse"를 제2 인코더(313)에 입력할 수 있다. 제2 인코더(313)는 입력된 소스 문장(431)에 대응하는 제1 벡터 값(432)를 출력할 수 있다.
기계 번역 장치는 소스 문장(431)으로부터 키워드 관련 정보를 추출할 수 있다. 기계 번역 장치는 키워드 관련 정보를 기초로 데이터베이스(121) 또는 웹(123)으로부터 소스 문장(431)의 번역의 정확도를 높일 수 있는 추가 문장(433)인 "Mouse is ... tail"을 검색할 수 있다. 기계 번역 장치는 추가 문장(433)을 제1 인코더(311)에 입력하여 제2 벡터 값(434)를 출력할 수 있다.
일 예에서, 기계 번역 장치는 제1 벡터 값(432)와 제2 벡터 값(434)를 결합할 수 있다. 기계 번역 장치는 제2 벡터 값(434)와 별도로 제1 벡터 값(432)를 획득하고, 제1 벡터 값(432)와 별도로 제2 벡터 값(434)를 획득하여, 제1 벡터 값(432)와 제2 벡터 값(434)를 결합할 수 있다.
다른 예에서, 기계 번역 장치는 제1 벡터 값(432)를 기초로 일정한 조건이 만족되는지 판단할 수 있다. 여기서 일정한 조건이란 제1 벡터 값(432)만으로 타겟 문장(435)을 출력하는 경우, 번역의 정확도가 학습과정에서 습득한 기준을 넘는지를 의미할 수 있다. 일정한 조건이 만족되는 경우, 기계 번역 장치는 제1 벡터 값(432)와 제2 벡터 값(434)를 결합하지 않고, 제1 벡터 값(432)만을 디코더(315)에 입력할 수 있다. 일정한 조건이 만족되는 경우, 기계 번역 장치는 제1 벡터 값(432)와 제2 벡터 값(434)를 결합하여 제3 벡터 값을 획득하고, 제3 벡터 값을 디코더(315)에 입력할 수 있다. 디코더(315)는 타겟 문장(435)인 "쥐를 박멸하기 위한 최선의 방법"을 출력할 수 있다.
도 5은 다른 실시예에 따른 제1 벡터를 제2 인코더의 입력으로 사용하여 기계 번역을 수행하는 일례를 도시한 도면이다.
일 실시예에 따르면, 기계 번역 장치는 소스 문장(531)으로부터 키워드 관련 정보를 추출할 수 있다. 기계 번역 장치는 키워드 관련 정보를 기초로 웹(123) 또는 데이터베이스(121)로부터 소스 문장의 번역의 정확도를 높일 수 있는 추가 문장을 추출(521)할 수 있다.
기계 번역 장치는 뉴럴 네트워크 모델 세트(500)를 포함할 수 있다. 뉴럴 네트워크 모델 세트(500)는 통합 인코더(510)와 디코더(515)를 포함할 수 있다. 통합 인코더(510)는 제1 인코더(511)와 제2 인코더(513)를 포함할 수 있다.
기계 번역 장치는 추가 문장을 제1 인코더(511)에 입력하여 제2 벡터 값을 획득할 수 있다. 기계 번역 장치는 제2 벡터 값을 소스 문장과 함께 제2 인코더에 입력하여 제1 벡터 값을 획득할 수 있다. 기계 번역 장치는 제1 벡터 값을 디코더(515)에 입력하여 타겟 문장(535)를 출력할 수 있다.
이처럼, 제1 벡터 값은 뉴럴 네트워크 모델 기반의 인코더를 이용하여 제2 벡터 값 및 소스 문장으로부터 획득될 수 있다. 기계 번역 장치는 제1 벡터 값과 제2 벡터 값을 별도로 출력한 후 결합하지 않고, 제1 벡터 값에 제2 벡터 값이 반영되는 방식으로 추가 문장을 이용할 수 있다.
도 6는 다른 실시예에 따른 뉴럴 네트워크 모델을 이용하여 제1 벡터를 제2 인코더의 입력으로 사용하는 일례를 도시한 도면이다.
다른 실시예에 따르면, 기계 번역 장치는 소스 문장(631)인 "The best way to eradicate a mouse"로부터 키워드 관련 정보를 추출(521)할 수 있다. 기계 번역 장치는 키워드 관련 정보를 이용하여 데이터베이스(121) 또는 웹(123)으로부터 추가 문장(633)인 "A mouse is a small rodent ..."를 획득할 수 있다. 기계 번역 장치는 추가 문장(633)을 제1 인코더(511)에 입력하여 제2 벡터 값(634)을 획득할 수 있다.
