AI人工智能翻译中数据增广策略和语法错误分析技术研究

人工智能的信息处理逻辑可以对语言系统进行学习理解,进而在翻译工作中给出最优结果,以满足实际应用需要。研究结合数据增广策略和语料库对语法错误生成、纠正及检测模型进行数据训练。研究分析基于规则的数据增广策略对其数据处理进行分析,进而提高训练数据的质量,采用学习者语料库对不同规模的语法纠错(grammatical error correction, GEC)模型进行结果分析,得出200 M左右的合成数据训练的GEC模型的精准率为45%、召回率最高为24%、F_0.5值最高为38%。再对优化后的GEC模型进行训练,得出其值分别为37%、24%和34%。最后在重排序策略下基于数据增广策略的语法错误模型的结果为75%、43%和65%。因此,证明基于数据增广策略的语法错误模型具有高检测精度,为人工智能翻译技术提供技术支持。

零一膨胀负二项模型的客观贝叶斯分析

该文建立了贝叶斯模型,对零一膨胀负二项分布进行了客观贝叶斯估计.采用数据增广策略,基于完全似然函数,推导出零一膨胀负二项模型不同形式的reference先验,进一步证明了相应的后验分布是恰当的.在不同的样本量和不同的参数真值下,对3种reference先验的性能进行仿真与评估.最后,对于生物化学博士生发表论文数量的数据集,零一膨胀负二项模型能够达到较好的拟合效果.