[发明专利]融合多粒度交互特征的机器翻译质量评估方法及装置

说明书

本公开提供一种融合多粒度交互特征的机器翻译质量评估方法，包括：生成词级别特征；生成交互特征；生成句子级别的特征；以及通过线性插值的方法将词级别特征、交互特征及句子级别特征组合，预测Hter值。本公开还提供了一种融合多粒度交互特征的机器翻译质量评估装置、电子设备以及可读存储介质。

技术领域

本公开涉及机器翻译技术领域，尤其涉及一种融合多粒度交互特征的机器翻译质量评估方法、装置、电子设备及可读存储介质。

背景技术

近年来，神经机器翻译取得了很大的进展，译文质量不断提高，但是仍然存在一系列问题，比如忠实度不高等，更加具体地表现为错翻和漏翻等现象。所以，评估机器翻译译文的质量是一项亟待解决的任务。通常，衡量机器翻译译文的质量采用自动评价方法，例如BLEU、NIST、METEOR等，这些方法需要提供一个或多个参考译文，但是在模型预测或者实际应用中，为每个译文都收集高质量的参考翻译是很困难的，机器翻译质量评估任务应运而生。机器翻译质量评估是指在无参考译文的情况下对系统翻译结果进行质量预测，预测结果可以快速的衡量系统翻译的好坏。在译后编辑和计算机辅助翻译中有不可或缺的指导作用。机器翻译质量评估任务分为文档级别、句子级别和词级别的子任务。句子级别的机器翻译质量评估任务是为每一个句子预测一个得分，得分表示需要人工后编辑的工作量。通常，句子级别的质量评估可以看作是一项有监督的回归任务。早期，研究者们采用人工设计的特征进行质量评估，这些人工设计的特征更偏向于显式特征，如源语言句子和目标语言句子的统计知识特征，还有研究者采用机器翻译中存在的信息作为特征，如机器翻译系统对于输出译文的后验概率得分，柱搜索(Beam Search)中解码得到的句子个数以及它们的概率得分等。自深度学习变得流行以来，很多研究者尝试使用神经网络方法对机器翻译译文进行质量评估，通过RNN、Transformer等神经网络模型自动抽取高维向量作为特征进行评估。上述介绍的方法中，大多数研究者只关注于抽取更丰富的特征，却忽略了如何有效的利用抽取到的特征。虽然在强大的神经网络框架下得到的词向量在模型内部已经得到充分的交互，但是针对译文质量评估这样的跨语言任务，应该加入更多体现翻译特性的特征进行评估，无论在细粒度的互为翻译对的词向量之间，还是粗粒度的源语言和目标翻译的句向量之间，都可以挖掘更具体的翻译特征。

发明内容

为了解决上述技术问题中的至少一个，本公开提供了一种融合多粒度交互特征的机器翻译质量评估方法、装置、电子设备及可读存储介质。

根据本公开的一个方面，提供一种融合多粒度交互特征的机器翻译质量评估方法，包括：

生成词级别特征；

生成交互特征；

生成句子级别的特征；

通过线性插值的方法将所述词级别特征、所述交互特征及所述句子级别特征组合，预测Hter值。

根据本公开至少一个实施方式的融合多粒度交互特征的机器翻译质量评估方法，所述生成词级别特征，包括：

对于目标语言句子中的任一个词，将所述词的所有子词的词向量取平均作为所述词的词向量；

计算目标语言句子中的每个词与源语言句子中的每个词的余弦相似度，形成相似度矩阵，其中，相似度计算公式如下：

其中，Sn表示源语言句子的第n个词向量，tm表示目标语言句子的第m个词向量；

将相似度矩阵的相似度得分和分布熵作为词级别特征。

根据本公开至少一个实施方式的融合多粒度交互特征的机器翻译质量评估方法，所述生成交互特征包括：

对于目标语言句子中的任一个词，将所述词的所有子词的词向量取平均作为所述词的词向量；