기계 번역 장치는 소스 문장(631)인 "The best way to eradicate a mouse"를 제2 벡터 값과 함께 제2 인코더(513)에 입력할 수 있다. 예를 들어, 제2 인코더(513)는 LSTM(Long Short-Term Memory)일 수 있다. 기계 번역 장치는 소스 문장(631)의 각 단어를 이전 단어의 출력과 함께 LSTM에 입력할 수 있다.
LSTM는 RNN으로부터 변형된 모델이다. LSTM은 복수의 게이트가 연결된 셀(cell)로 구성된다. LSTM은 셀의 정보를 새로 저장하거나, 셀의 정보를 불러오거나, 셀의 정보를 유지할 수 있다. 셀은 셀에 연결된 게이트의 값을 보고 어떤 정보를 저장할 지, 언제 정보를 불러올 지, 어떤 정보를 유지하거나 지울지를 결정한다. LSTM은 정보를 지우기 위해 망각 게이트를 포함한다. LSTM은 망각 게이트를 이용하여 번역에 도움이 되지 않는 정보를 망각할 수 있다.
기계 번역 장치는 제2 인코더(513)로부터 제1 벡터 값(632)을 획득할 수 있다. 기계 번역 장치는 제1 벡터 값(632)을 디코더(515)에 입력하여 타겟 문장(635)인 "쥐를 박멸하기 위한 최선의 방법"을 출력할 수 있다. 디코더(515)는 뉴럴 네트워크(neural network, NN) 모델일 수 있다.
도 7은 일 실시예에 따른 기계 번역을 위한 뉴럴 네트워크 모델을 학습하는 방법의 순서도를 도시한 도면이다.
일 실시예에 따르면, 단계(710)에서 학습 장치는 학습 소스 문장으로부터 키워드 관련 정보를 추출할 수 있다. 예를 들어, 학습 장치는 키워드를 포함하는 문서의 개수, 키워드가 문서에 나타나는 빈도 및 검색 대상이 되는 전체 문서의 개수를 기초로 키워드 관련 정보를 추출할 수 있다.
일 실시예에 따르면, 단계(720)에서 학습 장치는 추출된 키워드 관련 정보에 기초하여 학습 소스 문장과 관련된 학습 추가 문장을 검색할 수 있다. 학습 장치는 웹 또는 데이터베이스로부터 키워드 관련 정보를 기초로 소스 문장의 번역에 도움이 되는 추가 문장을 검색할 수 있다.
일 실시예에 따르면, 단계(730)에서 학습 장치는 뉴럴 네트워크 모델 기반의 인코더들을 이용하여 학습 소스 문장 및 학습 추가 문장으로부터 각각 제1 벡터 값 및 제2 벡터 값을 획득할 수 있다.
일 실시예에 따르면, 단계(740)에서 학습 장치는 뉴럴 네트워크 모델 기반의 디코더를 이용하여 제1 벡터 값 또는 제2 벡터 값에 기초하여 학습 소스 문장의 번역 결과에 대응하는 타겟 문장을 출력할 수 있다. 제1 벡터 값과 제2 벡터 값을 조합하는 다양한 방식이 이용될 수 있다.
일 실시예에 따르면, 단계(750)에서 학습 장치는 타겟 문장의 정확도를 평가하여 인코더들 및 디코더를 학습시킬 수 있다. 학습 장치는 병렬 코퍼스에 포함된 소스 문장의 정확한 번역 결과와 타겟 문장을 비교하여 번역의 정확도를 평가할 수 있다.
학습 장치는 번역의 정확도가 높아지는 방향으로 뉴럴 네트워크 모델 기반의 인코더들 또는 디코더의 내부 파라미터를 조정할 수 있다. 학습 장치는 타겟 문장과 실제 번역문 사이의 차이가 줄어드는 방향으로 인코더 또는 디코더를 학습시킬 수 있다. 학습 장치는 추가 문장이 이용된 결과를 반영하여 뉴럴 네트워크 모델들을 학습함으로써 엔드-투-엔드 학습을 달성할 수 있다.
도 8은 일 실시예에 따른 제1 벡터와 제2 벡터를 결합하여 기계 번역을 위한 뉴럴 네트워크 모델을 학습하는 일례를 도시한 도면이다.
학습 장치는 학습 소스 문장(831)으로부터 키워드 관련 정보를 추출(321)할 수 있다. 학습 장치는 키워드 관련 정보를 이용하여 웹(123) 또는 데이터베이스(121)로부터 학습 소스 문장의 번역에 도움이 되는 추가 문장을 검색할 수 있다.
