石旺君

摘 要：為了提高機(jī)器翻譯中英語(yǔ)語(yǔ)言轉(zhuǎn)換的自動(dòng)化和智能化水平，提出了一種基于深度學(xué)習(xí)和語(yǔ)言轉(zhuǎn)換錯(cuò)誤特征提取的機(jī)器翻譯錯(cuò)誤消除方法，其核心差分語(yǔ)義修正方法。建立了英語(yǔ)語(yǔ)言轉(zhuǎn)換翻譯中錯(cuò)誤排除的語(yǔ)義相關(guān)檢測(cè)模型，并通過(guò)語(yǔ)法分析，建立了英語(yǔ)語(yǔ)言轉(zhuǎn)換翻譯中錯(cuò)誤排除的語(yǔ)義樹(shù)。提取了英語(yǔ)語(yǔ)言轉(zhuǎn)換的語(yǔ)義相似度特征。根據(jù)語(yǔ)義相似度的不同組合，對(duì)英語(yǔ)語(yǔ)言轉(zhuǎn)換中的語(yǔ)義分配和機(jī)器翻譯錯(cuò)誤特征進(jìn)行了分析。采用深度學(xué)習(xí)方法建立了英語(yǔ)轉(zhuǎn)換的樹(shù)形主題詞表，并根據(jù)樹(shù)形主題詞表中的語(yǔ)義修改目標(biāo)調(diào)整了英語(yǔ)轉(zhuǎn)換的句子結(jié)構(gòu)。為了消除英語(yǔ)轉(zhuǎn)換過(guò)程中的翻譯錯(cuò)誤，計(jì)算出每個(gè)小句的最佳語(yǔ)義相關(guān)特征，并采用深度學(xué)習(xí)算法對(duì)英語(yǔ)轉(zhuǎn)換過(guò)程中的翻譯錯(cuò)誤進(jìn)行自動(dòng)優(yōu)化。仿真結(jié)果表明，該方法精度高。

關(guān)鍵詞：深度學(xué)習(xí);語(yǔ)言翻譯;英語(yǔ);語(yǔ)義學(xué);英語(yǔ)機(jī)器翻譯;翻譯錯(cuò)誤;錯(cuò)誤消除

中圖分類(lèi)號(hào)：TP 391

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1007-757X（2020）11-0055-04

Abstract：In order to improve the level of automation and intelligence of English language conversion in machine translation， a machine translation error elimination method based on deep learning and language conversion error feature extraction is proposed. Its core bit difference semantic correction method establishes a semantic correlation detection model for error elimination in English language translation. Through grammatical analysis， it establishes a semantic tree for error elimination in English language translation. The semantic similarity features of English language conversion are extracted. According to different combinations of semantic similarity， the semantic distribution and machine translation error features in English language conversion are analyzed. A deep-learning method is used to establish a tree-shaped thesaurus in English conversion， and the sentence structure of English conversion is adjusted according to the semantic modification target in the tree-shaped thesaurus. In order to eliminate translation errors during the English conversion process， the best semantically relevant features of each clause are calculated， and deep learning algorithms are used to automatically optimize the translation errors during the English conversion process. Simulation results show that the method has high accuracy.

Key words：deep learning;language translation;English;semantics;English machine translation;translation errors;error elimination

