宣偉

摘要：數(shù)智時(shí)代的悄然到來(lái)深刻變革著社會(huì)實(shí)踐，特別是知識(shí)圖譜在不同場(chǎng)景的落地應(yīng)用，有效解決了知識(shí)沉淀、數(shù)據(jù)關(guān)聯(lián)和推理分析等問(wèn)題。作為圖網(wǎng)絡(luò)形態(tài)的知識(shí)存儲(chǔ)結(jié)構(gòu)，知識(shí)圖譜在翻譯學(xué)領(lǐng)域構(gòu)建及應(yīng)用問(wèn)題，學(xué)界尚未引起足夠重視。在爬梳相關(guān)文獻(xiàn)基礎(chǔ)上，針對(duì)翻譯學(xué)這一垂直領(lǐng)域呈現(xiàn)出的數(shù)據(jù)結(jié)構(gòu)復(fù)雜化和知識(shí)來(lái)源多樣化特征，探討自底向上構(gòu)建翻譯學(xué)知識(shí)圖譜基本原理和關(guān)鍵技術(shù)，設(shè)計(jì)翻譯學(xué)知識(shí)圖譜的應(yīng)用場(chǎng)景，以提高翻譯學(xué)知識(shí)服務(wù)能力和認(rèn)知智能水平，更好滿足數(shù)字人文發(fā)展和新文科建設(shè)需要，亦為后續(xù)相關(guān)研究提供啟示和借鑒。

關(guān)鍵詞：知識(shí)圖譜；翻譯學(xué)；垂直領(lǐng)域；人工智能

一、前言

國(guó)家高度重視面向未來(lái)的教育認(rèn)知智能化發(fā)展。2023年2月，中共中央和國(guó)務(wù)院發(fā)布的《數(shù)字中國(guó)建設(shè)整體布局規(guī)劃》指出大力實(shí)施國(guó)家教育數(shù)字化戰(zhàn)略行動(dòng)[1]?！吨袊?guó)教育現(xiàn)代化2035》提出利用現(xiàn)代技術(shù)加快推動(dòng)人才培養(yǎng)模式改革，實(shí)現(xiàn)規(guī)?；逃c個(gè)性化培養(yǎng)的有機(jī)結(jié)合[2]。隨著云計(jì)算、大數(shù)據(jù)、區(qū)塊鏈、5G、全息技術(shù)、擴(kuò)展現(xiàn)實(shí)等新一代信息傳播技術(shù)的迅速發(fā)展并深入影響社會(huì)眾多行業(yè)和關(guān)鍵領(lǐng)域，社會(huì)服務(wù)智能化水平得以不斷提升，人類社會(huì)進(jìn)入到數(shù)智時(shí)代。

“數(shù)智時(shí)代”目前尚未形成統(tǒng)一概念，但可以肯定的是數(shù)智時(shí)代的核心內(nèi)容即為“數(shù)智融合”，它作為面向未來(lái)的信息化力量，其內(nèi)涵發(fā)展始終與信息技術(shù)迭代發(fā)展同頻共振，包括“大數(shù)據(jù)驅(qū)動(dòng)”研究方法論范式、智能方法創(chuàng)新、人機(jī)融合行為等前沿研究方向[3]，從腦機(jī)技術(shù)、全域交互、人機(jī)融合、虛實(shí)共生、教育均衡、教育智腦等方面賦能未來(lái)教育新形態(tài)[4]。

在此時(shí)代背景下，翻譯學(xué)也迎來(lái)了以大數(shù)據(jù)和人工智能運(yùn)用為典型特征的“數(shù)智時(shí)代”，尤其是以知識(shí)圖譜（Knowledge Graph，KG）為代表的大數(shù)據(jù)知識(shí)工程正受到學(xué)術(shù)界廣泛關(guān)注。知識(shí)圖譜是人工智能符號(hào)主義發(fā)展的典型性代表，由本體（Ontology）技術(shù)和語(yǔ)義網(wǎng)絡(luò)拓展發(fā)展而來(lái)，它不僅是對(duì)客觀世界進(jìn)行描述的概念體系，也是一種結(jié)構(gòu)化的語(yǔ)義知識(shí)庫(kù)和通用語(yǔ)義知識(shí)形式化描述框架。