학습 장치는 뉴럴 네트워크 모델 세트(300)를 이용하여 타겟 문장을 출력할 수 있다. 뉴럴 네트워크 모델 세트(300)는 제1 인코더(311), 제2 인코더(313) 및 디코더(315)를 포함할 수 있다. 학습 장치는 추가 문장을 제1 인코더(311)에 입력하여 제2 벡터 값과 별도로 제1 벡터 값을 획득할 수 있다. 학습 장치는 학습 소스 문장을 제2 인코더(313)에 입력하여 제1 벡터 값과 별도로 제2 벡터 값을 획득할 수 있다.
일 실시예에 따르면, 학습 장치는 제1 벡터 값 및 제2 벡터 값을 결합(323)함으로써 제3 벡터 값을 결정할 수 있다. 학습 장치는 제3 벡터 값을 디코더(315)에 입력하여 타겟 문장을 출력할 수 있다.
다른 실시예에 따르면, 학습 장치는 제1 벡터 값이 미리 설정된 조건을 만족하는지 여부를 평가할 수 있다. 미리 설정된 조건이 만족되는 경우, 학습 장치는 제1 벡터 값과 제2 벡터 값이 결합됨으로써 결정된 제3 벡터 값으로부터 타겟 문장을 출력할 수 있다. 제1 벡터 값이 미리 설정된 조건을 만족하지 않는 경우, 학습 장치는 제1 벡터 값으로부터 타겟 문장을 출력할 수 있다.
학습 장치는 타겟 문장을 평가(810)하여 뉴럴 네트워크 모델 세트(300)를 학습시킬 수 있다. 학습 장치는 타겟 문장을 소스 문장에 대응되는 번역 결과와 비교하여 정확도를 평가할 수 있다. 정확도가 일정 수준에 이를 때까지, 학습 장치는 제1 인코더(311), 제2 인코더(313) 또는 디코더(315)를 학습시킬 수 있다.
도 9는 다른 실시예에 따른 제1 벡터를 제2 인코더의 입력으로 사용하여 기계 번역을 위한 뉴럴 네트워크 모델을 학습하는 일례를 도시한 도면이다.
다른 실시예에 따르면, 기계 번역 장치는 추가 문장을 인코딩하는 제1 인코더(511)를 제2 인코더(513)와 분리하지 않고, 통합 인코더(510) 내에 제1 인코더(511)와 제2 인코더(513)를 함께 포함할 수 있다.
학습 장치는 학습 소스 문장(931)을 기초로 키워드 관련 정보를 추출(521)할 수 있다. 학습 장치는 학습 소스 문장(931)의 번역에 도움이 되는 추가 문장을 웹(123) 또는 데이터베이스(121)로부터 검색할 수 있다.
학습 장치는 추가 문장을 제1 인코더(511)에 입력하여 제2 벡터 값을 획득할 수 있다. 제1 벡터 값은 뉴럴 네트워크 모델 기반의 제2 인코더(513)를 이용하여 제2 벡터 값 및 학습 소스 문장으로부터 획득될 수 있다. 학습 장치는 제1 벡터 값을 디코더(515)에 입력하여 타겟 문장을 출력할 수 있다.
학습 장치는 타겟 문장의 정확도를 평가하여 디코더(515) 및 통합 인코더(510)를 학습시킬 수 있다. 학습 장치는 타겟 문장과 정확한 번역 결과 간의 차이가 줄어드는 방향으로 디코더(515) 및 통합 인코더(510)를 학습시킬 수 있다. 학습 장치는 일정한 수준의 정확도가 달성될 때까지 디코더(515) 및 통합 인코더(510)를 학습시킬 수 있다.
도 10은 일 실시예에 따른 기계 번역 장치의 구성을 도시한 도면이다.
기계 번역 장치는(1110)는 프로세서(1111) 및 메모리(1112)를 포함할 수 있다. 메모리(1112)는 프로세서에 의해 실행될 인스트럭션들(instructions)을 저장할 수 있다.
기계 번역 장치(1110)는 뉴럴 네트워크 모델을 이용하여 소스 문장을 번역할 수 있다. 제1 인코더(1123), 제2 인코더(1124) 및 디코더(1125)는 뉴럴 네트워크 모델의 일종일 수 있다. 제1 인코더(1123), 제2 인코더(1124) 및 디코더(1125)는 메모리(1112)와 별도의 저장 장치(1120) 내에 포함될 수도 있고, 메모리(1112)에 포함될 수도 있다.
프로세서(1111)는 소스 문장으로부터 키워드 관련 정보를 추출할 수 있다. 프로세서(1111)는 추출된 키워드 관련 정보에 기초하여 소스 문장과 관련된 추가 문장을 검색할 수 있다. 프로세서(1111)는 소스 문장 및 추가 문장으로부터 각각 제1 벡터 값 및 제2 벡터 값을 획득할 수 있다.