0?引言

隨著自動(dòng)翻譯軟件的發(fā)展和成熟，對(duì)機(jī)器翻譯軟件的翻譯和校準(zhǔn)的準(zhǔn)確性要求更高。在機(jī)器翻譯環(huán)境中，語(yǔ)義分析需要與自動(dòng)翻譯軟件的上下文特征結(jié)合起來(lái)[1-2]。根據(jù)語(yǔ)義相似度，進(jìn)行自動(dòng)翻譯和標(biāo)定，以提高自動(dòng)翻譯的語(yǔ)義分配精度。在語(yǔ)義異構(gòu)的條件下，機(jī)器翻譯的自動(dòng)校準(zhǔn)主要通過(guò)語(yǔ)義相似度的概念分析來(lái)實(shí)現(xiàn)[3-4]。摘要自動(dòng)翻譯文本的相關(guān)性特征和語(yǔ)義相似性特征，根據(jù)相似語(yǔ)義對(duì)存在的語(yǔ)義異構(gòu)性進(jìn)行消除，實(shí)現(xiàn)英語(yǔ)翻譯過(guò)程中的知識(shí)結(jié)構(gòu)圖分析，并構(gòu)建語(yǔ)義概念樹(shù)[5-6]。提高翻譯錯(cuò)誤消除能力。機(jī)器翻譯錯(cuò)誤消除方法的研究對(duì)于提高機(jī)器翻譯的智能水平具有重要意義。機(jī)器翻譯錯(cuò)誤消除方法的相關(guān)研究引起了廣泛關(guān)注。

在傳統(tǒng)方法中，粒子群優(yōu)化和遺傳進(jìn)化主要用于消除英漢翻譯中的翻譯錯(cuò)誤[7]。由于本體模型之間的普遍差異，標(biāo)定的準(zhǔn)確性不高，語(yǔ)義異質(zhì)性問(wèn)題嚴(yán)重。提出了一種基于深度學(xué)習(xí)和語(yǔ)言變換錯(cuò)誤特征提取的機(jī)器翻譯錯(cuò)誤消除方法。運(yùn)用差異化語(yǔ)義修飾法構(gòu)建了英語(yǔ)轉(zhuǎn)換翻譯中錯(cuò)誤排除的語(yǔ)義相關(guān)檢測(cè)模型，并通過(guò)語(yǔ)法分析構(gòu)建了英語(yǔ)轉(zhuǎn)換翻譯中錯(cuò)誤排除的語(yǔ)義樹(shù)。通過(guò)深度學(xué)習(xí)的方法建立了英語(yǔ)轉(zhuǎn)換的樹(shù)主題詞表，并根據(jù)樹(shù)主題詞表中的語(yǔ)義修飾目標(biāo)對(duì)英語(yǔ)轉(zhuǎn)換的句結(jié)構(gòu)進(jìn)行了調(diào)整。實(shí)現(xiàn)了英語(yǔ)轉(zhuǎn)換翻譯錯(cuò)誤的消除和主題詞的注冊(cè)。采用深度學(xué)習(xí)算法進(jìn)行自動(dòng)優(yōu)化，實(shí)現(xiàn)了英語(yǔ)轉(zhuǎn)換翻譯錯(cuò)誤的消除。最后，對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行了測(cè)試和分析得出了結(jié)論。

1?英語(yǔ)翻譯中語(yǔ)義本體模型及消錯(cuò)映射關(guān)系

1.1?英語(yǔ)轉(zhuǎn)換翻譯中錯(cuò)誤消除的語(yǔ)義本體模型

為了構(gòu)建一種基于深度學(xué)習(xí)的方法，采用語(yǔ)義相似度分析和自適應(yīng)模板注冊(cè)技術(shù)，構(gòu)建了一種基于語(yǔ)義相似度分析和自適應(yīng)模板注冊(cè)的英語(yǔ)轉(zhuǎn)換翻譯錯(cuò)誤消除語(yǔ)義本體模型[8]。利用關(guān)聯(lián)維映射的方法，分析了英語(yǔ)轉(zhuǎn)換中翻譯錯(cuò)誤消除語(yǔ)義本體模型中關(guān)聯(lián)詞匯信息的特點(diǎn)，建立了基于深度學(xué)習(xí)的語(yǔ)義本體結(jié)構(gòu)模型。利用主題詞和介詞的包含映射方法，構(gòu)建了機(jī)器翻譯中上下文本體的映射機(jī)制。在英語(yǔ)語(yǔ)言轉(zhuǎn)換過(guò)程中，利用機(jī)器語(yǔ)言的自適應(yīng)學(xué)習(xí)方法構(gòu)建語(yǔ)義本體的映射模型，如圖1所示。

