基于LSTM的蒙汉机器翻译的研究

计算机工程与科学

基于LSTM的蒙汉机器翻译的研究

刘婉婉，苏依拉，乌尼尔，仁庆道尔吉

（内蒙古工业大学信息工程学院，内蒙古呼和浩特 010080）

收稿日期:2017-05-31 修回日期:2017-06-20 出版日期:2018-10-25 发布日期:2018-10-25
基金资助:
国家自然科学基金（61363052，61502255）；内蒙古自治区自然科学基金（2016MS0605）；内蒙古民族事务委员会基金（MW2017MGYWXXH03）

Mongolian-Chinese machine translation based on LSTM

LIU Wanwan,SU Yila,WU Nier,RENQING Daoerji

（College of Information Engineering,Inner Mongolia University of Technology,Hohhot 010080,China）

Received:2017-05-31 Revised:2017-06-20 Online:2018-10-25 Published:2018-10-25

摘要/Abstract

摘要：

由于内蒙古地区蒙汉机器翻译水平落后、平行双语语料规模较小，利用传统的统计机器翻译方法会出现数据稀疏以及训练过拟合等问题，导致翻译质量不高。针对这种情况，提出基于LSTM的蒙汉神经机器翻译方法，通过利用长短时记忆模型构建端到端的神经网络框架并对蒙汉机器翻译系统进行建模。为了更有效地理解蒙古语语义信息，根据蒙古语的特点将蒙古文单词分割成词素形式，导入模型，并在模型中引入局部注意力机制计算与目标词有关联的源语词素的权重，获得蒙古语和汉语词汇间的对齐概率，从而提升翻译质量。实验结果表明，该方法相比传统蒙汉翻译系统提高了翻译质量。

关键词: 注意力, 端到端模型, 机器翻译, 蒙汉, LSTM神经网络

Abstract:

Due to the small scale of Mongolian-Chinese bilingual parallel corpus and problems such as sparse data and over fitting of data training, the translation quality of traditional statistical machine translation methods for MongolianChinese translation needs to be improved. In view of this situation, we propose a MongolianChinese neural machine translation method based on LSTM. It constructs an end-to-end neural network frame by using the long and short memory model and models the Mongolian-Chinese machine translation system. In order to understand Mongolian sematic information more effectively, Mongolian words are divided into morphemes according to the characteristics of Mongolian language, which are then introduced into the model. Besides, the local attention mechanism is introduced into the model to calculate the weight of the source morphemes that are associated with the target word to achieve the probability of alignment between Mongolian and Chinese vocabularies and improve the translation quality. Experimental results show that compared with the traditional Mongolian-Chinese translation system, the proposed method obtains better translation quality.

Key words: attention, end-to-end model, machine translation, Mongolian-Chinese；LSTM neural network

刘婉婉，苏依拉，乌尼尔，仁庆道尔吉. 基于LSTM的蒙汉机器翻译的研究[J]. 计算机工程与科学.

LIU Wanwan,SU Yila,WU Nier,RENQING Daoerji.

Mongolian-Chinese machine translation based on LSTM

[J]. Computer Engineering & Science.

[1]	张永智, 何可人, 戈珏. 改进YOLOv7网络在低空遥感图像目标检测中的应用[J]. 计算机工程与科学, 2024, 46(07): 1269-1277.
[2]	王泽宇, 徐慧英, 朱信忠, 李琛, 刘子洋, 王子奕. 基于YOLOv8改进的密集行人检测算法：MER-YOLO[J]. 计算机工程与科学, 2024, 46(06): 1050-1062.
[3]	邓翔宇, 裴浩媛, 盛迎. 基于网络融合的改进MobileViT人脸表情识别[J]. 计算机工程与科学, 2024, 46(06): 1072-1080.
[4]	张玉莹, 朱广丽, 谈光璞, . 基于情感增强和语义依存的金融隐式情感分析模型[J]. 计算机工程与科学, 2024, 46(06): 1112-1120.
[5]	尹春勇, 赵峰. 基于双层注意力和深度自编码器的时间序列异常检测模型[J]. 计算机工程与科学, 2024, 46(05): 826-835.
[6]	赵金源, 贾迪. 改进YOLOv5的多人姿态估计修正算法[J]. 计算机工程与科学, 2024, 46(05): 852-860.
[7]	马长林, 孙状. 基于实体知识的远程监督关系抽取[J]. 计算机工程与科学, 2024, 46(05): 945-950.
[8]	曹浩东, 汪海涛, 贺建峰. 融合序列局部信息的日期感知序列推荐算法[J]. 计算机工程与科学, 2024, 46(04): 734-742.
[9]	申影利, 赵小兵, . 语言模型蒸馏的低资源神经机器翻译方法[J]. 计算机工程与科学, 2024, 46(04): 743-751.
[10]	要媛媛, 刘宇航, 程雨菁, 彭梦晓, 郑文, . 融合多注意力机制的自监督小样本医学图像分割[J]. 计算机工程与科学, 2024, 46(03): 479-487.
[11]	陈欢欢, 王剑, Muhammad Naeem Ul Hassan. 融合乌尔都语词性序列预测的汉乌神经机器翻译[J]. 计算机工程与科学, 2024, 46(03): 518-524.
[12]	晋广印, 赵旭俊, 龚艺璇. 基于长短期记忆网络的移动轨迹目的地预测[J]. 计算机工程与科学, 2024, 46(03): 525-534.
[13]	杨晓强, 黄加诚. 基于动态定位和特征融合的多分支细粒度识别方法[J]. 计算机工程与科学, 2024, 46(02): 253-263.
[14]	黄珍伟, 陈伟, 王文杰, 路锦通. 基于改进 RetinaNet网络的水下机器人目标检测与实验[J]. 计算机工程与科学, 2024, 46(02): 264-271.
[15]	张欢, 李卫疆, . 基于类型注意力和GCN的远程监督关系抽取[J]. 计算机工程与科学, 2024, 46(02): 316-324.