프로세서(1111)는 제1 벡터 값 또는 제2 벡터 값에 기초하여 소스 문장의 번역 결과에 대응하는 타겟 문장을 출력할 수 있다. 여기서, 제1 벡터 값과 제2 벡터 값은 다양한 방식으로 조합될 수 있다.
일 실시예에 따르면, 프로세서(1111)는 제1 벡터 값 및 제2 벡터 값을 결합함으로써 제3 벡터 값을 결정할 수 있다. 프로세서(1111)는 뉴럴 네트워크 모델 기반의 디코더를 이용하여 제3 벡터 값으로부터 타겟 문장을 출력할 수 있다.
다른 실시예에 따르면, 프로세서(1111)는 일정한 조건이 만족되는지 여부에 따라 제2 벡터 값을 사용할 지 여부를 결정할 수 있다. 제1 벡터 값이 미리 설정된 조건을 만족하는 경우, 프로세서(1111)는 뉴럴 네트워크 모델 기반의 디코더를 이용하여 제1 벡터 값과 제2 벡터 값을 학습 과정에서 습득한 강도로 결합함으로써 제3 벡터 값을 결정할 수 있다. 프로세서(1111)는 제3 벡터 값으로부터 타겟 문장을 출력할 수 있다.
제1 벡터 값이 미리 설정된 조건을 만족하지 않는 경우, 프로세서(1111)는 뉴럴 네트워크 모델 기반의 디코더를 이용하여 제1 벡터 값으로부터 타겟 문장을 출력할 수 있다.
다른 실시예에 따르면, 프로세서(1111)는 뉴럴 네트워크 모델 기반의 인코더를 이용하여 제2 벡터 및 소스 문장으로부터 제1 벡터를 획득할 수 있다. 프로세서(1111)는 제1 인코더(1123)를 이용하여 추가 문장으로부터 제2 벡터 값을 획득한 후, 제1 벡터 값과 소스 문장을 제2 인코더(1124)에 입력할 수 있다. 프로세서(1111)는 제2 인코더(1124)로부터 타겟 문장을 출력할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 컴퓨터 판독 가능 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
Claims (19)
- 뉴럴 네트워크 모델을 이용한 기계 번역 방법에 있어서,
소스 문장으로부터 키워드 관련 정보를 추출하는 단계;
상기 추출된 키워드 관련 정보에 기초하여 상기 소스 문장과 관련된 추가 문장(supplement sentence)을 검색하는 단계;
뉴럴 네트워크 모델 기반의 인코더들을 이용하여 상기 소스 문장 및 상기 추가 문장으로부터 각각 제1 벡터 값 및 제2 벡터 값을 획득하는 단계; 및
뉴럴 네트워크 모델 기반의 디코더를 이용하여 상기 제1 벡터 값 또는 상기 제2 벡터 값에 기초하여 상기 소스 문장의 번역 결과에 대응하는 타겟 문장을 출력하는 단계
를 포함하는, 기계 번역 방법. - 제1항에 있어서,
상기 타겟 문장을 출력하는 단계는,
상기 제1 벡터 값 및 상기 제2 벡터 값을 결합함으로써 제3 벡터 값을 결정하는 단계; 및
상기 제3 벡터 값으로부터 상기 타겟 문장을 획득하는 단계
를 포함하는 기계 번역 방법. - 제1항에 있어서,
상기 타겟 문장을 출력하는 단계는,
상기 제1 벡터 값이 미리 설정된 조건을 만족하는 경우, 상기 제1 벡터 값과 상기 제2 벡터 값이 결합됨으로써 결정된 제3 벡터 값으로부터 상기 타겟 문장을 출력하고,
상기 제1 벡터 값이 미리 설정된 조건을 만족하지 않는 경우, 상기 제1 벡터 값으로부터 상기 타겟 문장을 출력하는,
기계 번역 방법. - 제1항에 있어서,
상기 제1 벡터 값은, 뉴럴 네트워크 모델 기반의 인코더를 이용하여 상기 제2 벡터 값 및 상기 소스 문장으로부터 획득되는,