在上述語(yǔ)義本體模型的基礎(chǔ)上，構(gòu)建了詞典數(shù)據(jù)庫(kù)?；诖笠?guī)模本體擴(kuò)散映射方法，建立了一個(gè)英語(yǔ)語(yǔ)言轉(zhuǎn)換過(guò)程中翻譯錯(cuò)誤消除的詞典數(shù)據(jù)庫(kù)。為消除英語(yǔ)轉(zhuǎn)換中的翻譯錯(cuò)誤，提出了一種綜合評(píng)價(jià)模糊決策函數(shù)如式（1）、式（2）。

式中，ρ是領(lǐng)域知識(shí)（Domain knowledge，DK）模型之間的相似性特征，ρ∈[0，1]和ρ=0.23。

語(yǔ)義泛化映射關(guān)系由兩組相似的結(jié)構(gòu)片段建立。如果GD表示本體間的語(yǔ)義關(guān)聯(lián)規(guī)則特征，則將英語(yǔ)轉(zhuǎn)換翻譯消錯(cuò)的泛化映射函數(shù)M表示為M：C*C′→圖像，并在相關(guān)映射過(guò)程中建立語(yǔ)義交叉映射。選擇機(jī)器翻譯語(yǔ)義注冊(cè)的可靠性特征，構(gòu)造一種可行的語(yǔ)義映射關(guān)系分析方案。在本體結(jié)構(gòu)中，采用語(yǔ)義互操作方法分析語(yǔ)義泛化特征[9]。結(jié)合本體模型的定義，利用概念節(jié)點(diǎn)的深度學(xué)習(xí)方法，建立了英語(yǔ)轉(zhuǎn)換翻譯中消錯(cuò)的語(yǔ)義本體模型。用于構(gòu)造上下文模糊推理的元組O={C，HC，R，I，A}使用兩組本體片段θ來(lái)解釋翻譯錯(cuò)誤排除概念在英語(yǔ)語(yǔ)言轉(zhuǎn)換中的擴(kuò)展，如式（3）。

因此，采用概念編輯的方法構(gòu)建了中文翻譯過(guò)程中的模糊語(yǔ)義本體映射，并采用差分語(yǔ)義修改的方法構(gòu)建了英語(yǔ)翻譯錯(cuò)誤排除的語(yǔ)義相關(guān)檢測(cè)模型。通過(guò)語(yǔ)法分析，建立了英語(yǔ)轉(zhuǎn)換翻譯中的語(yǔ)義消錯(cuò)樹(shù)，結(jié)合模糊相關(guān)匹配方法，建立了機(jī)器翻譯的概念格，并對(duì)兩種異構(gòu)本體進(jìn)行了深入研究。英語(yǔ)語(yǔ)言轉(zhuǎn)換中的關(guān)系本體映射關(guān)系由以下元組表示：O=和O′=。并且它們之間的邏輯映射關(guān)系如下：

表示語(yǔ)義信息之間的特征提取關(guān)系模型，當(dāng)Cs和Ct′之間存在最大相關(guān)特征集時(shí)，Cs和Ct′之間的語(yǔ)義信息的特征提取關(guān)系模型可以由表示。根據(jù)上述映射關(guān)系，構(gòu)建了語(yǔ)義映射本體和概念樹(shù)模型，以消除英語(yǔ)轉(zhuǎn)換翻譯中的錯(cuò)誤。

1.2?語(yǔ)義映射關(guān)系

根據(jù)語(yǔ)義相似度的不同組合，分析了英語(yǔ)語(yǔ)言轉(zhuǎn)換中的語(yǔ)義分配和機(jī)器翻譯錯(cuò)誤，并采用深入學(xué)習(xí)的方法建立了英語(yǔ)語(yǔ)言轉(zhuǎn)換的樹(shù)形主題詞表。構(gòu)建了一個(gè)用于英語(yǔ)翻譯中排除錯(cuò)誤的語(yǔ)義映射模型[10]，如圖2所示。