二、知識(shí)圖譜概述

目前，知識(shí)圖譜尚無(wú)統(tǒng)一定義。根據(jù)維基百科，知識(shí)圖譜是使用語(yǔ)義檢索，從多種來(lái)源收集信息，以提高搜索質(zhì)量的知識(shí)庫(kù)[5]。本質(zhì)上來(lái)說(shuō)，知識(shí)圖譜是通過(guò)由實(shí)體和關(guān)系組成的三元組（頭實(shí)體、關(guān)系、尾實(shí)體），形式化描述和存儲(chǔ)客觀世界各類實(shí)體（Entity）及相互關(guān)聯(lián)關(guān)系。

回溯發(fā)展歷程，知識(shí)圖譜始于斯坦福大學(xué)費(fèi)根鮑姆（E.A.Feigenbaum）于1965年提出的專家系統(tǒng)（Expert System，ES）概念，基于知識(shí)進(jìn)行決策，使人工智能研究從推理算法主導(dǎo)變?yōu)橹R(shí)主導(dǎo)[6]。之后，奎林（M.R.Quillian）提出語(yǔ)義網(wǎng)絡(luò)（Semantic Network，SN）知識(shí)表示模式，用相互連接的節(jié)點(diǎn)和邊來(lái)表示知識(shí)[6]，為萬(wàn)維網(wǎng)上的知識(shí)互聯(lián)奠定堅(jiān)實(shí)基礎(chǔ)。2012年，Google公司為改善用戶搜索體驗(yàn)，提升搜索效率和質(zhì)量，在Freebase基礎(chǔ)上提出知識(shí)圖譜概念[7]。

按照知識(shí)聚類組織法，將知識(shí)按照主題特征進(jìn)行聚合。知識(shí)圖譜可劃分為通用知識(shí)圖譜，例如單語(yǔ)的Freebase、OpenKG、Cyc、WordNet、OpenIE、Probase、CN-DBprdia、百度知心、搜狗知立方等；多語(yǔ)的DBpedia、GeoNames、YAGO、WikiData、BabelNet、Google知識(shí)圖譜等。此外，知識(shí)圖譜與各領(lǐng)域、各行業(yè)實(shí)現(xiàn)深度融合，面向特定垂直領(lǐng)域的知識(shí)圖譜構(gòu)建已迅速成為研究熱點(diǎn)，例如軍事、中醫(yī)、交通、醫(yī)療、新聞與傳媒、體育、金融、高等教育等特定領(lǐng)域，具有專業(yè)程度高、知識(shí)規(guī)模大、知識(shí)粒度細(xì)等特點(diǎn)。

三、翻譯學(xué)知識(shí)圖譜研究現(xiàn)狀

翻譯學(xué)自創(chuàng)立伊始，天然地具有跨學(xué)科屬性。1972年，霍爾姆斯（James Holmes）發(fā)表“翻譯研究的名與實(shí)”（The Name and Nature of Translation Studies）確立了翻譯學(xué)學(xué)科屬性及研究分支，為學(xué)術(shù)界研究翻譯指明了方向[8]，被視為翻譯研究的奠基之作。后經(jīng)過(guò)圖里（Gideon Toury）制作成“地圖”，以更直觀的方式呈現(xiàn)出來(lái)，對(duì)于其廣泛傳播發(fā)揮了重要作用[9]。一定程度上來(lái)說(shuō)，這也是翻譯學(xué)知識(shí)圖譜的雛形。

