[發明專利]一種文本翻譯方法及裝置

有效

• 申請號: 202010192658.2
• 申請日: 2018-11-30
• 公開（公告）號: CN111428520B
• 公開（公告）日: 2021-11-23
• 發明（設計）人: 涂兆鵬;竇子軼;王星;王龍躍;史樹明;張潼
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06F40/58
• 分類號: G06F40/58;G06N3/04;G06N3/08
• 代理公司: 北京同達信恒知識產權代理有限公司 11291
• 代理人: 李娟

1.一種文本翻譯裝置，其特征在于，包括：

編碼器、解碼器以及匹配模塊，所述編碼器包括第一融合層和多個隱藏層，所述解碼器包括第二融合層和多個隱藏層，所述編碼器和所述解碼器應用于神經網絡機器翻譯；

所述編碼器的多個隱藏層，用于對待翻譯文本進行編碼，獲得所述編碼器各隱藏層輸出的編碼序列；

所述第一融合層，用于根據所述編碼器各隱藏層的編碼權重將各個編碼序列進行融合，獲得源端向量表示序列，其中，所述編碼器各隱藏層的編碼權重是在訓練所述編碼器的過程中，學習不同翻譯文本樣本在兩種語言之間進行翻譯的過程而獲得的；

所述解碼器的多個隱藏層，用于對所述源端向量表示序列進行解碼，獲得所述解碼器各隱藏層輸出的解碼序列；

所述第二融合層，用于根據所述解碼器各隱藏層的解碼權重將各個解碼序列進行融合，獲得解碼向量表示序列，其中，所述解碼器各隱藏層的解碼權重是在訓練所述解碼器的過程中，學習不同翻譯文本樣本在兩種語言之間進行翻譯的過程而獲得的；

所述匹配模塊，用于根據所述解碼向量表示序列，確定翻譯后的文本信息。

2.如權利要求1所述的裝置，其特征在于，所述第一融合層為第一前向神經網絡；

所述第一前向神經網絡具體用于：

根據所述編碼器各隱藏層輸出的編碼序列，確定所述編碼器各隱藏層的編碼權重，并根據確定的編碼權重將各個編碼序列進行融合，獲得源端向量表示序列，其中，所述編碼器各隱藏層的編碼權重，是在訓練所述編碼器過程中，學習不同翻譯文本樣本在兩種語言之間進行翻譯時產生的各個編碼序列及其對應的源端向量表示序列而獲得的。

3.如權利要求1或2所述的裝置，其特征在于，所述第二融合層為第二前向神經網絡；

所述第二前向神經網絡具體用于：

根據所述解碼器各隱藏層輸出的解碼序列，確定所述解碼器各隱藏層的解碼權重，并根據確定的解碼權重將各個解碼序列進行融合，獲得解碼向量表示序列，其中，所述解碼器各隱藏層的解碼權重，是在訓練所述解碼器過程中，學習不同翻譯文本樣本在兩種語言之間進行翻譯時產生的各個解碼序列及其對應的解碼向量表示序列而獲得的。

4.如權利要求1所述的裝置，其特征在于，所述第一融合層包括第一轉換模型、第一動態路由、第一融合單元以及第一拼接單元；

所述第一轉換模型，用于確定所述編碼器各隱藏層輸出的編碼序列對應的轉換序列，所述編碼器各隱藏層輸出的編碼序列對應的轉換序列，是在訓練所述編碼器過程中，學習多個翻譯文本樣本在兩種語言之間進行翻譯的過程中編碼序列與轉換序列之間的關系而獲得的；

所述第一動態路由，用于根據所述編碼器各隱藏層的轉換序列，確定所述編碼器各隱藏層的轉換序列對應的編碼權重；

所述第一融合單元，用于根據確定的編碼權重將各個轉換序列進行融合，獲得多個融合轉換序列；

所述第一拼接單元，用于將所述多個融合轉換序列進行拼接，獲得源端向量表示序列。

5.如權利要求1所述的裝置，其特征在于，所述第一融合層包括第一轉換模型、第一EM路由、第二融合單元以及第二拼接單元；

所述編碼器的多個隱藏層，還用于獲得所述編碼器各隱藏層輸出的編碼序列的概率；

所述第一轉換模型，用于根據所述編碼器各隱藏層輸出的編碼序列以及各編碼序列的概率，確定所述編碼器各隱藏層輸出的編碼序列對應的轉換序列，所述編碼器各隱藏層輸出的編碼序列對應的轉換序列，是在訓練所述編碼器過程中，學習多個翻譯文本樣本在兩種語言之間進行翻譯的過程中編碼序列與轉換序列之間的關系而獲得的；

所述第一EM路由，用于根據所述編碼器各隱藏層的轉換序列，確定所述編碼器各隱藏層的轉換序列對應的編碼權重；

所述第二融合單元，用于根據確定的編碼權重將各個轉換序列進行融合，獲得多個融合轉換序列以及每個融合轉換序列的概率；

所述第二拼接單元，用于根據每個融合轉換序列的概率將多個融合轉換序列進行拼接，獲得源端向量表示序列。