术语替换方法及装置制造方法及图纸

本发明专利技术实施例提供一种术语替换方法及装置，所述方法包括：获取原文句子、译文句子以及术语替换后的原文句子；将所述原文句子、译文句子以及术语替换后的原文句子输入至术语替换模型中，获得术语替换后的译文句子；其中，所述术语替换模型是根据由原文句子样本、所述原文句子样本对应的译文句子样本和术语替换后的原文句子样本所组成的输入样本以及所述输入样本对应的术语替换后的译文句子样本训练获得的。本发明专利技术实施例通过利用预先训练好的术语替换模型自动地生成术语替换后的译文句子，确保译文中的某个术语被替换掉时译文的语法正确同时减少译文句子结构的过多变化。

Terminology replacement methods and devices

【技术实现步骤摘要】
术语替换方法及装置
本专利技术涉及机器翻译
，更具体地，涉及一种术语替换方法及装置。
技术介绍
在智能辅助翻译中，术语替换对译员来说是一项非常重要的工具。术语替换的典型场景是：给定原文和译文，译员选择原文中的某个术语，确定想要替换的术语和其相应术语翻译，同时在原文和译文上做术语替换，并且尽可能使替换后的译文和给定的译文在句子结构上保持相近。例如，译员选择原文中的“培养”，并确定要原文中将“培养”替换成“培训”，并将译文中“培养”相对应的翻译“building”替换此词成“training”。术语替换的这种自动化的操作带来的好处主要有两点：一是可以使译员更加有效的复用原来的语料，二是减少译员对文本的编辑修改。这些都可以优化译员翻译的工作效率。然而，术语替换是一项非常有挑战性的任务。首先，对于原文中被替换的术语，其在译文中相应的翻译的位置是未知的。第二，随着译文中的某个术语被替换掉，如何既保证译文的语法正确，同时减少译文句子结构的过多变化往往非常困难。
技术实现思路
本专利技术实施例提供一种克服上述问题或者至少部分地解决上述问题的术语替换方法及装置。第一方面，本专利技术实施例提供一种术语替换方法，包括：获取原文句子、译文句子以及术语替换后的原文句子；将所述原文句子、译文句子以及术语替换后的原文句子输入至术语替换模型中，获得术语替换后的译文句子；其中，所述术语替换模型是根据由原文句子样本、所述原文句子样本对应的译文句子样本和术语替换后的原文句子样本所组成的输入样本以及所述输入样本对应的术语替换后的译文句子样本训练获得的。其中，所述术语替换模型具体包括：三个编码器、三个注意力模型和一个译码器；其中，每个所述编码器包括若干个LSTM循环神经网络，用于将输入的句子编码为向量序列；每个所述注意力模型用于基于所述编码器的输出结果和所述译码器的输出结果进行基于注意力机制的计算；所述译码器包括若干个LSTM循环神经网络，所述译码器的输入为上一基于所述三个注意力模型的计算结果进行词语预测的预测结果。其中，将所述原文句子、译文句子以及术语替换后的原文句子输入至术语替换模型中，获得术语替换后的译文句子，具体包括：将所述原文句子输入至所述术语替换模型的第一编码器中，生成第一向量序列，将所述译文句子输入至所述术语替换模型的第二编码器中，生成第二向量序列，将所述术语替换后的原文句子输入至所述术语替换模型的第三编码器中，生成第三向量序列；将上一预测结果输入至所述术语替换模型的译码器中，获得译码向量；将所述第一向量序列和所述译码向量输入至所述术语替换模型的第一注意力模型进行基于注意力机制的计算，生成第一特征向量，将所述第二向量序列和所述译码向量输入至所述术语替换模型的第二注意力模型进行基于注意力机制的计算，生成第二特征向量，将所述第三向量序列和所述译码向量输入至所述术语替换模型的第三注意力模型进行基于注意力机制的计算，生成第三特征向量；将所述第一特征向量、第二特征向量和第三特征向量进行组合，并根据组合后的特征向量和所述译码向量进行词语预测，获得新的预测结果；输出所有预测结果。