爬梳翻譯學(xué)知識(shí)圖譜文獻(xiàn)，根據(jù)布拉德福定律（Bradford's? law），選取核心期刊，選取BlueMC詞云工具，繪制詞云圖，排名前十依次為：知識(shí)圖譜、Citespace、可視化分析、翻譯模型、表示學(xué)習(xí)、語(yǔ)料庫(kù)翻譯學(xué)、三元組分類、知識(shí)表示學(xué)習(xí)、字幕翻譯、機(jī)器翻譯?，F(xiàn)有研究呈現(xiàn)出研究方法單一。多采用由陳超美博士團(tuán)隊(duì)研發(fā)的科學(xué)文獻(xiàn)可視化軟件CiteSpace進(jìn)行相關(guān)領(lǐng)域歷史梳理，分析研究現(xiàn)狀及預(yù)測(cè)未來(lái)研究趨勢(shì)；研究?jī)?nèi)容趨同，內(nèi)容較為重復(fù)，同質(zhì)化傾向較為明顯。

現(xiàn)有研究較少關(guān)注“翻譯學(xué)”本體（Ontology），實(shí)際上翻譯學(xué)內(nèi)涵豐富，體系龐雜，涵蓋翻譯家、代表作、發(fā)表年代、研究機(jī)構(gòu)等多種管理對(duì)象，數(shù)據(jù)結(jié)構(gòu)松散，數(shù)據(jù)間關(guān)系復(fù)雜。而知識(shí)圖譜具有強(qiáng)大的語(yǔ)義處理能力，可將不同數(shù)據(jù)進(jìn)行知識(shí)抽取，為用戶提供精準(zhǔn)的知識(shí)服務(wù)。翻譯學(xué)知識(shí)圖譜的構(gòu)建可深入揭示該垂直領(lǐng)域中各實(shí)體間關(guān)系，促使資源和服務(wù)的有效整合，為翻譯學(xué)知識(shí)組織提供理論框架，同時(shí)也對(duì)其他垂直領(lǐng)域知識(shí)圖譜的構(gòu)建提供一定的啟示。

四、翻譯學(xué)知識(shí)圖譜構(gòu)建

知識(shí)圖譜的構(gòu)建方法通常有自頂向下和自底向上兩種[10]。前者指事先確定好知識(shí)圖譜的本體和數(shù)據(jù)模式，再添加實(shí)體予以豐富完善，例如Freebase項(xiàng)目即為此類，數(shù)據(jù)多從維基百科中抽取。大多數(shù)知識(shí)圖譜構(gòu)建多采用后者，即先從置信度較高的數(shù)據(jù)中提取出實(shí)體后，再構(gòu)建頂層的本體和數(shù)據(jù)模式。知識(shí)圖譜構(gòu)建初期二者界限較為分明，隨著數(shù)據(jù)量增大和數(shù)據(jù)模型的不斷修正，兩種方式經(jīng)常綜合起來(lái)使用。

鑒于翻譯學(xué)這一特定垂直領(lǐng)域特點(diǎn)，本知識(shí)圖譜構(gòu)建采用自底向上的方式。其關(guān)鍵節(jié)點(diǎn)包括知識(shí)建模、數(shù)據(jù)獲取或預(yù)處理、知識(shí)抽取、知識(shí)融合、知識(shí)推理、知識(shí)管理。

（一）知識(shí)建模

知識(shí)建模，又名本體構(gòu)建，現(xiàn)尚無(wú)固定流程與方法，可以細(xì)分為：人工構(gòu)建方法，包括Uschold、TOVE、IDEF-5、Methontology；半自動(dòng)構(gòu)建方法，包括五步循環(huán)法、七步法、循環(huán)獲取法、Protégé等。翻譯學(xué)知識(shí)呈現(xiàn)出錯(cuò)綜復(fù)雜、多源異構(gòu)、存儲(chǔ)方式多樣等特點(diǎn)，需要深入分析翻譯學(xué)概念內(nèi)涵，才能將翻譯學(xué)概念準(zhǔn)確且有效表達(dá)出來(lái)，可用資源描述框架（Resource Description Framework，RDF）和網(wǎng)絡(luò)本體語(yǔ)言（Web Ontology Language，OWL）來(lái)描述實(shí)體和本體以建立知識(shí)體系。

