基于约束解码与最小贝叶斯的多模态语言翻译模型解码方法研究

针对跨语言翻译模型准确性较低,易产生歧义等问题,研究搭建了基于Transformer的多模态语言翻译模型,并提出了一种新的解码方法。结果表明,在英语-越语数据集中,完整模型的双语评估替补值最高,为28.51%。在newstest2017、newstest2018和cwmt2018数据集中,研究所提多模态翻译模型的双语评估替补值均最高,分别为24.52%,24.47%和24.48%。采用双语评估替补效用函数的模型在双语评估替补指标方面的表现最好。研究结果显示,所提翻译模型具有较好的语言翻译性能和准确性,能够有效对传统的Transformer模型进行改进,且在长句子翻译上具有较好的表现,因此,具有重要的实际应用价值和前景。研究能够为英文翻译提供一定的技术支持,促进跨文化传播以及跨国贸易的深入开展。

一种端到端的藏文La格浅层语义分析

该文通过详细分析La格的用法及特征,在研制La格(■)浅层语义标记规范的基础上,提出一种端到端的长短时记忆神经网络藏文La格浅层语义分析方法,该方法首先借鉴LSTM的设计思路,通过在LSTM的垂直方向上装置一个新颖的“门控高速连接”机制(Gated high-speed connection mechanism,GM),学习了输入句子的时序语义特征。GM包含对单元内部输入和输出的线性连接,使信息可以通畅地在不同层之间传播;然后使用Softmax计算每一时刻语义标签的局部归一化分布,以供输出层进行约束解码;最后使用维特比算法进行解码时通过强制执行该文设定的BIO和La格浅层语义标注约束,规范了输出语义标签之间的结构关系。虽然这个模型比较简单,不需要输入任何额外特征,但取得了理想的实验结果,在测试集上的藏文La格浅层语义分析准确率达到90.59%。