기계 번역 방법. - 제1항에 있어서,
상기 추가 문장을 검색하는 단계는,
상기 소스 문장으로부터 상기 키워드 관련 정보를 추출하는 단계; 및
상기 키워드 관련 정보를 기초로 추가 문장을 검색하는 단계
를 포함하는, 기계 번역 방법. - 제5항에 있어서,
상기 키워드 관련 정보를 추출하는 단계는,
상기 키워드를 포함하는 문서의 개수, 상기 키워드가 문서에 나타나는 빈도 및 검색 대상이 되는 전체 문서의 개수를 기초로 상기 키워드 관련 정보를 추출하는, 기계 번역 방법. - 제5항에 있어서,
상기 추가 문장을 검색하는 단계는,
데이터베이스 또는 웹으로부터 상기 키워드 관련 정보를 기초로 추가 문장을 검색하는, 기계 번역 방법. - 뉴럴 네트워크 모델을 이용한 기계 번역 학습 방법에 있어서,
학습 소스 문장으로부터 키워드 관련 정보를 추출하는 단계;
상기 추출된 키워드 관련 정보에 기초하여 상기 학습 소스 문장과 관련된 학습 추가 문장을 검색하는 단계;
뉴럴 네트워크 모델 기반의 인코더들을 이용하여 상기 학습 소스 문장 및 상기 학습 추가 문장으로부터 각각 제1 벡터 값 및 제2 벡터 값을 획득하는 단계;
뉴럴 네트워크 모델 기반의 디코더를 이용하여 상기 제1 벡터 값 또는 상기 제2 벡터 값에 기초하여 상기 학습 소스 문장의 번역 결과에 대응하는 타겟 문장을 출력하는 단계; 및
상기 타겟 문장의 정확도를 평가하여 상기 인코더들 및 상기 디코더를 학습시키는 단계
를 포함하는, 기계 번역 학습 방법. - 제8항에 있어서,
상기 타겟 문장을 출력하는 단계는,
상기 제1 벡터 값 및 상기 제2 벡터 값을 결합함으로써 제3 벡터 값을 결정하는 단계; 및
상기 제3 벡터 값으로부터 상기 타겟 문장을 획득하는 단계
를 포함하는, 기계 번역 학습 방법. - 제8항에 있어서,
상기 타겟 문장을 출력하는 단계는,
상기 제1 벡터 값이 미리 설정된 조건을 만족하는 경우, 상기 제1 벡터 값과 상기 제2 벡터 값이 결합됨으로써 결정된 제3 벡터 값으로부터 상기 타겟 문장을 출력하고,
상기 제1 벡터 값이 미리 설정된 조건을 만족하지 않는 경우, 상기 제1 벡터 값으로부터 상기 타겟 문장을 출력하는,
기계 번역 학습 방법. - 제8항에 있어서,
상기 제1 벡터 값은, 뉴럴 네트워크 모델 기반의 인코더를 이용하여 상기 제2 벡터 및 상기 학습 소스 문장으로부터 획득되는,
기계 번역 학습 방법. - 제8항에 있어서,
상기 학습 추가 문장을 검색하는 단계는,
상기 학습 소스 문장으로부터 상기 키워드 관련 정보를 추출하는 단계; 및
상기 키워드 관련 정보를 기초로 상기 학습 추가 문장을 검색하는 단계
를 포함하는, 기계 번역 학습 방법. - 제12항에 있어서,
상기 키워드 관련 정보를 추출하는 단계는,
상기 키워드를 포함하는 문서의 개수, 상기 키워드가 문서에 나타나는 빈도 및 검색 대상이 되는 전체 문서의 개수를 기초로 상기 키워드 관련 정보를 추출하는, 기계 번역 학습 방법. - 제12항에 있어서,
상기 학습 추가 문장을 검색하는 단계는,
데이터베이스 또는 웹으로부터 상기 키워드 관련 정보를 기초로 학습 추가 문장을 검색하는, 기계 번역 학습 방법. - 제1항 내지 제14항 중 어느 하나의 항의 방법을 컴퓨터가 실행하기 위한 프로그램을 기록하는 컴퓨터 판독 가능한 기록 매체.