（二）數(shù)據(jù)獲取或預(yù)處理

數(shù)據(jù)的獲取及處理是成功建立翻譯學(xué)知識(shí)圖譜的重要前提。翻譯學(xué)數(shù)據(jù)可以從翻譯學(xué)教材、翻譯學(xué)專業(yè)網(wǎng)站、翻譯學(xué)視頻等獲取，分為結(jié)構(gòu)化數(shù)據(jù)、半結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)（自然語(yǔ)言文本）。前兩者數(shù)據(jù)抽取較為簡(jiǎn)單，數(shù)據(jù)噪聲小，經(jīng)過(guò)數(shù)據(jù)清洗就可以得到質(zhì)量較高的結(jié)構(gòu)化三元組數(shù)據(jù)，而非結(jié)構(gòu)化數(shù)據(jù)通常包括文本、圖像、視頻等內(nèi)容，在實(shí)體、關(guān)系、屬性等非結(jié)構(gòu)化知識(shí)抽取基礎(chǔ)上，可輔助圖像識(shí)別分類和專家梳理等人工過(guò)濾辦法。

（三）知識(shí)抽取

知識(shí)抽取是翻譯學(xué)知識(shí)圖譜構(gòu)建的核心步驟，面臨算法選型和技術(shù)框架確定等諸多挑戰(zhàn)。知識(shí)抽取的核心內(nèi)容為識(shí)別并抽取實(shí)體，常見(jiàn)的算法主要有：利用jieba、IK、HanLP等分詞工具的基于規(guī)則方法；利用隱馬爾可夫模型（HMM）、條件隨機(jī)場(chǎng)（CRF）、Standford NER等算法的基于特征的統(tǒng)計(jì)機(jī)器算法；結(jié)合卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、注意力網(wǎng)絡(luò)等基于深度神經(jīng)網(wǎng)絡(luò)的算法。此外，為了解決基于規(guī)則和詞典的關(guān)系抽取出現(xiàn)的可遷移性差和成本高昂的問(wèn)題，學(xué)界和業(yè)界也探索了Boostrapping和遠(yuǎn)程監(jiān)督學(xué)習(xí)的弱監(jiān)督學(xué)習(xí)方法和Bert/GPT+CRF深層網(wǎng)絡(luò)的監(jiān)督學(xué)習(xí)方法等。

（四）知識(shí)融合

翻譯學(xué)知識(shí)圖譜的核心價(jià)值在于連接聚合不同來(lái)源的特定領(lǐng)域知識(shí)、專家知識(shí)和數(shù)據(jù)等，因此，不同知識(shí)融合需要解決冗余、噪聲、歧義、沖突、欠完備等問(wèn)題，而數(shù)據(jù)清洗不能有效解決上述問(wèn)題。這就涉及實(shí)體對(duì)齊、關(guān)系識(shí)別、消歧等步驟，利用詞性標(biāo)注、分詞、主題詞分析等自然語(yǔ)言處理技術(shù)，從數(shù)據(jù)源置信度和答案置信度進(jìn)行置信度分析，并進(jìn)行包括融合策略構(gòu)建在內(nèi)的多源數(shù)據(jù)融合。YAGO和BabelNet成功實(shí)現(xiàn)了跨語(yǔ)言知識(shí)關(guān)聯(lián)和共享為翻譯學(xué)知識(shí)圖譜的知識(shí)融合提供范例，據(jù)此可得出具有操作性的翻譯學(xué)知識(shí)圖譜。

（五）知識(shí)推理

在完成上述步驟后，所得翻譯學(xué)知識(shí)圖譜較為殘缺，這就需要知識(shí)推理進(jìn)行知識(shí)發(fā)現(xiàn)予以補(bǔ)齊。知識(shí)推理的算法主要有基于傳統(tǒng)邏輯的推理、基于圖的推理和基于深度學(xué)習(xí)的推理來(lái)挖掘?qū)嶓w之間隱藏的語(yǔ)義關(guān)系。

