基于深度神經網絡的統(tǒng)計機器翻譯模型研究.pdf_第1頁
已閱讀1頁,還剩57頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、隨著互聯(lián)網應用的日益增多,網絡交互愈加頻繁,互聯(lián)網內的資源呈現出爆發(fā)式的增長。在此浪潮的沖擊之下,深度學習等基于大規(guī)模數據的方法被提出,且對于許多擱置不前的經典任務,學者們開始從全新的角度加以思考。而本課題的研究方向就是對傳統(tǒng)的機器翻譯問題重新設計與建模,并使用深度神經網絡來解決此問題。
  通過對傳統(tǒng)統(tǒng)計機器翻譯方法的調研,以及深度學習在自然語言處理中的應用分析,本課題旨在建立一個聯(lián)合的神經網絡模型來覆蓋整個翻譯過程,從End-

2、to-End的角度直接完成翻譯任務。以往對于機器翻譯模型的改進,通常是將其中某個子模塊使用神經網絡進行替換,但本課題聯(lián)合所有子模塊進行建模,把機器翻譯過程分解為編碼器、解碼器兩大部分。在此之上對語言模型、詞對齊部分、以及輸出模塊生成算法進一步優(yōu)化,并提出一種基于遞歸神經網絡的RNN-embed機器翻譯模型。此模型最大的優(yōu)勢為無需對雙語數據進行分詞處理,平行雙語對會被視為兩個高度相關的具有時間順序的序列對。雙語數據以字符級別輸入所提出的網

3、絡進行訓練,以解決文本類信息在深度神經網絡中高語義難處理的困難。
  基于所提出的模型,本課題還實現了一個可插拔的通用機器翻譯框架,并以多線程及GPU計算加速訓練過程。由于沒有合適的公開數據集,便通過爬取字幕網站上的中英字幕數據,并預處理后生成一千多萬對雙語語料,部分作為實驗數據使用。最后,通過實驗驗證,相比于權威統(tǒng)計機器翻譯系統(tǒng)Moses,本課題的RNN-embed機器翻譯模型大幅度縮減模型訓練時間,同時降低翻譯過程的復雜性。且

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論