以高精度翻譯多種自然語言的單詞/語句為目標(biāo),設(shè)計基于人工智能的機器自動翻譯系統(tǒng)。首先設(shè)計了機器自動翻譯系統(tǒng)的總體結(jié)構(gòu),然后重點描述了機器自動翻譯系統(tǒng)的核心模塊,該模塊獲取單詞/語句通過訓(xùn)練獲取詞向量,初始詞向量并賦予詞性特征,采用對數(shù)線性模型實現(xiàn)多種自然語言的單詞/語句的詞向量多特征融合翻譯,最后進行了實例分析與驗證。結(jié)果表明,該系統(tǒng)可高精度翻譯自然語言,在不同句型、不同并發(fā)用戶量、未登錄詞不同字符數(shù)量下,系統(tǒng)翻譯性能較為穩(wěn)定,能夠滿足實際應(yīng)用需求。 

【文章來源】：微型電腦應(yīng)用. 2020,36(11)

【文章頁數(shù)】：3 頁

【部分圖文】：

機器自動翻譯系統(tǒng)的架構(gòu)圖

神經(jīng)網(wǎng)絡(luò)是人工智能理論技術(shù)中的一種,采用多特征構(gòu)建翻譯模型,將用戶輸入的單詞/語句通過訓(xùn)練獲取詞向量。對詞向量融入詞性特征,去除語義、詞義中差異。1.2.1 詞向量訓(xùn)練

構(gòu)建基于連續(xù)詞向量學(xué)習(xí)方法的詞向量訓(xùn)練模型,詞向量訓(xùn)練模型,如圖3所示。V表示翻譯模塊中數(shù)據(jù)庫詞典,語句序列為:v1,v2,…,vk。語句的詞向量最大化,如式(1)。

【參考文獻】：
期刊論文
[1]融合多特征的漢維神經(jīng)網(wǎng)絡(luò)機器翻譯模型[J]. 朱順樂.  計算機工程與設(shè)計. 2019(05)
[2]面向神經(jīng)機器翻譯的集成學(xué)習(xí)方法分析[J]. 李北,王強,肖桐,姜雨帆,張哲旸,劉繼強,張俐,于清.  中文信息學(xué)報. 2019(03)
[3]機器翻譯方法研究與發(fā)展綜述[J]. 侯強,侯瑞麗.  計算機工程與應(yīng)用. 2019(10)
[4]基于釋義信息的維漢機器翻譯系統(tǒng)融合研究[J]. 王亞娟,李曉,楊雅婷,米成剛.  計算機工程. 2019(04)
[5]模板驅(qū)動的神經(jīng)機器翻譯[J]. 李強,黃輝,周沁,韓雅倩,肖桐,朱靖波.  計算機學(xué)報. 2019(03)
[6]基于句子級BLEU指標(biāo)挑選數(shù)據(jù)的半監(jiān)督神經(jīng)機器翻譯[J]. 葉紹林,郭武.  模式識別與人工智能. 2017(10)
[7]神經(jīng)機器翻譯系統(tǒng)在維吾爾語-漢語翻譯中的性能對比[J]. 哈里旦木·阿布都克里木,劉洋,孫茂松.  清華大學(xué)學(xué)報(自然科學(xué)版). 2017(08)
[8]基于統(tǒng)計分析的蒙漢自然語言的機器翻譯[J]. 蘇依拉,烏尼爾,劉婉婉.  北京工業(yè)大學(xué)學(xué)報. 2017(01)
[9]深度遞歸的層次化機器翻譯模型[J]. 劉宇鵬,馬春光,張亞楠.  計算機學(xué)報. 2017(04)



本文編號：3025825