[发明专利]术语替换方法及装置

权利要求书

1.一种术语替换方法，其特征在于，包括：

获取原文句子、译文句子以及术语替换后的原文句子；

将所述原文句子、译文句子以及术语替换后的原文句子输入至术语替换模型中，获得术语替换后的译文句子；

其中，所述术语替换模型是根据由原文句子样本、所述原文句子样本对应的译文句子样本和术语替换后的原文句子样本所组成的输入样本以及所述输入样本对应的术语替换后的译文句子样本训练获得的；

根据由原文句子样本、所述原文句子样本对应的译文句子样本和术语替换后的原文句子样本所组成的输入样本以及所述输入样本对应的术语替换后的译文句子样本训练获得所述术语替换模型，具体包括：

将所述原文句子样本输入至基于LSTM循环神经网络的第一编码器中，生成第一向量序列样本，将所述译文句子样本输入至基于LSTM循环神经网络的第二编码器中，生成第二向量序列样本，将所述术语替换后的原文句子样本输入至基于LSTM循环神经网络的第三编码器中，生成第三向量序列样本；

将上一预测结果输入至基于LSTM循环神经网络的译码器中，获得译码向量样本；

将所述第一向量序列样本和所述译码向量样本输入至第一注意力模型进行基于注意力机制的计算，生成第一特征向量样本，将所述第二向量序列样本和所述译码向量样本输入至第二注意力模型进行基于注意力机制的计算，生成第二特征向量样本，将所述第三向量序列样本和所述译码向量样本输入至第三注意力模型进行基于注意力机制的计算，生成第三特征向量样本；

将所述第一特征向量样本、第二特征向量样本和第三特征向量样本进行组合，并根据组合后的特征向量样本进行词语预测，获得新的预测结果；

基于所有预测结果组成的句子与所述术语替换后的译文句子样本计算损失函数的值，并基于所述损失函数的值进行反向传播，直至满足训练结束条件；

保存训练结束时所述第一编码器、第二编码器、第三编码器、译码器、第一注意力模型、第二注意力模型、第三注意力模型的参数，获得训练完成的术语替换模型。

2.根据权利要求1所述的术语替换方法，其特征在于，所述术语替换模型具体包括：三个编码器、三个注意力模型和一个译码器；

其中，每个所述编码器包括若干个LSTM循环神经网络，用于将输入的句子编码为向量序列；每个所述注意力模型用于基于所述编码器的输出结果和所述译码器的输出结果进行基于注意力机制的计算；所述译码器包括若干个LSTM循环神经网络，所述译码器的输入为上一基于所述三个注意力模型的计算结果进行词语预测的预测结果。

3.根据权利要求2所述的术语替换方法，其特征在于，将所述原文句子、译文句子以及术语替换后的原文句子输入至术语替换模型中，获得术语替换后的译文句子，具体包括：

将所述原文句子输入至所述术语替换模型的第一编码器中，生成第一向量序列，将所述译文句子输入至所述术语替换模型的第二编码器中，生成第二向量序列，将所述术语替换后的原文句子输入至所述术语替换模型的第三编码器中，生成第三向量序列；

将上一预测结果输入至所述术语替换模型的译码器中，获得译码向量；

将所述第一向量序列和所述译码向量输入至所述术语替换模型的第一注意力模型进行基于注意力机制的计算，生成第一特征向量，将所述第二向量序列和所述译码向量输入至所述术语替换模型的第二注意力模型进行基于注意力机制的计算，生成第二特征向量，将所述第三向量序列和所述译码向量输入至所述术语替换模型的第三注意力模型进行基于注意力机制的计算，生成第三特征向量；

将所述第一特征向量、第二特征向量和第三特征向量进行组合，并根据组合后的特征向量和所述译码向量进行词语预测，获得新的预测结果；

输出所有预测结果。

4.根据权利要求3所述的术语替换方法，其特征在于，将所述第一向量序列和所述译码向量输入至所述术语替换模型的第一注意力模型进行基于注意力机制的计算，生成第一特征向量，具体包括：

将所述译码向量分别与所述第一向量序列中的各个向量相乘，获得多个标量得分；

利用softmax函数、基于所述多个标量得分生成所述第一向量序列中的各个向量对应的权重；

将所述第一向量序列中的各个向量与各个向量对应的权重进行相乘后相加，获得第一特征向量。