其中，将所述第一向量序列和所述译码向量输入至所述术语替换模型的第一注意力模型进行基于注意力机制的计算，生成第一特征向量，具体包括：将所述译码向量分别与所述第一向量序列中的各个向量相乘，获得多个标量得分；利用softmax函数、基于所述多个标量得分生成所述第一向量序列中的各个向量对应的权重；将所述第一向量序列中的各个向量与各个向量对应的权重进行相乘后相加，获得第一特征向量。其中，根据由原文句子样本、所述原文句子样本对应的译文句子样本和术语替换后的原文句子样本所组成的输入样本以及所述输入样本对应的术语替换后的译文句子样本训练获得所述术语替换模型，具体包括：将所述原文句子样本输入至基于LSTM循环神经网络的第一编码器中，生成第一向量序列样本，将所述译文句子样本输入至基于LSTM循环神经网络的第二编码器中，生成第二向量序列样本，将所述术语替换后的原文句子样本输入至基于LSTM循环神经网络的第三编码器中，生成第三向量序列样本；将上一预测结果输入至基于LSTM循环神经网络的译码器中，获得译码向量样本；将所述第一向量序列样本和所述译码向量样本输入至第一注意力模型进行基于注意力机制的计算，生成第一特征向量样本，将所述第二向量序列样本和所述译码向量样本输入至第二注意力模型进行基于注意力机制的计算，生成第二特征向量样本，将所述第三向量序列样本和所述译码向量样本输入至第三注意力模型进行基于注意力机制的计算，生成第三特征向量样本；将所述第一特征向量样本、第二特征向量样本和第三特征向量样本进行组合，并根据组合后的特征向量样本进行词语预测，获得新的预测结果；基于所有预测结果组成的句子与所述术语替换后的译文句子样本计算损失函数的值，并基于所述损失函数的值进行反向传播，直至满足训练结束条件；保存训练结束时所述第一编码器、第二编码器、第三编码器、译码器、第一注意力模型、第二注意力模型、第三注意力模型的参数，获得训练完成的术语替换模型。其中，在将所述原文句子样本输入至基于LSTM循环神经网络的第一编码器中之前，还包括：构建术语替换的平行语料库；其中，所述构建术语替换的平行语料库，具体包括：构建双语术语表；若在原文句子中的某个词语或短语出现在所述双语术语表中，则进行原文句子的术语替换生成术语替换后的原文句子；将所述术语替换后的原文句子输入至预先训练好的机器翻译模型中，输出所述术语替换后的原文句子对应的译文句子；若所述术语替换后的原文句子对应的译文句子满足如下两个条件：所述词语或短语所对应的译文术语出现在所述术语替换后的原文句子对应的译文句子中，所述原文句子对应的译文句子与所述术语替换后的原文句子对应的译文句子之间的编辑距离小于预设阈值，则标记所述术语替换后的原文句子对应的译文句子；将所述原文句子、原文句子对应的译文句子、术语替换后的原文句子以及所述术语替换后的原文句子对应的译文句子作为一条平行语料，加入至所述术语替换的平行语料库中。其中，所述构建术语替换的平行语料库之前，还包括：获取双语平行语料，所述双语平行语料包括：待翻译的原文语料和译员后编辑过的译文语料；对所述双语平行语料分别进行分词处理，并对分词处理后的双语平行语料的数据序列进行重新洗牌，获得经过预处理的语料库；分别获取最新的维基百科构建多个单语语料集，利用Skip-Gram算法进行词向量的模型训练，获得经过预训练的双语词向量；利用所述经过预处理的语料库和所述经过预训练的双语词向量对所述机器翻译模型进行训练，获得训练完成的机器翻译模型；其中，所述机器翻译模型具体包括：一个编码器、一个注意力模型和一个译码器；所述编码器包括若干个LSTM循环神经网络，用于将输入的句子编码为向量序列；所述注意力本文档来自技高网...

