生成翻译模型的方法和装置与流程

本公开的实施例涉及计算机技术领域，具体涉及生成翻译模型的方法和装置。

背景技术：

随着语音识别技术和机器翻译技术的不断成熟，出现了很多面向语音的翻译产品，如翻译机、会议同传等，同时语音翻译不同于文本翻译，存在着严重的口语化问题。

机器翻译技术需要从大量的双语语料中学习翻译规律，从而对于给定的源语言句子，翻译模型能够自动给出合适的译文。因为能收集到的双语语料大都是规范表达的句子，从而训练出来的翻译模型更适合翻译规范表达的源语言句子，对于口语化严重的句子，翻译效果并不理想。

现有技术通常通过挖掘网络上已有的口语相关的双语语料；或者挖掘口语相关的单语语料，然后人工翻译，构建双语语料。然后，在通用大数据模型的基础上，引入口语化的语料进行精细化训练(finetuning)。

但是，通过数据挖掘的方法能获取到的语料数量极少，人工翻译的方法代价极高。同时如果只能够获取少量的口语化双语语料，最终的效果提升比较有限。

技术实现要素：

本公开的实施例提出了生成翻译模型的方法和装置。

第一方面，本公开的实施例提供了一种生成翻译模型的方法，包括：获取原始语料对集，其中，每个原始语料对包括待翻译语句和译文；对于原始语料对集中的原始语料对，将该原始语料对的待翻译语句切词，并至少一次随机编辑待翻译语句中的词语后，生成至少一个新语料，并与该原始语料对的译文组成至少一个新语料对；利用预先训练的初始翻译模型计算各新语料对的翻译得分；对于原始语料对集中的原始语料对，将基于该原始语料对生成的至少一个新语料对中翻译得分最高，且翻译得分高于预定阈值的新语料对确定为口语化语料对；使用口语化语料对训练初始翻译模型，得到口语化翻译模型。

在一些实施例中，随机编辑包括：随机删除待翻译语句中的至少一个词语。

在一些实施例中，随机编辑包括：随机重复待翻译语句中的至少一个词语。

在一些实施例中，该方法还包括：响应于接收到待翻译的目标语句，识别目标语句是否为口语化语句；若是口语化语句，则将目标语句输入口语化翻译模型，输出相应译文。

在一些实施例中，该方法还包括：若不是口语化语句，则将目标语句输入初始翻译模型，输出相应译文。

第二方面，本公开的实施例提供了一种生成翻译模型的装置，包括：获取单元，被配置成获取原始语料对集，其中，每个原始语料对包括待翻译语句和译文；编辑单元，被配置成对于原始语料对集中的原始语料对，将该原始语料对的待翻译语句切词，并至少一次随机编辑待翻译语句中的词语后，生成至少一个新语料，并与该原始语料对的译文组成至少一个新语料对；评分单元，被配置成利用预先训练的初始翻译模型计算各新语料对的翻译得分；生成单元，被配置成对于原始语料对集中的原始语料对，将基于该原始语料对生成的至少一个新语料对中翻译得分最高，且翻译得分高于预定阈值的新语料对确定为口语化语料对；训练单元，被配置成使用口语化语料对训练初始翻译模型，得到口语化翻译模型。

在一些实施例中，编辑单元进一步被配置成：随机删除待翻译语句中的至少一个词语。

在一些实施例中，编辑单元进一步被配置成：随机重复待翻译语句中的至少一个词语。

在一些实施例中，该装置还包括识别单元，被配置成：响应于接收到待翻译的目标语句，识别目标语句是否为口语化语句；若是口语化语句，则将目标语句输入口语化翻译模型，输出相应译文。

在一些实施例中，识别单元进一步被配置成：若不是口语化语句，则将目标语句输入初始翻译模型，输出相应译文。

第三方面，本公开的实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一的方法。

第四方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面中任一的方法。

本公开的实施例提供的生成翻译模型的方法和装置，使用无监督的方法自动构造大量口语化的训练语料，然后训练翻译模型，从而使得翻译系统针对口语化问题具有更高的鲁棒性。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的生成翻译模型的方法的一个实施例的流程图；