在圖2所示的英語(yǔ)轉(zhuǎn)換翻譯消錯(cuò)語(yǔ)義映射關(guān)系模型中，根據(jù)兩個(gè)異構(gòu)本體中的每個(gè)概念信息，進(jìn)行關(guān)聯(lián)規(guī)則映射，并采用模糊特征分析方法。建立了語(yǔ)義概念分析的結(jié)構(gòu)映射關(guān)系，利用語(yǔ)義實(shí)現(xiàn)了英語(yǔ)語(yǔ)言轉(zhuǎn)換過(guò)程

概念名的分詞是通過(guò)詞與專(zhuān)業(yè)名詞的連接來(lái)表示的一個(gè)區(qū)間概念。在最優(yōu)標(biāo)定模式下，通過(guò)關(guān)聯(lián)規(guī)則分析實(shí)現(xiàn)概念詞的自組織映射。詞庫(kù)中的詞匯分布如式（5）。

給出概念上下文的形式映射集，提取目標(biāo)子句中關(guān)聯(lián)規(guī)則的特征量。在詞匯語(yǔ)義計(jì)算中，利用語(yǔ)義相關(guān)特征分析方法，建立了最大語(yǔ)義相關(guān)度的映射模型。英語(yǔ)目標(biāo)詞匯轉(zhuǎn)換的自動(dòng)選擇與模糊控制。

2?英語(yǔ)轉(zhuǎn)換中翻譯錯(cuò)誤消除算法的優(yōu)化

2.1?語(yǔ)義相似度特征分析

在利用差分語(yǔ)義修正方法構(gòu)建英語(yǔ)轉(zhuǎn)換翻譯中消錯(cuò)語(yǔ)義相關(guān)檢測(cè)模型的基礎(chǔ)上，對(duì)機(jī)器翻譯中的消錯(cuò)方法進(jìn)行了優(yōu)化，在此基礎(chǔ)上設(shè)計(jì)了語(yǔ)義相關(guān)檢測(cè)模型和相關(guān)映射關(guān)系

模型。本研究提出了一種基于深度學(xué)習(xí)和語(yǔ)言轉(zhuǎn)換錯(cuò)誤特征提取的機(jī)器翻譯錯(cuò)誤消除方法，并通過(guò)語(yǔ)法分析建立了英語(yǔ)轉(zhuǎn)換翻譯錯(cuò)誤消除的語(yǔ)義樹(shù)。提取了英語(yǔ)語(yǔ)言轉(zhuǎn)換的語(yǔ)義相似度特征，并將語(yǔ)義關(guān)聯(lián)度模糊決策函數(shù)描述如式（6）。

基于語(yǔ)義相關(guān)值分析方法，建立了英語(yǔ)語(yǔ)言轉(zhuǎn)換邏輯詞典數(shù)據(jù)庫(kù)模型。選取語(yǔ)義關(guān)聯(lián)度最大的詞作為連接詞，采用逗號(hào)等效約束分析法對(duì)目標(biāo)子句進(jìn)行分析。在計(jì)算最大語(yǔ)義關(guān)聯(lián)度的過(guò)程中，簡(jiǎn)單語(yǔ)義單元的相對(duì)貼近度函數(shù)，如式（7）。

設(shè)（sk，ak）表示為二進(jìn)制語(yǔ)義。根據(jù)語(yǔ)義相似度的不同組合，進(jìn)行了英語(yǔ)語(yǔ)言轉(zhuǎn)換中的語(yǔ)義賦值和機(jī)器翻譯錯(cuò)誤特征分析，并采用深度學(xué)習(xí)方法建立了英語(yǔ)語(yǔ)言轉(zhuǎn)換的樹(shù)形主題詞表。關(guān)聯(lián)規(guī)則特征集用sk表示，語(yǔ)義原語(yǔ)集用S表示，關(guān)聯(lián)關(guān)系，如式（8）。