【技术保护点】
1.一种术语替换方法，其特征在于，包括：/n获取原文句子、译文句子以及术语替换后的原文句子；/n将所述原文句子、译文句子以及术语替换后的原文句子输入至术语替换模型中，获得术语替换后的译文句子；/n其中，所述术语替换模型是根据由原文句子样本、所述原文句子样本对应的译文句子样本和术语替换后的原文句子样本所组成的输入样本以及所述输入样本对应的术语替换后的译文句子样本训练获得的。/n

【技术特征摘要】
1.一种术语替换方法，其特征在于，包括：
获取原文句子、译文句子以及术语替换后的原文句子；
将所述原文句子、译文句子以及术语替换后的原文句子输入至术语替换模型中，获得术语替换后的译文句子；
其中，所述术语替换模型是根据由原文句子样本、所述原文句子样本对应的译文句子样本和术语替换后的原文句子样本所组成的输入样本以及所述输入样本对应的术语替换后的译文句子样本训练获得的。


2.根据权利要求1所述的术语替换方法，其特征在于，所述术语替换模型具体包括：三个编码器、三个注意力模型和一个译码器；
其中，每个所述编码器包括若干个LSTM循环神经网络，用于将输入的句子编码为向量序列；每个所述注意力模型用于基于所述编码器的输出结果和所述译码器的输出结果进行基于注意力机制的计算；所述译码器包括若干个LSTM循环神经网络，所述译码器的输入为上一基于所述三个注意力模型的计算结果进行词语预测的预测结果。


3.根据权利要求2所述的术语替换方法，其特征在于，将所述原文句子、译文句子以及术语替换后的原文句子输入至术语替换模型中，获得术语替换后的译文句子，具体包括：
将所述原文句子输入至所述术语替换模型的第一编码器中，生成第一向量序列，将所述译文句子输入至所述术语替换模型的第二编码器中，生成第二向量序列，将所述术语替换后的原文句子输入至所述术语替换模型的第三编码器中，生成第三向量序列；
将上一预测结果输入至所述术语替换模型的译码器中，获得译码向量；
将所述第一向量序列和所述译码向量输入至所述术语替换模型的第一注意力模型进行基于注意力机制的计算，生成第一特征向量，将所述第二向量序列和所述译码向量输入至所述术语替换模型的第二注意力模型进行基于注意力机制的计算，生成第二特征向量，将所述第三向量序列和所述译码向量输入至所述术语替换模型的第三注意力模型进行基于注意力机制的计算，生成第三特征向量；
将所述第一特征向量、第二特征向量和第三特征向量进行组合，并根据组合后的特征向量和所述译码向量进行词语预测，获得新的预测结果；
输出所有预测结果。


4.根据权利要求3所述的术语替换方法，其特征在于，将所述第一向量序列和所述译码向量输入至所述术语替换模型的第一注意力模型进行基于注意力机制的计算，生成第一特征向量，具体包括：
将所述译码向量分别与所述第一向量序列中的各个向量相乘，获得多个标量得分；
利用softmax函数、基于所述多个标量得分生成所述第一向量序列中的各个向量对应的权重；
将所述第一向量序列中的各个向量与各个向量对应的权重进行相乘后相加，获得第一特征向量。


5.根据权利要求1所述的术语替换方法，其特征在于，根据由原文句子样本、所述原文句子样本对应的译文句子样本和术语替换后的原文句子样本所组成的输入样本以及所述输入样本对应的术语替换后的译文句子样本训练获得所述术语替换模型，具体包括：
将所述原文句子样本输入至基于LSTM循环神经网络的第一编码器中，生成第一向量序列样本，将所述译文句子样本输入至基于LSTM循环神经网络的第二编码器中，生成第二向量序列样本，将所述术语替换后的原文句子样本输入至基于LSTM循环神经网络的第三编码器中，生成第三向量序列样本；
将上一预测结果输入至基于LSTM循环神经网络的译码器中，获得译码向量样本；
将所述第一向量序列样本和所述译码向量样本输入至第一注意力模型进行基于注意力机制的计算，生成第一特征向量样本，将所述第二向量序列样本和所述译码向量样本输入至第二注意力模型进行基于注意力机制的计算，生成第二特征向量样本，将所述第三向量序列样本和所述译码向量样...

【专利技术属性】
技术研发人员：张睦，
申请(专利权)人：语联网武汉信息技术有限公司，
类型：发明
国别省市：湖北;42