融合多語言交互下的在線翻譯輔助系統(tǒng)
前言：想要寫出一篇引人入勝的文章？我們特意為您整理了融合多語言交互下的在線翻譯輔助系統(tǒng)范文，希望能給你帶來靈感和參考，敬請閱讀。
摘要：隨著機器學習技術(shù)的發(fā)展，目前翻譯行業(yè)也逐漸引入該技術(shù)用來提升翻譯效果。文章以實現(xiàn)在線學習為目標，為了學習人員能夠在不斷糾正過程中進行學習，設(shè)計了一套端到端平臺，該平臺將機器翻譯服務(wù)器集成到專業(yè)翻譯人員最常用的用戶界面中，實現(xiàn)在機器不斷從人的選擇中學習并根據(jù)特定領(lǐng)域或用戶風格調(diào)整模型的同時，節(jié)省學習人員后期的編輯工作，提升了在線翻譯過程中的輔助效果。
關(guān)鍵詞：機器學習；翻譯行業(yè)；端到端平臺；翻譯模型
引言
在翻譯行業(yè)中，翻譯的效果至關(guān)重要，直接關(guān)系著業(yè)務(wù)人員的工作效率。如今，翻譯行業(yè)的高效性需求必須滿足快速的商業(yè)需求，為此，需要在較短的時間內(nèi)為用戶提供準備高質(zhì)量的翻譯結(jié)果。隨著機器學習技術(shù)的發(fā)展，文獻［1］中提出使用支持向量機（一種監(jiān)督學習模型）獲得了安德森雜質(zhì)模型的格林函數(shù)，用來實現(xiàn)自學習提升。機器學習技術(shù)的快速發(fā)展，為翻譯行業(yè)提供了可高效、快捷翻譯結(jié)果的途徑，即“人性化”翻譯，稱為后期編輯（PE），該模式目前在翻譯行業(yè)中被證明是有效的［2］，被稱為是機器翻譯（MachineTranslation，MT），隨著MT功能的不斷完善，此工作流程已成為翻譯行業(yè)的重要內(nèi)容。PE過程本身就在不斷生成新的雙語數(shù)據(jù)，此數(shù)據(jù)通常用于創(chuàng)建特定于域的語料庫，可用于將系統(tǒng)從更廣泛的域改編為特定的域客戶端或樣式。在線學習（OnlineLearning，OL）范式指在PE過程中執(zhí)行這種調(diào)整［3］：每次用戶驗證后期編輯的翻譯時，系統(tǒng)都會在考慮到此數(shù)據(jù)的情況下進行更新。因此，當產(chǎn)生下一個翻譯時，系統(tǒng)將考慮先前的版本，從而將產(chǎn)生更好的翻譯（或更切近于人類語言用于規(guī)范）。OL范式已迅速引起研究人員和行業(yè)的關(guān)注，基于短語的統(tǒng)計MT系統(tǒng)從用戶后期編輯中逐步改編而成，最近，OL技術(shù)也被應(yīng)用于神經(jīng)機器翻譯（NMT）系統(tǒng)［4］，本文介紹了內(nèi)部OL框架的演示系統(tǒng)，在該系統(tǒng)中，將翻譯服務(wù)器與翻譯程序的用戶友好界面SDLTradosStudio集成在一起，從而提升了多語言交互翻譯過程中的效率。
1系統(tǒng)設(shè)計
從用戶在PE流程中生成的后期編輯中提升翻譯效果，為此，通過即時更新系統(tǒng)，即，一旦者確認了句子，便會立即進行更新，在用戶確認編輯之后，立即使用源語句和后編輯作為培訓來更新NMT（NeuralMachineTranslation）系統(tǒng)的模型。這種適應(yīng)可以在梯度下降之后進行，梯度下降是神經(jīng)網(wǎng)絡(luò)的常規(guī)訓練方法。本文設(shè)計的OL框架體系結(jié)構(gòu)由三個主要模塊組成：MT引擎、用戶界面和鏈接兩者的翻譯服務(wù)器。此外，還添加了一個日志記錄選項，以使用戶能夠跟蹤擊鍵、時間和鼠標移動等信息，該系統(tǒng)的體系架構(gòu)，如圖1所示。翻譯過程包括將機器翻譯傳遞到用戶界面，培訓過程使用用戶提供的反饋對MT引擎進行再培訓。這兩個過程都是通過客戶端－服務(wù)器通信執(zhí)行的，接下來，詳細描述各個模塊的具體功能。（1）機器翻譯引擎MT引擎的核心由生成翻譯的模型組成，可以在需要時進行重新訓練。每個翻譯項目都有其自己的模型，其模型是根據(jù)項目的需要設(shè)置的，所有模型都是基于神經(jīng)網(wǎng)絡(luò)的，并使用OpenNMT－py進行了訓練［5］。每個MT模型都有其自己的配置文件，其中包含個性化的翻譯和OL選項，例如標記化、子詞分段和學習率等。（2）翻譯服務(wù)器翻譯服務(wù)器與MT模型進行通信，以生成翻譯并根據(jù)用戶的版本來修改系統(tǒng)。