計(jì)算出目標(biāo)子句的語(yǔ)義規(guī)則集，并將介詞表示為語(yǔ)義相似度的組合形式。在最優(yōu)語(yǔ)法分析模型下，得到了分句的權(quán)重系數(shù)。采用分詞邏輯表示方法，對(duì)英語(yǔ)轉(zhuǎn)換翻譯中的糾錯(cuò)過(guò)程進(jìn)行了全局優(yōu)化。相似性特征表示為β∈[0，T]，如式（9）。

根據(jù)語(yǔ)義相似度的不同組合，對(duì)英語(yǔ)語(yǔ)言轉(zhuǎn)換中的語(yǔ)義分配和機(jī)器翻譯錯(cuò)誤特征進(jìn)行了分析。例如：-Fi（Semanticassignment）=Abstract#1∨Area#2，為了提高英語(yǔ)語(yǔ)言轉(zhuǎn)換中消除翻譯錯(cuò)誤的能力，在每個(gè)語(yǔ)法分析方案中測(cè)量語(yǔ)義關(guān)聯(lián)度，并進(jìn)行復(fù)合表達(dá)以提高英語(yǔ)語(yǔ)言轉(zhuǎn)換中消除翻譯錯(cuò)誤的能力。結(jié)合以上分析，得到語(yǔ)義相似度特征提取過(guò)程，如圖3所示。

從圖中可知，在樹(shù)狀圖中，任意兩個(gè)節(jié)點(diǎn)之間的路徑只有一條。所以路徑的長(zhǎng)度可以看成一種為兩個(gè)詞語(yǔ)之間的相似度的度量。隨著路徑的變長(zhǎng)，所包含的語(yǔ)義信息也越豐富，所以詞語(yǔ)間語(yǔ)義相似度越小。

2.2?深度學(xué)習(xí)與翻譯錯(cuò)誤消除的自適應(yīng)控制

采用深度學(xué)習(xí)的方法，建立了英語(yǔ)語(yǔ)言轉(zhuǎn)換的樹(shù)形主題詞表。根據(jù)樹(shù)形主題詞列表中的語(yǔ)義修改目標(biāo)，調(diào)整英語(yǔ)語(yǔ)言轉(zhuǎn)換的句子結(jié)構(gòu)，選擇目標(biāo)從句。定義機(jī)器翻譯誤差

消除的標(biāo)簽?zāi)Ｐ捅硎緸椋╯1，a1），（s2，a2），…，（sn，an），將目標(biāo)從句推廣到詞匯表中，得到英語(yǔ)語(yǔ)言轉(zhuǎn)換中從句的權(quán)重系數(shù)為KS=1，并利用深度學(xué)習(xí)方法對(duì)簡(jiǎn)單句進(jìn)行自動(dòng)優(yōu)化。根據(jù)深度學(xué)習(xí)的方法，通過(guò)最佳語(yǔ)法分析的中心向量C（Y）得到關(guān)聯(lián)規(guī)則的相似度，關(guān)聯(lián)規(guī)則的相似度如式（12）。

假設(shè)普通實(shí)詞的語(yǔ)義修飾結(jié)構(gòu)為L(zhǎng)→AAPDAB，根據(jù)樹(shù)形主題詞表中的語(yǔ)義修飾目標(biāo)，調(diào)整英語(yǔ)轉(zhuǎn)換的句子結(jié)構(gòu)，提高英語(yǔ)轉(zhuǎn)換中翻譯錯(cuò)誤的消除率。下面介紹一種基于深度學(xué)習(xí)的消除陰影翻譯錯(cuò)誤的方法。