图3是根据本公开的生成翻译模型的方法的一个应用场景的示意图；

图4是根据本公开的生成翻译模型的方法的又一个实施例的流程图；

图5是根据本公开的生成翻译模型的装置的一个实施例的结构示意图；

图6是适于用来实现本公开的实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开的生成翻译模型的方法或生成翻译模型的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如翻译类应用、语音识别类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、mp3播放器(movingpictureexpertsgroupaudiolayeriii，动态影像专家压缩标准音频层面3)、mp4(movingpictureexpertsgroupaudiolayeriv，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上传的原始语料对集进行处理后筛选出口语化的训练样本，并基于口语化的训练样本训练出口语化翻译模型的后台训练服务器。后台训练服务器可以对接收到的原始语料对集等数据进行分析等处理，并将处理结果(例如翻译模型)反馈给终端设备。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本公开的实施例所提供的生成翻译模型的方法可以由服务器105执行。相应地，生成翻译模型的装置可以设置于服务器105中。在此不做具体限定。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本公开的生成翻译模型的方法的一个实施例的流程200。该生成翻译模型的方法，包括以下步骤：

步骤201，获取原始语料对集。

在本实施例中，生成翻译模型的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从用户利用其进行样本采集的终端接收原始语料对，其中，每个原始语料对包括待翻译语句和译文。该原始语料对集可用于训练标注的翻译模型，例如transformer。

步骤202，对于原始语料对集中的原始语料对，将该原始语料对的待翻译语句切词，并至少一次随机编辑待翻译语句中的词语后，生成至少一个新语料，并与该原始语料对的译文组成至少一个新语料对。

在本实施例中，可通过常用的切词方法对每个原始语料对中的待翻译语句切词，得到词序列。例如，原始语料对为：

源语言：这是一幅美不胜收的景象。

目标语言：thisisabeautifulscene.

“这是一幅美不胜收的景象”被切词成“这是”、“一幅”、“美不胜收”、“的”、“景象”。

然后对词序列进行处理，可随机删除其中的一个词或多个词，可至少做一次随机删除操作，然后将处理后的词序列重新整理成一句话作为新语料对中的待翻译语句，译文保持不变。还可随机重复词序列中的一个词或多个词，可至少做一次随机重复操作，例如，重复1次“一幅”。然后将处理后的词序列重新整理成一句话。可选地，即可重复至少一个词，也可删除其它的词。每个原始语料对的待翻译语句都可生成一组处理后的语句，他们都对应相同的译文，可分别组成新语料对。

步骤203，利用预先训练的初始翻译模型计算各新语料对的翻译得分。

在本实施例中，该初始翻译模型用于将待翻译语句翻译成目标语言。该初始翻译模型可通过原始语料对集训练得到，也可通过其它样本训练得到。该初始翻译模型可以是transformer等翻译模型。翻译过程中使用强制解码技术，可以计算翻译模型对一个句对的打分，可以理解为基于翻译模型的翻译概率。

步骤204，对于原始语料对集中的原始语料对，将基于该原始语料对生成的至少一个新语料对中翻译得分最高，且翻译得分高于预定阈值的新语料对确定为口语化语料对。

在本实施例中，将同一原始语料对中新语料对的翻译得分最高且翻译得分高于预定阈值的新语料对确定为口语化语料对。即，每个原始语料对最多生成一个口语化语料对。剔除翻译概率低的语料，从而加快翻译模型的训练速度，提高准确率。

步骤205，使用口语化语料对训练初始翻译模型，得到口语化翻译模型。

在本实施例中，使用更新后的语料对重新训练初始翻译模型，得到口语化翻译模型。

继续参见图3，图3是根据本实施例的生成翻译模型的方法的应用场景的一个示意图。在图3的应用场景中，用户通过终端提交的原始语料为：

源语言：这是一幅美不胜收的景象。(空格表示切词位置)

目标语言：thisisabeautifulscene.

方法：

1.生成新语料：对于原始语料中的源语言句子进行删词，比如可以得到以下新的多个双语训练语料：

新语料对a：

源语言：这是美不胜收的景象。

目标语言：thisisabeautifulscene.

新语料对b：

源语言：这是一幅景象。

目标语言：thisisabeautifulscene.

新语料对c：

源语言：这是一幅美不胜收的

目标语言：thisisabeautifulscene.

2.筛选新语料：在大规模通用语料上训练transformer翻译模型，然后使用强制解码技术计算每个句对的源语言和目标语言的翻译得分，找出得分最高的句对，如果该句对得分高于给定的阈值，则保留该句对作为口语化翻译的训练语料，否则，舍弃。图3中新语料对a的翻译得分最高，且超过了预定的阈值0.8，因此将新语料对a确定为口语化语料对。

3.训练模型：使用生成的口语化翻译的训练语料，训练新的transformer翻译模型，实现具有高鲁棒性的针对口语化问题的翻译系统。

本公开的上述实施例提供的方法，使用无监督的方法，能够快速低成本的获得大量的口语化双语语料，使用该语料训练面向口语化的翻译模型，从而实现具有高鲁棒性的针对口语化问题的翻译系统。