- 뉴럴 네트워크 모델을 이용한 기계 번역 장치에 있어서,
적어도 하나의 프로세서;
상기 프로세서에 의해 실행될 인스트럭션들(instructions)을 저장하는 적어도 하나의 메모리를 포함하고,
상기 인스트럭션들을 수행하는 것에 의해 상기 프로세서는,
소스 문장으로부터 키워드 관련 정보를 추출하고,
상기 추출된 키워드 관련 정보에 기초하여 상기 소스 문장과 관련된 추가 문장을 검색하고,
상기 소스 문장 및 상기 추가 문장으로부터 각각 제1 벡터 값 및 제2 벡터 값을 획득하고,
상기 제1 벡터 값 또는 상기 제2 벡터 값에 기초하여 상기 소스 문장의 번역 결과에 대응하는 타겟 문장을 출력하는,
기계 번역 장치. - 제16항에 있어서,
상기 프로세서는
상기 제1 벡터 값 및 상기 제2 벡터 값을 결합함으로써 제3 벡터 값을 결정하고,
뉴럴 네트워크 모델 기반의 디코더를 이용하여 상기 제3 벡터 값으로부터 상기 타겟 문장을 출력하는,
기계 번역 장치. - 제16항에 있어서,
상기 프로세서는,
상기 제1 벡터 값이 미리 설정된 조건을 만족하는 경우, 뉴럴 네트워크 모델 기반의 디코더를 이용하여 상기 제1 벡터 값과 상기 제2 벡터 값이 결합됨으로써 결정된 제3 벡터 값으로부터 상기 타겟 문장을 출력하고,
상기 제1 벡터 값이 미리 설정된 조건을 만족하지 않는 경우, 뉴럴 네트워크 모델 기반의 디코더를 이용하여 상기 제1 벡터 값으로부터 상기 타겟 문장을 출력하는,
기계 번역 장치. - 제16항에 있어서,
상기 프로세서는,
뉴럴 네트워크 모델 기반의 인코더를 이용하여 상기 제2 벡터 및 상기 소스 문장으로부터 상기 제1 벡터 값을 획득하는, 기계 번역 장치.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020170078398A KR102342066B1 (ko) | 2017-06-21 | 2017-06-21 | 뉴럴 네트워크 모델을 이용한 기계 번역 방법, 장치 및 그 장치를 학습시키기 위한 방법 |
US15/975,927 US10474758B2 (en) | 2017-06-21 | 2018-05-10 | Method and apparatus for machine translation using neural network and method of training the apparatus |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020170078398A KR102342066B1 (ko) | 2017-06-21 | 2017-06-21 | 뉴럴 네트워크 모델을 이용한 기계 번역 방법, 장치 및 그 장치를 학습시키기 위한 방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20180138321A KR20180138321A (ko) | 2018-12-31 |
KR102342066B1 true KR102342066B1 (ko) | 2021-12-22 |
Family
ID=64693282
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020170078398A KR102342066B1 (ko) | 2017-06-21 | 2017-06-21 | 뉴럴 네트워크 모델을 이용한 기계 번역 방법, 장치 및 그 장치를 학습시키기 위한 방법 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10474758B2 (ko) |
KR (1) | KR102342066B1 (ko) |
Families Citing this family (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10706351B2 (en) * | 2016-08-30 | 2020-07-07 | American Software Safety Reliability Company | Recurrent encoder and decoder |
KR102342066B1 (ko) * | 2017-06-21 | 2021-12-22 | 삼성전자주식회사 | 뉴럴 네트워크 모델을 이용한 기계 번역 방법, 장치 및 그 장치를 학습시키기 위한 방법 |
KR102424514B1 (ko) * | 2017-12-04 | 2022-07-25 | 삼성전자주식회사 | 언어 처리 방법 및 장치 |
US10929607B2 (en) | 2018-02-22 | 2021-02-23 | Salesforce.Com, Inc. | Dialogue state tracking using a global-local encoder |
CN110232183B (zh) * | 2018-12-07 | 2022-05-27 | 腾讯科技(深圳)有限公司 | 关键词提取模型训练方法、关键词提取方法、装置及存储介质 |
CN109597884B (zh) * | 2018-12-28 | 2021-07-20 | 北京百度网讯科技有限公司 | 对话生成的方法、装置、存储介质和终端设备 |
US11106873B2 (en) * | 2019-01-22 | 2021-08-31 | Sap Se | Context-based translation retrieval via multilingual space |
CN109933809B (zh) * | 2019-03-15 | 2023-09-15 | 北京金山数字娱乐科技有限公司 | 一种翻译方法及装置、翻译模型的训练方法及装置 |
KR102264899B1 (ko) * | 2019-03-15 | 2021-06-11 | 에스케이텔레콤 주식회사 | 자연어 처리 시스템, 그 학습 방법 및 프로그램이 기록된 컴퓨터 판독가능한 기록매체 |
CN111368564B (zh) * | 2019-04-17 | 2022-04-08 | 腾讯科技(深圳)有限公司 | 文本处理方法、装置、计算机可读存储介质和计算机设备 |
KR102258906B1 (ko) * | 2019-05-17 | 2021-06-01 | 한국과학기술원 | 구어에서 수어로의 주의 기반 인공신경망 기계 번역 방법 및 그 장치 |
KR102519138B1 (ko) * | 2019-09-09 | 2023-04-06 | 포항공과대학교 산학협력단 | 번역문 품질 예측 모델 학습 장치 및 방법 |
KR20210044056A (ko) | 2019-10-14 | 2021-04-22 | 삼성전자주식회사 | 중복 토큰 임베딩을 이용한 자연어 처리 방법 및 장치 |
CN110853616A (zh) * | 2019-10-22 | 2020-02-28 | 武汉水象电子科技有限公司 | 一种基于神经网络的语音合成方法、***与存储介质 |