（1） 通過(guò)語(yǔ)法分析方案確定了英語(yǔ)語(yǔ)言轉(zhuǎn)換中翻譯錯(cuò)誤排除的語(yǔ)義規(guī)則集O，并采用模糊相關(guān)匹配方法得到了主題詞在語(yǔ)義單元中的特征量。選擇語(yǔ)義關(guān)聯(lián)度最大的特征作為連接詞;

（2） 對(duì)目標(biāo)子句進(jìn)行特征分解，用S，V，O分解英語(yǔ)轉(zhuǎn)換的語(yǔ)義塊，根據(jù)詞匯語(yǔ)義修改不同的關(guān)聯(lián)規(guī)則集，確定上下文的模糊匹配集;

（3） 計(jì)算模糊語(yǔ)義特征。根據(jù)名詞和介詞短語(yǔ)的詞義修飾，計(jì)算出最佳語(yǔ)義相關(guān)值，定義為f（I）：={o∈O|A∈I，oKR};

（4） 考慮到詞的上下文，假設(shè)L的語(yǔ)義結(jié)構(gòu)為：L→AAPDAB，根據(jù)樹(shù)型主題詞表中的語(yǔ)義修改目標(biāo)調(diào)整英語(yǔ)轉(zhuǎn)換的句子結(jié)構(gòu)，得到最佳的語(yǔ)義匹配集;

（5） 根據(jù)深度學(xué)習(xí)調(diào)整收斂性;

（6） 當(dāng)滿(mǎn)足約束條件時(shí)，結(jié)束。

3?實(shí)驗(yàn)測(cè)試分析

為了驗(yàn)證該方法在消除英語(yǔ)轉(zhuǎn)換中翻譯錯(cuò)誤方面的效果，進(jìn)行了實(shí)驗(yàn)。實(shí)驗(yàn)采用Matlab進(jìn)行設(shè)計(jì)，用OAEI語(yǔ)言表示英語(yǔ)語(yǔ)言轉(zhuǎn)換的關(guān)聯(lián)規(guī)則集。簡(jiǎn)單語(yǔ)義單元集為2000，樣本訓(xùn)練量集為120，迭代次數(shù)為200，語(yǔ)義屬性集為85，相似度語(yǔ)義特征分布實(shí)例數(shù)為120，深度學(xué)習(xí)次數(shù)為200，收斂步長(zhǎng)為30，以查全率和查準(zhǔn)率為檢驗(yàn)標(biāo)準(zhǔn)指標(biāo)計(jì)算如式（13）、式（14）。

根據(jù)上述仿真環(huán)境和參數(shù)設(shè)置，消除了英語(yǔ)轉(zhuǎn)換中的翻譯錯(cuò)誤，并測(cè)試了語(yǔ)義特征的分布，如圖4所示。

根據(jù)圖4所示語(yǔ)義特征分布的測(cè)試結(jié)果，進(jìn)行了英語(yǔ)語(yǔ)言轉(zhuǎn)換的翻譯誤差消除優(yōu)化控制，如圖5所示。

該方法的精度和校正能力對(duì)消除英語(yǔ)轉(zhuǎn)換翻譯中的錯(cuò)誤是很好的。英語(yǔ)語(yǔ)言轉(zhuǎn)換的翻譯誤差消除精度較高，且翻譯校準(zhǔn)的相關(guān)性強(qiáng)。

進(jìn)一步測(cè)試了機(jī)器翻譯中的錯(cuò)誤消除率，如表1所示。

本研究所提的機(jī)器翻譯的消錯(cuò)率高于傳統(tǒng)文獻(xiàn)中所提的機(jī)器翻譯方法。

4?總結(jié)

