统计机器翻译中大规模特征的深度融合

• 作者: 乔秀明 刘宇鹏 赵石磊 马春光
• 来源期刊: 浙江大学学报（工学版）
• 学科: 工学
• 关键词: 大规模特征 异类语料 异类系统 深度融合模型
• 年，卷（期）: 2017,（1）
• 所属期刊栏目: 自动化技术
• 页码范围: 46-56
• 页数: 11页
• 分类号: TP391
• 字数: 10488字
• 语种: 中文
• DOI: 10.3785/j.issn.1008-973X.2017.01.006

摘要

对循环神经网络和递归神经网络进行改进,提出深度融合的神经网络(DNN)模型,在训练过程中加入大规模特征.该模型有很强的泛化能力,适合于现在主流的自底向上解码样式,融合了2种经典的机器翻译模型:基于短语的层次化文法(HPG)和括号转录文法(BTG).使用改进的循环神经网络,生成适合短语生成过程的短语/规则对语义向量,并在生成过程中使用了自编码器以提高循环神经网络的性能.使用改进的递归神经网络,使它在翻译过程中指导解码,考虑到另一个解码器在解码过程中的信息,互相影响共同提高翻译性能.提出的深度融合模型不仅适合于异类翻译系统,也适合于异类语料.相对于经典的基线系统,在异类系统上该模型的实验结果获得1.0～1.9倍的BLEU分数提高,在异类语料上该模型的实验结果获得1.05～1.58的BLEU分数提高,且进行了统计显著性检验.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	马春光	哈尔滨工程大学计算机科学与技术学院	134	987	16.0	22.0
2	赵石磊	哈尔滨理工大学软件学院	14	66	4.0	7.0
3	刘宇鹏	哈尔滨工程大学计算机科学与技术学院	9	63	4.0	7.0
7	乔秀明	哈尔滨工业大学计算机学院	3	6	1.0	2.0