CN112765998A (zh) * | 2019-11-01 | 2021-05-07 | 华为技术有限公司 | 机器翻译方法、机器翻译模型训练方法、装置及存储介质 |
CN110852116B (zh) * | 2019-11-07 | 2021-08-31 | 腾讯科技(深圳)有限公司 | 非自回归神经机器翻译方法、装置、计算机设备和介质 |
CN111144140B (zh) * | 2019-12-23 | 2023-07-04 | 语联网(武汉)信息技术有限公司 | 基于零次学习的中泰双语语料生成方法及装置 |
JP2021197015A (ja) * | 2020-06-17 | 2021-12-27 | 国立研究開発法人情報通信研究機構 | 推論器、推論方法およびプログラム |
KR102511282B1 (ko) * | 2020-12-11 | 2023-03-17 | 건국대학교 산학협력단 | 문서 수준 관계 추출 방법 및 장치 |
KR102462758B1 (ko) * | 2020-12-16 | 2022-11-02 | 숭실대학교 산학협력단 | 노이즈 추가 기반 커버리지와 단어 연관을 이용한 문서 요약 방법, 이를 수행하기 위한 기록 매체 및 장치 |
CN112686027B (zh) * | 2020-12-24 | 2023-06-09 | 中国人民解放军战略支援部队信息工程大学 | 基于周期函数的机器翻译输出修正方法及*** |
CN114595701A (zh) * | 2022-02-18 | 2022-06-07 | 北京沃东天骏信息技术有限公司 | 翻译模型的处理方法、装置和计算机可读存储介质 |
CN117195918A (zh) * | 2023-07-24 | 2023-12-08 | 达州市斑马工业设计有限公司 | 软件开发包的翻译方法及软件开发*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017033063A2 (en) | 2015-08-25 | 2017-03-02 | Alibaba Group Holding Limited | Statistics-based machine translation method, apparatus and electronic device |
US10181098B2 (en) | 2014-06-06 | 2019-01-15 | Google Llc | Generating representations of input sequences using neural networks |
Family Cites Families (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4907283A (en) * | 1987-03-13 | 1990-03-06 | Canon Kabushiki Kaisha | Image processing apparatus |
CN1174332C (zh) * | 2000-03-10 | 2004-11-03 | 松下电器产业株式会社 | 转换表达方式的方法和装置 |
GB2382678A (en) * | 2001-11-28 | 2003-06-04 | Symbio Ip Ltd | a knowledge database |
JP2007220045A (ja) * | 2006-02-20 | 2007-08-30 | Toshiba Corp | コミュニケーション支援装置、コミュニケーション支援方法およびコミュニケーション支援プログラム |
JP4838743B2 (ja) | 2007-02-27 | 2011-12-14 | 静岡県 | 類似文章検索プログラム |
US9798720B2 (en) * | 2008-10-24 | 2017-10-24 | Ebay Inc. | Hybrid machine translation |
US9098812B2 (en) * | 2009-04-14 | 2015-08-04 | Microsoft Technology Licensing, Llc | Faster minimum error rate training for weighted linear models |
US8775155B2 (en) * | 2010-10-25 | 2014-07-08 | Xerox Corporation | Machine translation using overlapping biphrase alignments and sampling |
KR20120048139A (ko) | 2010-11-05 | 2012-05-15 | 한국전자통신연구원 | 자동 번역 장치 및 그 방법 |
US8977537B2 (en) * | 2011-06-24 | 2015-03-10 | Microsoft Technology Licensing, Llc | Hierarchical models for language modeling |
PT2639749T (pt) * | 2012-03-15 | 2017-01-18 | Cortical Io Gmbh | Métodos, aparelhos e produtos para processamento semântico de texto |
US10025778B2 (en) * | 2013-06-09 | 2018-07-17 | Microsoft Technology Licensing, Llc | Training markov random field-based translation models using gradient ascent |
GB2517212B (en) * | 2013-08-16 | 2018-04-25 | Toshiba Res Europe Limited | A Computer Generated Emulation of a subject |
CN111291553B (zh) * | 2014-10-24 | 2023-11-21 | 谷歌有限责任公司 | 具有罕见词处理的神经机器翻译*** |
CN106156010B (zh) | 2015-04-20 | 2019-10-11 | 阿里巴巴集团控股有限公司 | 翻译训练方法、装置、***、以及在线翻译方法及装置 |
KR20160133349A (ko) | 2015-05-12 | 2016-11-22 | 삼성전자주식회사 | 구 표 생성 방법 및 구 표를 이용한 기계 번역 방법 |
JP6876061B2 (ja) * | 2016-01-26 | 2021-05-26 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | ニューラル臨床パラフレーズ生成のためのシステム及び方法 |