為了消除英語(yǔ)轉(zhuǎn)換中的翻譯錯(cuò)誤和主題詞的錯(cuò)誤，提出了一種基于深度學(xué)習(xí)和語(yǔ)言轉(zhuǎn)換錯(cuò)誤特征提取的機(jī)器翻譯錯(cuò)誤消除方法。利用差異化語(yǔ)義修飾方法，構(gòu)建了英語(yǔ)轉(zhuǎn)換翻譯中錯(cuò)誤排除的語(yǔ)義相關(guān)檢測(cè)模型，并通過(guò)語(yǔ)法分析構(gòu)建了英語(yǔ)轉(zhuǎn)換翻譯中錯(cuò)誤排除的語(yǔ)義樹(shù)。提取了英語(yǔ)轉(zhuǎn)換的語(yǔ)義相似性特征。通過(guò)深度學(xué)習(xí)的方法建立了英語(yǔ)轉(zhuǎn)換的樹(shù)主題詞表，并根據(jù)樹(shù)主題詞表中的語(yǔ)義修飾目標(biāo)對(duì)英語(yǔ)轉(zhuǎn)換的句結(jié)構(gòu)進(jìn)行了調(diào)整。計(jì)算每個(gè)子句的最佳語(yǔ)義相關(guān)性，并使用深度學(xué)習(xí)算法自動(dòng)優(yōu)化英語(yǔ)轉(zhuǎn)換中的錯(cuò)誤。仿真結(jié)果表明，該方法準(zhǔn)確度高，翻譯標(biāo)定的相關(guān)性強(qiáng)。該方法在機(jī)器翻譯的智能化設(shè)計(jì)中具有良好的應(yīng)用價(jià)值。

但本研究仍然存在一些不足之處，如算法運(yùn)行時(shí)間較長(zhǎng)，在對(duì)于某些稀有詞翻譯以及一詞多義等特定情況時(shí)，仍然存在翻譯錯(cuò)誤，導(dǎo)致結(jié)果的準(zhǔn)確度不高。因此這也是未來(lái)工作方向之一。

參考文獻(xiàn)

[1] 李暉.語(yǔ)義分析在翻譯中的應(yīng)用研究[J].海外英語(yǔ)，2018（19）：125-126.

[2]?王曉雷，陳云杰，王琛，等.基于Q-learning的虛擬網(wǎng)絡(luò)功能調(diào)度方法[J].計(jì)算機(jī)工程，2019，45（2）：64-69.

[3]?黃登嫻.英語(yǔ)翻譯軟件翻譯準(zhǔn)確性矯正算法設(shè)計(jì)[J].現(xiàn)代電子技術(shù)，2018，41（14）：170-172.

[4]?哈斯高娃. 蒙漢神經(jīng)機(jī)器翻譯中的未登錄詞處理研究[D].呼爾浩特：內(nèi)蒙古師范大學(xué)，2019.

[5]?季春元，熊澤金，侯艷芳，等.基于人機(jī)交互的網(wǎng)絡(luò)化智能翻譯系統(tǒng)設(shè)計(jì)[J].自動(dòng)化與儀器儀表，2019（8）：25-28.

[6]?吳承鳳，劉濤.機(jī)器翻譯中的多模糊語(yǔ)義自動(dòng)判斷方法研究[J].現(xiàn)代電子技術(shù)，2017，40（14）：75-77.

[7]?張鋒. 基于粒子群優(yōu)化算法的漢英語(yǔ)句對(duì)齊研究[D].重慶：重慶大學(xué)，2012.

[8]?王琳. 知網(wǎng)機(jī)器翻譯系統(tǒng)的分析與知識(shí)庫(kù)擴(kuò)展[D].沈陽(yáng)：沈陽(yáng)航空航天大學(xué)，2017.

[9]?賈君枝，李捷佳.基于關(guān)聯(lián)數(shù)據(jù)的語(yǔ)義互操作研究[J].情報(bào)理論與實(shí)踐，2017，40（8）：131-134.

[10]?梁娟.英語(yǔ)翻譯器語(yǔ)音識(shí)別系統(tǒng)的設(shè)計(jì)及功能實(shí)現(xiàn)[J].微型電腦應(yīng)用，2018，34（12）：46-48.

（收稿日期：2020.04.27）