【技术实现步骤摘要】
基于双向循环神经网络的口译评测方法、系统及设备
[0001]本专利技术涉及人工智能口译评测
，尤其涉及一种基于双向循环神经网络的口译评测方法、系统及设备。
技术介绍
[0002]随着国际性交流的增加，使用不同语种的语言沟通也越来越频繁，口译作为一种重要的实时交流方式，在一些涉外商务交流和外交工作中显得尤为重要，因此，口译工作者的口译可靠性以及准确性对交流双方的沟通畅达性至关重要。为了提高口译工作者的口译可靠性和准确性，在口译工作者的日常训练以及口译工作中，通常需要对其口译结果进行质量评测。
[0003]在这一领域，陈志明等人提出了基于QuEst技术和神经网络的质量估计模型，其通过提取目标语句的质量向量来达到对于神经机器翻译质量的检测；秦文杰等人提出利用RNN模型的注意力机制来解决机器翻译质量检测中的转化方法有效性问题；周瀚章对于现有的语音识别模型进行了梳理，并且提出了Transformer模型的声学建模思路。
[0004]上述方法虽然能一定程度上对口译结果的质量进行评测估计，但是仍然存在相应的缺陷。具体...
【技术保护点】
【技术特征摘要】
1.一种基于双向循环神经网络的口译评测方法，其特征在于，包括如下步骤：将口译结果的声学特征进行音节的向量转化；输出等维度的特征向量；获取特征向量的统一概率分布；利用概率分布的结果分别得出口译结果的质量向量以及语境词向量；将语境词向量转化为连续的语境特征句向量；将质量向量以及语境特征句向量输入双向循环神经网络，获得口译结果文本的文本对照程度向量和文本联系程度向量，然后通过向量连接操作获得口译结果整体特征向量；将得到的口译结果整体特征向量用于计算口译质量得分QE
INTERPRETATION
，其中，y
*
表示为口译结果整体特征向量，w
qe
为全连接神经网络层的权重矩阵。2.根据权利要求1所述的基于双向循环神经网络的口译评测方法，其特征在于，所述将口译结果的声学特征进行音节的向量转化包括步骤：将口译结果的声学特征向量W
i
输入到改进的Transformer模型的Self
‑
Attention层，产生同等维度的新特征向量W
′
i
，W
′
i
＝W
i
+MHA(W
i
，W
i
，W
i
)；其中，MHA(W
i
，W
i
，W
i
)表示Self
‑
Attention机制，i表示解码器索引，且i＝0，...，e
‑
1；Self
‑
Attention层输出的特征向量经过前向反馈神经，继续形成同维度的特征向量W
i+1
，W
i+1
＝W
′
i
+FF
i
(W
′
i
)，其中，(W[t])表示所输入的声学特征向量序列W
i
的第t帧，FF
i
表示第i个双层的前向反馈神经网络，表示Self
‑
Attention层的权重矩阵，表示Self
‑
Attention层的偏置矢量。3.根据权利要求2所述的基于双向循环神经网络的口译评测方法，其特征在于，所述输出等维度的特征向量包括步骤：将编码层中通过前向反馈所得到的特征向量输入到解码层中，使用单一方向上的解码器，生产目标序列；编码层中Self
‑
Attention的公式如下：其中，j为解码器的索引，且j＝0，...，d
‑
1；将第一层的Self
‑
Attention的输出结果传递到下一层的Encoder
‑
Decoder Self
‑
Attention中，使得解码器中的所有位置都能准确识别出所输出序列的所在位置信息，公式如下：其中，表示解码器和编码器的Self
‑
Attention机制；继续通过前向反馈神经输出等维度的特征向量，公式如下：Y
j+1
＝Y
″
j
+FF
i
(Y
″
j
)，其中，FF
i
表示第i个双层前反馈神经网络。4.根据权利要求3所述的基于双向循环神经网络的口译评测方法，其特征在于，所述获取特征向量的统一概率分布包括步骤：计算出Z，K矩阵的点乘；
将计算出的Z，K矩阵的点乘除以一个...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。