為了提高英語語句翻譯評判工作的準(zhǔn)確性和效率,引入人工智能和計(jì)算機(jī)技術(shù)進(jìn)行自然語言自動(dòng)化處理成為當(dāng)前研究熱點(diǎn)。文中提出了一種先分裂過濾、再提取優(yōu)化和最后交互融合的英語文本自動(dòng)評判算法,設(shè)計(jì)了一種BP神經(jīng)機(jī)器評判系統(tǒng)。經(jīng)過機(jī)器評判與教師自主評判同一英語語句樣本,測試結(jié)果表明,ETSS系統(tǒng)性能優(yōu)異,提高了評判的可靠性和正確率,降低了英語翻譯評判工作的人為干預(yù)度和誤判率。

【文章頁數(shù)】：6 頁

【部分圖文】：

圖1ETSS系統(tǒng)基本框架圖

ETSS(EnglishTranslationScoringsystem)的基本框架如圖1所示,系統(tǒng)的主要功能分為文本特征提取、計(jì)算權(quán)重和決策評判三個(gè)核心模塊。系統(tǒng)使用已經(jīng)標(biāo)注好的語料庫,即某高校近8年的翻譯題文本庫,以及全國大學(xué)英語四級和六級語料庫,搭建詞匯質(zhì)量評價(jià)模型、....

圖2特征文本兩層小波包分解法

圖2為特征向量的過濾、提取方法。通過Doc2Vec將文本解析得到文本向量特征,通過NLTK和StanfordParser工具包采樣得到特征細(xì)節(jié),第2層分解亦同,空間劃分更為細(xì)致。不能僅靠一次過濾提取得到文本特征度,應(yīng)連續(xù)重復(fù)過濾多次以避免偶然條件下的誤動(dòng)作,利用小波變換和短時(shí)傅....

圖3綜合評判流程圖

前面提取的語句文本特征向量,再分別由語句詞匯質(zhì)量評價(jià)模型GBRT[14]、語句優(yōu)美性評價(jià)模型CNN[8]和語句相關(guān)性評價(jià)模型LSTM[15],經(jīng)Stacking方法[1]集成學(xué)習(xí)之后,輸入到經(jīng)過訓(xùn)練好的BP神經(jīng)機(jī)器評判模型當(dāng)中,進(jìn)行交互式融合提升回歸驗(yàn)證訓(xùn)練,獲得語句文本最終評分....

圖4BP神經(jīng)機(jī)器評判邏輯結(jié)構(gòu)

提出的ETSS系統(tǒng)是建立在BP神經(jīng)網(wǎng)絡(luò)算法和機(jī)器學(xué)習(xí)[16]的基礎(chǔ)上,進(jìn)行自動(dòng)化評判英語語句翻譯的結(jié)果,這種評判方法可以考慮到英語語句的語言因素,相對準(zhǔn)確地判斷語句翻譯的對錯(cuò)。如圖4所示的BP神經(jīng)機(jī)器評判邏輯結(jié)構(gòu),ETSS系統(tǒng)將翻譯結(jié)果評判引入BP神經(jīng)機(jī)器算法[17]中,保證輸入....

本文編號：3915939