（六）知識(shí)管理

傳統(tǒng)知識(shí)管理方式已無(wú)法滿足數(shù)智時(shí)代帶來(lái)的海量文件存儲(chǔ)、檢索和管理的現(xiàn)實(shí)需求，因此建立基于表結(jié)構(gòu)和基于圖結(jié)構(gòu)的知識(shí)圖譜存儲(chǔ)方式已引起學(xué)界和業(yè)界廣泛關(guān)注。在有效管理和存儲(chǔ)翻譯學(xué)知識(shí)基礎(chǔ)上，知識(shí)生命周期管理、知識(shí)審核與修正、知識(shí)安全管理、知識(shí)版本管理等知識(shí)質(zhì)量校驗(yàn)同樣應(yīng)引起足夠重視。

五、翻譯學(xué)知識(shí)圖譜應(yīng)用

近年來(lái)，以元宇宙、數(shù)字孿生、ChatGPT、數(shù)字人、湖倉(cāng)一體等為代表的數(shù)字技術(shù)的產(chǎn)生和發(fā)展助推了翻譯學(xué)知識(shí)圖譜發(fā)展，已經(jīng)成為翻譯學(xué)領(lǐng)域研究的重要增長(zhǎng)點(diǎn)。作為操作性和實(shí)踐性明顯的領(lǐng)域，翻譯學(xué)知識(shí)圖譜至少在以下場(chǎng)景得到具體落地應(yīng)用。

（一）專題主題文獻(xiàn)計(jì)量分析

學(xué)者多采用CiteSpace挖掘知識(shí)共現(xiàn)網(wǎng)絡(luò)關(guān)系、高頻關(guān)鍵詞、高被引作者和文獻(xiàn)、熱點(diǎn)主題等發(fā)展脈絡(luò)和熱點(diǎn)前沿，也有少數(shù)學(xué)者采用BICOMB、SPSS22.0、R語(yǔ)言Bibliometrix等工具。翻譯學(xué)知識(shí)圖譜可視化展示翻譯學(xué)知識(shí)，有效解決“數(shù)據(jù)孤島”問(wèn)題，提升主題文獻(xiàn)分析效率，賦能翻譯學(xué)研究的智能化、個(gè)性化、定制化。

國(guó)內(nèi)相關(guān)垂直領(lǐng)域大規(guī)模知識(shí)圖譜正處于積極探索期，較為知名的是由清華大學(xué)計(jì)算機(jī)系知識(shí)工程實(shí)驗(yàn)室團(tuán)隊(duì)研發(fā)的中國(guó)基礎(chǔ)教育知識(shí)圖譜EduKG（open.edukg.cn），該圖譜涵蓋基礎(chǔ)教育九門學(xué)科內(nèi)容，實(shí)現(xiàn)學(xué)習(xí)資源語(yǔ)義化分析和個(gè)性化推薦等功能。除此之外，北京外國(guó)語(yǔ)大學(xué)人工智能與人類語(yǔ)言重點(diǎn)實(shí)驗(yàn)室研發(fā)的外語(yǔ)學(xué)科知識(shí)圖譜LingNet嘗試建立外語(yǔ)學(xué)科概念之間關(guān)系，也產(chǎn)生了較為深遠(yuǎn)影響。

（二）翻譯知識(shí)服務(wù)平臺(tái)構(gòu)建

在翻譯知識(shí)圖譜基礎(chǔ)上，可積極構(gòu)建翻譯知識(shí)服務(wù)平臺(tái)以滿足數(shù)智時(shí)代的知識(shí)服務(wù)需求。具體來(lái)看，以知識(shí)圖譜為基礎(chǔ)提供知識(shí)檢索服務(wù)，以知識(shí)推理系統(tǒng)為用戶提供智能問(wèn)答服務(wù)，以用戶畫(huà)像為基礎(chǔ)提供個(gè)性化推薦服務(wù)。在文獻(xiàn)分析基礎(chǔ)上，擬構(gòu)建的翻譯知識(shí)服務(wù)平臺(tái)從需求分析出發(fā)，對(duì)平臺(tái)功能性需求和非功能性需求進(jìn)行詳細(xì)分析，主要包括下列關(guān)鍵環(huán)節(jié)：