进一步参考图4，其示出了生成翻译模型的方法的又一个实施例的流程400。该生成翻译模型的方法的流程400，包括以下步骤：

步骤401，获取原始语料对集，其中，每个原始语料对包括待翻译语句和译文。

步骤402，对于原始语料对集中的原始语料对，将该原始语料对的待翻译语句切词，并至少一次随机编辑待翻译语句中的词语后，生成至少一个新语料，并与该原始语料对的译文组成至少一个新语料对。

步骤403，利用预先训练的初始翻译模型计算各新语料对的翻译得分。

步骤404，对于原始语料对集中的原始语料对，将基于该原始语料对生成的至少一个新语料对中翻译得分最高，且翻译得分高于预定阈值的新语料对确定为口语化语料对。

步骤405，使用口语化语料对训练初始翻译模型，得到口语化翻译模型。

步骤401-405与步骤201-205基本相同，因此不再赘述。

步骤406，响应于接收到待翻译的目标语句，识别目标语句是否为口语化语句。

在本实施例中，训练好的口语化翻译模型可用于翻译目标语句。但该模型是针对口语化语句效果好，因此可先判断是否是口语化语句再选择用哪个翻译模型。可通过预先训练的分类模型来判断是否是口语化语句。该分类模型可将口语语句作为正样本，将书面语句作为负样本训练二分类的神经网络得到分类模型。将目标语句输入分类模型后得到属于口语的概率，将超过预定概率的目标语句判定为口语化语句。

步骤407，若目标语句是口语化语句，则将目标语句输入口语化翻译模型，输出相应译文。

在本实施例中，如果目标语句是口语化语句，则可用步骤405训练出的口语化翻译模型进行翻译，输出译文。

步骤408，若目标语句不是口语化语句，则将目标语句输入初始翻译模型，输出相应译文。

在本实施例中，如果目标语句不是口语化语句，则可用初始翻译模型进行翻译，输出译文。

从图4中可以看出，与图2对应的实施例相比，本实施例中的生成翻译模型的方法的流程400体现了根据待翻译语句的类型针对性翻译的步骤。由此，本实施例描述的方案可以进一步提高翻译质量。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种生成翻译模型的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的生成翻译模型的装置500包括：获取单元501、编辑单元502、评分单元503、生成单元504和训练单元505。其中，获取单元501，被配置成获取原始语料对集，其中，每个原始语料对包括待翻译语句和译文；编辑单元502，被配置成对于原始语料对集中的原始语料对，将该原始语料对的待翻译语句切词，并至少一次随机编辑待翻译语句中的词语后，生成至少一个新语料，并与该原始语料对的译文组成至少一个新语料对；评分单元503，被配置成利用预先训练的初始翻译模型计算各新语料对的翻译得分；生成单元504，被配置成对于原始语料对集中的原始语料对，将基于该原始语料对生成的至少一个新语料对中翻译得分最高，且翻译得分高于预定阈值的新语料对确定为口语化语料对；训练单元505，被配置成使用口语化语料对训练初始翻译模型，得到口语化翻译模型。

在本实施例中，生成翻译模型的装置500的获取单元501、编辑单元502、评分单元503、生成单元504和训练单元505的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204和步骤205。

在本实施例的一些可选的实现方式中，编辑单元502进一步被配置成：随机删除待翻译语句中的至少一个词语。

在本实施例的一些可选的实现方式中，编辑单元502进一步被配置成：随机重复待翻译语句中的至少一个词语。

在本实施例的一些可选的实现方式中，装置500还包括识别单元(附图中未示出)，被配置成：响应于接收到待翻译的目标语句，识别目标语句是否为口语化语句；若是口语化语句，则将目标语句输入口语化翻译模型，输出相应译文。

在本实施例的一些可选的实现方式中，识别单元进一步被配置成：若不是口语化语句，则将目标语句输入初始翻译模型，输出相应译文。

下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器或终端设备)600的结构示意图。本公开的实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图6示出的终端设备/服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储装置608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、rom602以及ram603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。

通常，以下装置可以连接至i/o接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从rom602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取原始语料对集，其中，每个原始语料对包括待翻译语句和译文；对于原始语料对集中的原始语料对，将该原始语料对的待翻译语句切词，并至少一次随机编辑待翻译语句中的词语后，生成至少一个新语料，并与该原始语料对的译文组成至少一个新语料对；利用预先训练的初始翻译模型计算各新语料对的翻译得分；对于原始语料对集中的原始语料对，将基于该原始语料对生成的至少一个新语料对中翻译得分最高，且翻译得分高于预定阈值的新语料对确定为口语化语料对；使用口语化语料对训练初始翻译模型，得到口语化翻译模型。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、编辑单元、评分单元、生成单元和训练单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取原始语料对集的单元”。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。