圖片描述翻譯任務(wù)是通過機器翻譯系統(tǒng),將圖片源語言端描述翻譯為目標語言。圖片描述都是以短文本為主,無法為翻譯系統(tǒng)提供足夠的上下文信息。因此,如何將圖片信息更好的融入翻譯系統(tǒng),從而解決跨模態(tài)信息融合問題是該任務(wù)的重點。本文從統(tǒng)計機器翻譯、神經(jīng)機器翻譯出發(fā),集中研究具有較強適應(yīng)性的圖片描述翻譯優(yōu)化方法。在統(tǒng)計機器翻譯中,本文針對語料中的歧義詞問題,通過圖片主題信息對翻譯模型進行優(yōu)化;在神經(jīng)機器翻譯中,本文通過優(yōu)化圖片特征對語言特征學習的支持性作用提高翻譯系統(tǒng)的性能。本文集中研究圖片描述翻譯的模態(tài)適應(yīng)性,具體內(nèi)容包括以下三個方面:（1）融合圖片主題信息的翻譯模型優(yōu)化方法通用領(lǐng)域翻譯模型不能準確進行歧義詞翻譯,針對該問題,提出一種基于圖片主題信息優(yōu)化翻譯模型方法。該方法旨在從大規(guī)模圖片-文檔對應(yīng)的語料中挖掘相似于圖片內(nèi)容的文檔集合,借以分析圖片的主題信息,進而將圖片主題信息融入統(tǒng)計機器翻譯系統(tǒng)中的翻譯模型,這一過程有助于加強翻譯系統(tǒng)的領(lǐng)域自適應(yīng)能力,提高系統(tǒng)的性能。實驗結(jié)果表明,相比較于基準系統(tǒng),這一方法在測試集上提高0.74個百分點。（2）圖片描述翻譯中面向主題優(yōu)化的關(guān)聯(lián)語句抽取方法針對圖片主... 

【文章來源】：蘇州大學江蘇省

【文章頁數(shù)】：71 頁

【學位級別】：碩士

【部分圖文】：

圖２－１統(tǒng)計機器翻譯流程圖??

２４＇２５］等人分別實??現(xiàn)了相應(yīng)的完全基于神經(jīng)網(wǎng)絡(luò)的機器翻譯模型。這些均屬于經(jīng)典的神經(jīng)機器翻譯模??型，本質(zhì)上是序列到序列的模型，不僅可以用于機器翻譯，還可以用于其他序列任??務(wù)，比如：問答、摘要生成等。神經(jīng)機器翻譯采用連續(xù)空間表示詞語、短語以及句??子。在翻譯建模過程中，完全采用神經(jīng)網(wǎng)絡(luò)進行源端句子到目標端句子的映射。目??前，ｆｃ流的神經(jīng)機器翻譯系統(tǒng)主要有Ｇｏｏｇｌｅ提出的端到端模型％以及蒙特利爾人學??提出的編碼器－解碼器模型｜２３１。本文主要基ｆ編碼器－解碼器模型進行實驗，圖２－２展??示，編碼器－解碼器模型的基本框架圖：??ｍｏｉ?ｓｕｉｓ?ｅｔｕｄｉａｎｔ?〈／ｓ〉??ｅｔｕｄｉａｎｔ?＾?＾??？?０？?１?０？?１?０．２?ｊ?Ｉ?０．?６??Ｊｅ?０．３?｜?０．?１?０．?１?丨丨?０．?１??Ｍｏｉ?〇．ｌ?０．１?ｉ?０．１??ｓｕｉｓ?々；丨丨０＋６ｈ?４丨々：??Ｈ?１１?４?ｉｌ?１??Ｈｉ：?Ｉ??“?ａ?ｉｉ?“??Ｉ?ａｍ?ａ?ｓｔｕｄｅｎｔ?＜ｓ＞?ｍｏｉ?ｓｕｉｓ?ｅｔｕｄｉａｎｔ??圖２－２編碼器－解碼器模型基本框架圖??編碼器＿解碼器模型主要里包含三部分：詞嵌入層、編碼層以及解碼層。如圖２－??２所示，“／麵＜７?．ｖｍｄＣ表示源端句子，它上面兩層實線框分別表不源端詞嵌入以及??編碼層；“＜ｓ＞所仍則以—廣表不目標端句子，它上面兩層實線框分別表亦目標??端詞嵌入以及解碼層。其中，編碼器或者解碼器可以由循環(huán)神經(jīng)網(wǎng)絡(luò)［２７】（Ｒｅｃｒｎｒｅｍ??１１??

的翻譯模型優(yōu)化方法?面向圖片描述翻譯的模態(tài)適應(yīng)性研究??ｒ???，??！?ｔ／閣片描述＋：￣７??￣題分布?／?！??Ｉ?Ｉ??Ｉ???Ｉ??！?／短語對在描￣７????！?／?述中的出現(xiàn)?Ａ－＾ｊ?－短語翻譯模型??｜／?次＾?／?！???：＝［＝：：??！?｜短語對在＾個七題｜?！??｜?下的翻譯分布?｜??！?Ｌ￣，￣?！??■?１????！?ｙ閣片描述＋：—７紳３丨＋：題＇巧翻叫??；７?題分布／??Ｉ?Ｉ??圖３－１融合圖片主題信息的圖片描述翻譯框架圖??題信息的短語特征包含三種，分別是主題相關(guān)的正向翻譯概率（Ｔｏｐｉｃ－Ｂａｓｅｄ?Ｐｏｓｉｔｉｖｅ??Ｔｒａｎｓｌａｔｉｏｎ?Ｐｒｏｂａｂｉｌｉｔｙ，簡寫為ＴＢ－ＰＴＰ）、主題相關(guān)的反向翻譯概率（Ｔｏｐｉｃ－Ｂａｓｅｄ??Ｎｅｇａｔｉｖｅ?Ｔｒａｎｓｌａｔｉｏｎ?Ｐｒｏｂａｂｉｌｉｔｙ，簡寫為ＴＢ－ＮＴＰ）以及主題敏感度（Ｔｏｐｉｃ?Ｓｅｎｓｉｔｉｖｉｔｙ，??簡寫為ＴＳ）。其中，ＴＢ－ＰＴＰ和ＴＢ－ＮＴＰ通過主題信息對傳統(tǒng)的正向以及反向翻譯概率??（即ＰＴＰ和ＮＴＰ）進行改進。此外，ＴＳ也是一種結(jié)合主題信息的翻譯特征，其對翻譯??消歧的貢獻Ｗ己經(jīng)獲得驗證。??表３－１傳統(tǒng)短語特征??ＰＴＰ?￣ＮＴＰ￣ＬＰＴＰＬＮＴＰ??－８．９５８９３￣￣－２．８８９１５－２．０７９４４￣￣０．１０８８３２??表３－２融入主題信息的短語特征??ＴＢ－ＰＴＰ?ＴＢ－ＮＴＰ?ＴＳ??０．０００１２２４?０．１１１９５４３?３．３０２３６７９??我們借助表３－１和表３－２，對傳統(tǒng)的短語特征和基


本文編號：3253751