1.明確所需技術(shù)和工具

可選擇ASP.NET作為開(kāi)發(fā)平臺(tái)，以 VisualStudio作為開(kāi)發(fā)工具，以面向?qū)ο蟮木幊趟枷胱鳛橹笇?dǎo)，運(yùn)用目前實(shí)用而高效的Web應(yīng)用程序開(kāi)發(fā)技術(shù)ASP.NET、XML以及C#、Java script等編程語(yǔ)言，必要時(shí)使用部分第三方控件。

2.數(shù)據(jù)庫(kù)設(shè)計(jì)與建設(shè)

根據(jù)平臺(tái)需求，選擇SQL Server作為系統(tǒng)數(shù)據(jù)庫(kù)。根據(jù)翻譯知識(shí)服務(wù)平臺(tái)實(shí)際管理需求設(shè)計(jì)數(shù)據(jù)庫(kù)表結(jié)構(gòu)，包括實(shí)體表、關(guān)聯(lián)表和屬性字段，確保數(shù)據(jù)的組織和存儲(chǔ)的合理性。根據(jù)數(shù)據(jù)庫(kù)設(shè)計(jì)，創(chuàng)建數(shù)據(jù)庫(kù)和相應(yīng)的表結(jié)構(gòu)，并設(shè)置索引、約束等數(shù)據(jù)庫(kù)元素，保證數(shù)據(jù)的完整性和一致性。

3.平臺(tái)功能開(kāi)發(fā)

根據(jù)界面設(shè)計(jì)和用戶體驗(yàn)要求，使用HTML、CSS和JavaScript等技術(shù)，開(kāi)發(fā)前端界面和交互功能，實(shí)現(xiàn)用戶界面的友好性和響應(yīng)性。根據(jù)模塊劃分，使用所選的編程語(yǔ)言和開(kāi)發(fā)框架編寫后端代碼，實(shí)現(xiàn)各個(gè)功能模塊，包括數(shù)據(jù)處理、業(yè)務(wù)邏輯和接口設(shè)計(jì)。

4.系統(tǒng)集成與測(cè)試

將開(kāi)發(fā)完成的各個(gè)功能模塊進(jìn)行集成，確保模塊之間的協(xié)同工作和數(shù)據(jù)交互的正確性。對(duì)集成后的系統(tǒng)進(jìn)行功能測(cè)試，驗(yàn)證平臺(tái)的各項(xiàng)功能是否按照需求規(guī)格和設(shè)計(jì)要求正常運(yùn)行。

5平臺(tái)部署與上線

準(zhǔn)備服務(wù)器環(huán)境和網(wǎng)絡(luò)配置，確保平臺(tái)的運(yùn)行環(huán)境滿足要求。將開(kāi)發(fā)完成的平臺(tái)部署到服務(wù)器上，配置域名和端口，確保平臺(tái)能夠通過(guò)互聯(lián)網(wǎng)進(jìn)行訪問(wèn)和使用。

（三）翻譯智能產(chǎn)品研發(fā)

數(shù)智時(shí)代的典型特點(diǎn)是數(shù)字化和人工智能的深度耦合，知識(shí)圖譜在深化認(rèn)知智能應(yīng)用水平，為實(shí)現(xiàn)人、數(shù)據(jù)、知識(shí)的互聯(lián)互通提供堅(jiān)實(shí)基礎(chǔ)。不可否認(rèn)的是，市面上出現(xiàn)的眾多翻譯智能產(chǎn)品能夠?qū)崿F(xiàn)智能問(wèn)答、智能搜索與查詢等操作，但涉及的翻譯知識(shí)較為簡(jiǎn)單，未能實(shí)現(xiàn)系統(tǒng)化和專業(yè)化，且魯棒性較低。而翻譯學(xué)知識(shí)圖譜的應(yīng)用可有效提升翻譯智能產(chǎn)品的研發(fā)，提升翻譯智能產(chǎn)品的智能化水平。研究發(fā)現(xiàn)，人工智能技術(shù)中的自然語(yǔ)言處理、機(jī)器學(xué)習(xí)、計(jì)算機(jī)視覺(jué)已經(jīng)在產(chǎn)品研發(fā)中得到廣泛運(yùn)用，特別是機(jī)器翻譯、圖像識(shí)別、語(yǔ)音識(shí)別等技術(shù)，而“AI技術(shù)+流程+團(tuán)隊(duì)”模式推動(dòng)服務(wù)能力、翻譯行為和管理方式變革[11]。

