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]	马汉达, 李腾飞. 基于注意力机制的特征融合推荐模型[J]. 计算机工程与科学, 2025, 47(05): 902-911.
[2]	王莹, 杨青, 王翔宇, 张勇, . 基于非对称空间特征的脑电信号情感分析研究[J]. 计算机工程与科学, 2025, 47(05): 921-930.
[3]	梁佳杰, 徐慧英, 朱信忠, 王舒梦, 刘子洋, 李琛. 基于改进的YOLOv8n海洋动物目标检测算法：DPSC-YOLO[J]. 计算机工程与科学, 2025, 47(04): 695-705.
[4]	朱西平, 高昂, 肖丽娟. 融合双词典的农作物病虫害命名实体识别[J]. 计算机工程与科学, 2025, 47(04): 718-727.
[5]	张梦圆, 端阳, 王彬彬, 张蕾, 吴裔, 刘畅, 郭乃网, 程大伟. 基于深度对抗网络的动态图生成模型研究[J]. 计算机工程与科学, 2025, 47(04): 728-739.
[6]	徐雯, 于瓅. 基于迭代收缩阈值与深度学习的压缩感知图像重构网络[J]. 计算机工程与科学, 2025, 47(03): 485-493.
[7]	李娇, 高磊怡, 张瑞欣, 吴越, 邓红霞. 基于脉冲注意力机制的轻量化面部超分重建方法[J]. 计算机工程与科学, 2025, 47(03): 494-503.
[8]	梁泰然, 蒋诗新, 李泉洲, 欧阳斌, 吕盛坪. PCB表面缺陷数据集与基于YOLOv5s-P6SE的检测[J]. 计算机工程与科学, 2025, 47(02): 276-287.
[9]	朱嘉骏, 包美凯, 张凯, 刘烨, 刘淇. 基于多源知识注入的常识问答方法研究[J]. 计算机工程与科学, 2025, 47(02): 349-360.
[10]	徐超, 阮荣耀, 陈勇, . 一种基于区块链的医疗数据审计方法[J]. 计算机工程与科学, 2025, 47(01): 95-106.
[11]	齐然然, 帕力旦·吐尔逊, 汤泊川, 钱育蓉, . 基于残差注意力编-解码网络的道路提取方法[J]. 计算机工程与科学, 2025, 47(01): 119-129.
[12]	陈兆波, 张琳, 马晓轩. 改进注意力混合自动编码器视频异常检测研究[J]. 计算机工程与科学, 2025, 47(01): 130-139.
[13]	姜云卓, 贡正仙. 基于修辞结构的篇章级神经机器翻译[J]. 计算机工程与科学, 2025, 47(01): 180-190.
[14]	刘合兵, 孔玉杰, 席磊, 尚俊平. 融合注意力机制的解耦对比聚类[J]. 计算机工程与科学, 2024, 46(12): 2261-2270.
[15]	付燕, 杨旭, 叶鸥. 基于CNN和Transformer特征融合的烟雾识别方法[J]. 计算机工程与科学, 2024, 46(11): 2045-2052.