您当前所在位置: 首页 > 首发论文
动态公开评议须知

1. 评议人本着自愿的原则,秉持科学严谨的态度,从论文的科学性、创新性、表述性等方面给予客观公正的学术评价,亦可对研究提出改进方案或下一步发展的建议。

2. 论文若有勘误表、修改稿等更新的版本,建议评议人针对最新版本的论文进行同行评议。

3. 每位评议人对每篇论文有且仅有一次评议机会,评议结果将完全公示于网站上,一旦发布,不可更改、不可撤回,因此,在给予评议时请慎重考虑,认真对待,准确表述。

4. 同行评议仅限于学术范围内的合理讨论,评议人需承诺此次评议不存在利益往来、同行竞争、学术偏见等行为,不可进行任何人身攻击或恶意评价,一旦发现有不当评议的行为,评议结果将被撤销,并收回评审人的权限,此外,本站将保留追究责任的权利。

5. 论文所展示的星级为综合评定结果,是根据多位评议人的同行评议结果进行综合计算而得出的。

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

上传后印本

( 请提交PDF文档 )

* 后印本是指作者提交给期刊的预印本,经过同行评议和期刊的编辑后发表在正式期刊上的论文版本。作者自愿上传,上传前请查询出版商所允许的延缓公示的政策,若因此产生纠纷,本站概不负责。

发邮件给 王小芳 *

收件人:

收件人邮箱:

发件人邮箱:

发送内容:

0/300

论文收录信息

论文编号 202003-141
论文题目 融合先验知识的神经机器翻译模型研究
文献类型
收录
期刊

上传封面

期刊名称(中文)

期刊名称(英文)

年, 卷(

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

编者.论文集名称(中文) [c].

出版地 出版社 出版年-

编者.论文集名称(英文) [c].

出版地出版社 出版年-

上传封面

期刊名称(中文)

期刊名称(英文)

日期--

在线地址http://

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

英文作者写法:

中外文作者均姓前名后,姓大写,名的第一个字母大写,姓全称写出,名可只写第一个字母,其后不加实心圆点“.”,

作者之间用逗号“,”分隔,最后为实心圆点“.”,

示例1:原姓名写法:Albert Einstein,编入参考文献时写法:Einstein A.

示例2:原姓名写法:李时珍;编入参考文献时写法:LI S Z.

示例3:YELLAND R L,JONES S C,EASTON K S,et al.

上传修改稿说明:

1.修改稿的作者顺序及单位须与原文一致;

2.修改稿上传成功后,请勿上传相同内容的论文;

3.修改稿中必须要有相应的修改标记,如高亮修改内容,添加文字说明等,否则将作退稿处理。

4.请选择DOC或Latex中的一种文件格式上传。

上传doc论文   请上传模板编辑的DOC文件

上传latex论文

* 上传模板导出的pdf论文文件(须含页眉)

* 上传模板编辑的tex文件

回复成功!


  • 0

融合先验知识的神经机器翻译模型研究

首发时间:2020-03-13

梁博翔 1   

梁博翔(1995-),男,硕士研究生,主要研究方向:机器翻译

佘春东 1    刘绍华 1   

刘绍华(1976-),男,副教授,硕导,主要研究方向:无线通信、嵌入式系统、物联网、云计算、移动互联网

  • 1、北京邮电大学电子工程学院,北京,100876

摘要:近些年随着深度学习的发展,通过结合大规模的语料和深层神经网络,神经机器翻译在很多方面已经超越了统计机器翻译,展现了愈加鲜活的生命力。神经机器翻译采用了编码器-解码器架构,通常由卷积神经网络或循环神经网络组成,由于其端到端的模型训练方式,没有充分利用句子中隐含的先验知识,如句子的短语结构、依存关系等信息。谷歌在2017年提出了Transformer模型,该模型摒弃了循环神经网络,由多个前馈神经网络及自注意机制构成,在许多自然语言处理任务中都达到了最好的性能指标。本文在Transformer翻译模型的基础上,提出一种利用词向量融合先验知识的方法,通过在原始文本中融合词性标注、短语结构等先验知识,提升了基于自注意机制的Transformer模型的翻译效果。本文针对中英翻译任务,通过对比基线Transformer模型,本文的方法可以提高1.19个BLEU值。

关键词: 机器翻译 先验知识 词向量

For information in English, please click here

Modeling prior knowledge for Neural Machine Translation System

Liang Boxiang 1   

梁博翔(1995-),男,硕士研究生,主要研究方向:机器翻译

She Chundong 1    Liu Shaohua 1   

刘绍华(1976-),男,副教授,硕导,主要研究方向:无线通信、嵌入式系统、物联网、云计算、移动互联网

  • 1、School Of Electronic Engineering,Beijing University of Posts and Telecommunications,Beijing,100876

Abstract:With the rapid development of deep learning in recent years, through the combination of large-scale corpora and deep neural networks, neural machine translation has surpassed statistical machine translation in many aspects, showing an increasingly vitality. Neural machine translation model adopts encoder-decoder architecture, and usually consists of convolutional neural networks or recurrent neural networks. The neural machine translation system adopts end-to-end training method, which makes no use of the implicit prior knowledge within the sentence, such as the phrase structure and dependency information. Transformer is proposed by Google in 2017 which is based solely on feed-forward networks and self-attention mechanisms, dispensing with recurrence entirely. This paper proposed a novel method that using word embedding to integrate prior knowledge into Transformer model. By adding part-of-speech tagging and phrase structure information of the text, the translation effect of Transformer model is improved. Compared to baseline Transformer model, experiments on Chinese-English translation show our method improves 1.19 BLEU scores.

Keywords: machine translation prior knowledge word embedding

Click to fold

点击收起

基金:

论文图表:

引用

导出参考文献

.txt .ris .doc
梁博翔,佘春东,刘绍华. 融合先验知识的神经机器翻译模型研究[EB/OL]. 北京:中国科技论文在线 [2020-03-13]. http://www.paper.edu.cn/releasepaper/content/202003-141.

No.****

动态公开评议

共计0人参与

动态评论进行中

评论

全部评论

0/1000

勘误表

融合先验知识的神经机器翻译模型研究