六、結(jié)語(yǔ)

數(shù)智時(shí)代帶來(lái)的大數(shù)據(jù)和大知識(shí)為翻譯學(xué)研究帶來(lái)了挑戰(zhàn)，知識(shí)圖譜在解決“數(shù)據(jù)孤島”、彌合數(shù)據(jù)和知識(shí)“鴻溝”、提升認(rèn)知智能水平等方面發(fā)揮著巨大作用，不失為有效路徑。以知識(shí)圖譜為基礎(chǔ)的認(rèn)知智能發(fā)展深度契合國(guó)家高度重視并著力發(fā)展的“新文科建設(shè)”，有力推進(jìn)哲學(xué)社會(huì)科學(xué)與新一輪科技革命和產(chǎn)業(yè)變革交叉融合。翻譯學(xué)研究需乘勢(shì)而為，堅(jiān)持“古今結(jié)合”和“文理融合”，以期實(shí)現(xiàn)學(xué)科深度融通，培養(yǎng)交叉復(fù)合型翻譯人才，為高質(zhì)量推動(dòng)“一帶一路”建設(shè)，展示中國(guó)形象、發(fā)出中國(guó)聲音貢獻(xiàn)“翻譯力量”。

參考文獻(xiàn)

[1]中共中央，國(guó)務(wù)院.數(shù)字中國(guó)建設(shè)整體布局規(guī)劃[EB/OL].[2023-03-27].http：//www.gov.cn/xinwen/2023-02/27/content＿5743484.htm.

[2]中共中央，國(guó)務(wù)院.中國(guó)教育現(xiàn)代化2035[EB/OL].[2023-03-27].https：//www.gov.cn/zhengce/2019-02/23/content_5367987.htm.

[3]陳國(guó)青，任明，衛(wèi)強(qiáng)，等.數(shù)智賦能：信息系統(tǒng)研究的新躍遷[J].管理世界，2022，38（01）：180-196.

[4]鄭思思，陳衛(wèi)東，徐銣憶，等.數(shù)智融合：數(shù)據(jù)驅(qū)動(dòng)下教與學(xué)的演進(jìn)與未來(lái)趨向——兼論圖形化數(shù)據(jù)智能賦能教育的新形態(tài)[J].遠(yuǎn)程教育雜志，2020，38（04）：27-37.

[5] Wikipedia. Google Knowledge Graph［EB/OL］. ［2023-02-14］.https：//en. wikipedia. org/wiki/Google_Knowledge_Graph.

[6]田玲，張謹(jǐn)川，張晉豪，等.知識(shí)圖譜綜述——表示、構(gòu)建、推理與知識(shí)超圖理論[J].計(jì)算機(jī)應(yīng)用，2021，41（08）：2161-2186.

[7] SINGHAL A. Introducing the knowledge graph：things，not strings［EB/OL］. ［2023-03-09］. https：//www. blog. google/products/search/introducing-knowledge-graph-things-not/.

[8] Pym，A．1998． Method in Translation History[M]．Manchester： StJerome．

[9]朱健平.完整再現(xiàn)霍爾姆斯翻譯研究學(xué)科構(gòu)架圖[J].外語(yǔ)教學(xué)理論與實(shí)踐，2018（04）：75-83.

[10]劉嶠，李楊，段宏，等.知識(shí)圖譜構(gòu)建技術(shù)綜述[J].計(jì)算機(jī)研究與發(fā)展，2016，53（03）：582-600.

[11]崔啟亮.人工智能在語(yǔ)言服務(wù)企業(yè)的應(yīng)用研究[J].外國(guó)語(yǔ)文，2021，37（01）：26-32+73.

作者單位：南開(kāi)大學(xué)外國(guó)語(yǔ)學(xué)院

責(zé)任編輯：尚丹