US20170308526A1 (en) * | 2016-04-21 | 2017-10-26 | National Institute Of Information And Communications Technology | Compcuter Implemented machine translation apparatus and machine translation method |
KR102577584B1 (ko) * | 2016-08-16 | 2023-09-12 | 삼성전자주식회사 | 기계 번역 방법 및 장치 |
KR102589637B1 (ko) * | 2016-08-16 | 2023-10-16 | 삼성전자주식회사 | 기계 번역 방법 및 장치 |
KR102589638B1 (ko) * | 2016-10-31 | 2023-10-16 | 삼성전자주식회사 | 문장 생성 장치 및 방법 |
KR102342066B1 (ko) * | 2017-06-21 | 2021-12-22 | 삼성전자주식회사 | 뉴럴 네트워크 모델을 이용한 기계 번역 방법, 장치 및 그 장치를 학습시키기 위한 방법 |
-
2017
- 2017-06-21 KR KR1020170078398A patent/KR102342066B1/ko active IP Right Grant
-
2018
- 2018-05-10 US US15/975,927 patent/US10474758B2/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10181098B2 (en) | 2014-06-06 | 2019-01-15 | Google Llc | Generating representations of input sequences using neural networks |
WO2017033063A2 (en) | 2015-08-25 | 2017-03-02 | Alibaba Group Holding Limited | Statistics-based machine translation method, apparatus and electronic device |
Non-Patent Citations (2)
Title |
---|
Rico Sennrich 외, 'Improving neural machine translation models with monolingual data', 2015. |
Xiaoqing Li 외, 'Towards Zero Unknown Word in Neural Machine Translation', 2016. |
Also Published As
Publication number | Publication date |
---|---|
US20180373704A1 (en) | 2018-12-27 |
US10474758B2 (en) | 2019-11-12 |
KR20180138321A (ko) | 2018-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102342066B1 (ko) | 뉴럴 네트워크 모델을 이용한 기계 번역 방법, 장치 및 그 장치를 학습시키기 위한 방법 | |
US11132512B2 (en) | Multi-perspective, multi-task neural network model for matching text to program code | |
KR102565274B1 (ko) | 자동 통역 방법 및 장치, 및 기계 번역 방법 및 장치 | |
US10061766B2 (en) | Systems and methods for domain-specific machine-interpretation of input data | |
Kim et al. | Two-stage multi-intent detection for spoken language understanding | |
KR102516364B1 (ko) | 기계 번역 방법 및 장치 | |
US20170060855A1 (en) | Method and system for generation of candidate translations | |
US20170031901A1 (en) | Method and Device for Machine Translation | |
JP7316721B2 (ja) | 対象領域およびクライアント固有のアプリケーション・プログラム・インタフェース推奨の促進 | |
US20210124876A1 (en) | Evaluating the Factual Consistency of Abstractive Text Summarization | |
CN112905735A (zh) | 用于自然语言处理的方法和设备 | |
Ferreira et al. | Zero-shot semantic parser for spoken language understanding. | |
KR20220114495A (ko) | 탐색, 검색 및 순위화를 위한 상호작용 계층 신경망 | |
JP2019082931A (ja) | 検索装置、類似度算出方法、およびプログラム | |
EP3683694A1 (en) | Word semantic relation deduction device and word semantic relation deduction method | |
WO2019118257A1 (en) | Assertion-based question answering | |
EP3404553A1 (en) | Open information extraction method and system for extracting reified ternary relationship | |
US11270085B2 (en) | Generating method, generating device, and recording medium | |
Kacupaj et al. | Vogue: answer verbalization through multi-task learning | |
KR102564692B1 (ko) | 관계성 학습을 이용한 자연어 처리 시스템 및 방법 | |
KR102557380B1 (ko) | 지식 임베딩 모델 기반의 개체명 인식 모델 생성 장치 및 방법 | |
CN113591493B (zh) | 翻译模型的训练方法及翻译模型的装置 | |
Mi et al. | Recurrent neural network based loanwords identification in Uyghur | |
JP7384221B2 (ja) | 要約学習方法、要約学習装置及びプログラム | |
US11341340B2 (en) | Neural machine translation adaptation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right |