[发明专利]术语替换方法及装置

说明书

本发明实施例提供一种术语替换方法及装置，所述方法包括：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。本发明实施例通过利用预先训练好的术语替换模型自动地生成术语替换后的译文句子，确保译文中的某个术语被替换掉时译文的语法正确同时减少译文句子结构的过多变化。

技术领域

本发明涉及机器翻译技术领域，更具体地，涉及一种术语替换方法及装置。

背景技术

在智能辅助翻译中，术语替换对译员来说是一项非常重要的工具。术语替换的典型场景是：给定原文和译文，译员选择原文中的某个术语，确定想要替换的术语和其相应术语翻译，同时在原文和译文上做术语替换，并且尽可能使替换后的译文和给定的译文在句子结构上保持相近。例如，译员选择原文中的“培养”，并确定要原文中将“培养”替换成“培训”，并将译文中“培养”相对应的翻译“building”替换此词成“training”。

术语替换的这种自动化的操作带来的好处主要有两点：一是可以使译员更加有效的复用原来的语料，二是减少译员对文本的编辑修改。这些都可以优化译员翻译的工作效率。然而，术语替换是一项非常有挑战性的任务。首先，对于原文中被替换的术语，其在译文中相应的翻译的位置是未知的。第二，随着译文中的某个术语被替换掉，如何既保证译文的语法正确，同时减少译文句子结构的过多变化往往非常困难。

发明内容

本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的术语替换方法及装置。

第一方面，本发明实施例提供一种术语替换方法，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。

其中，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。

其中，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；