該服務(wù)器基于OpenNMT－py的REST服務(wù)器，并使用HTTP協(xié)議定義消息以服務(wù)于用戶的請求。翻譯服務(wù)器的代碼已公開且可用，在OpenNMT－py中創(chuàng)建了一個分支，該分支具有此服務(wù)器并與其所有不同模型兼容。用戶界面和MT引擎之間的通信是通過GET和POST請求執(zhí)行的。服務(wù)器等待翻譯請求，收到請求后，這些請求將以JSON格式發(fā)送到機器翻譯引擎，當用戶對機器翻譯片段進行更正時，將更正發(fā)送到翻譯引擎。（3）用戶界面在翻譯行業(yè)中，翻譯人員最常用的用戶界面是SDLTradosStudio。系統(tǒng)用戶界面，如圖2所示。用戶在如下情況自動獲得機器翻譯輸出：單擊界面中線段的目標部分，然后，用戶對片段進行后期編輯，并在糾正翻譯后對其進行確認。SDL允許開發(fā)TradosStudio插件來增強和擴展該工具。此外，SDL擁有龐大的開發(fā)人員社區(qū)［5］，可通過附加軟件和應(yīng)用程序來更快的學習該框架。本文將自適應(yīng)框架整合為TradosStudio插件，該插件將用戶界面、TradosStudio與翻譯服務(wù)器互聯(lián)。當用戶確認后期編輯時，已審核的細分將發(fā)送回MT引擎，以使用此新信息進行重新訓練。（4）日志記錄為了衡量PE過程中OL的翻譯效率和有效性，系統(tǒng)集成了工具來記錄在后期編輯給定文件中涉及的時間、擊鍵和鼠標移動等動作。為此，Trados合并了Qualitivity［6］插件。該插件生成一個XML日志文件，其中包含每個段的所有按鍵時間信息，如圖3所示。利用這些日志信息，可以衡量將MT與OL一起用于后期編輯文件所需的工作量。使用專業(yè)翻譯人員在模擬和真實環(huán)境中進行的初步實驗［6］報告稱，MT系統(tǒng)生成的翻譯質(zhì)量有了顯著提高。
2實驗分析
本章節(jié)分析了在用戶試用中獲得的結(jié)果，如表1所示。表1顯示了與使用參考樣本進行更新的非NMT系統(tǒng)相比，NMT系統(tǒng)的翻譯質(zhì)量的結(jié)果［7－9］。通過這種綜合設(shè)置獲得的結(jié)果支持通過在線學習進行智能化翻譯的有用性。在所有情況下，NMT系統(tǒng)都比非NMT系統(tǒng)獲得更好的TER和BLEU（機器翻譯的評價指標）。我們從TER的角度獲得的結(jié)果表明后期編輯這些樣本所需的人力更少。接下來進行人工后期編輯實驗，三名專業(yè)翻譯參與了實驗。對于NMT系統(tǒng)測試，所有后期編輯人員都使用相同的系統(tǒng)啟動任務(wù)，該系統(tǒng)使用每個人自己的后期編輯工具進行調(diào)整。因此，在在線學習過程結(jié)束時，每個后期編輯都獲得了相關(guān)的翻譯服務(wù)。對于靜態(tài)實驗，最初的NMT系統(tǒng)在整個過程中均保持不變，為了避免多次翻譯相同文本的影響，每個參與者在每種情況下后編輯了一個不同的測試集，如表2所示。該實驗的測試結(jié)果如表3所示。這些數(shù)字是不同后期編輯所獲得結(jié)果的平均值，對于集合T1，每個句子的后期編輯時間的大幅減少尤其重要（每個句子平均7．5秒）。在測試集T2中，NMT系統(tǒng)的后期編輯時間也比非NMT系統(tǒng)的稍短一些，為0．7秒。
3總結(jié)
本文介紹了一個在線翻譯框架，該框架結(jié)合了通過在線學習對系統(tǒng)進行即時調(diào)整的功能。這種模式允許翻譯人員／后期編輯人員產(chǎn)生更多具有人類品質(zhì)的文本，即提升翻譯效率，因為系統(tǒng)不斷從用戶的后期編輯中學習，從而避免了重復錯誤。本文已將MT服務(wù)器集成到SDLTradosStudio用戶界面中，實驗結(jié)果證明該系統(tǒng)在翻譯過程中有較高的效率。
參考文獻
［7］林寒．基于多語言交互的英語翻譯在線輔助系統(tǒng)設(shè)計［J］．現(xiàn)代電子技術(shù)，2019，42（6）：22－25．
［8］夏吾吉，華卻才讓．基于有限狀態(tài)自動機阿拉伯數(shù)字與藏文數(shù)詞自動翻譯［J］．計算機工程與科學，2018，40（3）：550－554．
［9］余倩．基于特征提取算法的交互式英漢翻譯系統(tǒng)設(shè)計［J］．現(xiàn)代電子技術(shù)，2018，41（4）：161－163．
作者：胡曉榕 單位：咸陽師范學院
