人工智能翻译的发展现状与前景分析

《人工智能翻译的发展现状与前景分析》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、人工智能翻译的发展现状与前景分析罗华珍潘正芹易永忠桂林电子科技大学外国语学院近年来，人工智能（ArtificialIntelligence,以下简称AI）技术迅猛发展，越来越深刻地影响各行各业。其中，语言服务业涉及的机器翻译，有“AT中的AI”之称，一直被视作人类的最后一块裨慧高地，“AI王冠上的宝石”。这块璀璨的宝石引来了众多高校与研宂机构竞相研宂，更引来了包括谷歌、阿里在内的企业巨头踊跃投入。此外，不少传统的语言服务企业也意欲向此转型。那么，人工智能翻译技术的现状究竞如何?AI会给语言服务业带来哪些深刻影响？人

2、工翻译与机器翻译的未来，又该何去何从?本文结合人工智能翻译的发展现状及其当前应用的成果，对以上问题进行分析探讨，以期对AI翻译领域的研究方向，提供理论参考依据。关键词：人工智能;机器翻译;人工翻译;深度学循环神经网络;积卷神经网络;翻详众包;机器学习技术;基金：基金项目：广西教育厅“英汉机器翻译与语言学接口研允：问题与出路”，编号：KY2015YB115一、机器翻译的优点随着科技和经济的快速发展，全球各国的互联互通已经成为不可阻挡的发展趋势。为了实现不同国家之间低成本的有效交流，机器翻译应运而生。其优点主要体现为：

3、1.成本低:和比于人工翻译，机器翻译的成本要低很多。因为机器翻译需要人工参与的时候很少，基本上由计算机自动完成翻译，大大降低了预算。1.易把控：机器翻译的流程简单快捷，在翻译时间的把控上也能进行较为精准地估算。2.速度快计算器程序的运行速度非常快，机器翻译正好利用了这一优点。二、机器翻译的发展现状相信常跟外语打交道的读者都感觉到，机器翻译越来越强大了。从最开始的只能翻译单词，翻译句子简直一窍不通的，到之后翻译出来句子可以符合棊本的语法，再慢慢变得越来越有基本的逻辑性了，再到现在部分软件可以联系上下文，翻译结果的可读

4、性与正确性都大为改观。近年来，加入了“深度学习技术”等人工智能的机器翻译，己经不再简单地将一个个单词翻译成另一种语言，而是可以像人一样，不断向前冋顾以理解结构复杂的句子，并且结合上下文，理解每一个It/lle/She具体指代谁。实现这种功能，分别依赖丁•两种神经网络架构，一个是RecurrentNeuralNetworks(RNN)循环神经网络，另一个则是ConvolutionalNeuralNetworks(CNN)一一卷积祌经网络。关于RNN和CNN哪个更适用于机器翻译的争论也很多，我们先来看看这两种神经网络都

5、是如何为机器翻译“开光加持”的。RNN:机器翻译的创派宗师首先我们耍明白，所谓机器翻译，就是一个解码后再编码的过程。如果要把英语翻译成中文，就要先把英语原文解码成“祌经代码”，再编码生成中文。循环神经网络的关键，就在于循环二字上。系统会“记住”上一次输出的内容，以此来决定下一次输出。有了上一次和不一次的概念，神经网络就不会把输入和输出的信息看做独立的，而是相互关联的时间序列。这样就可以通过以往的序列关联猜测到下一个序列会出现的词。在翻译时，RNN把源语言当做输入序列，把翻译语言当做输出序列，由于每一次输出都会参考上

6、一次输出的结果，所以机器翻译更具整体性，而不是简单的翻译单词。目前对RNN应用的最为炉火纯青的应该就是谷歌翻译了，去年谷歌提出了用神经网络系统进行机器翻译，据称汉译英的错误率最高下降85%，在当时还小小的引起了一番轰动。如果说传统神经网络在翻译时，永远是用一片空白的大脑面对每一个句子，那么RNN在翻译时则拥有持久的思想，而谷歌翻译所应用的LSTM更加强了这一点。LSTM是RNN的一•类变种，被译为长短期记忆网络，是一•种时间递归神经网络。RNN的缺陷在于，“于谦的父亲-王老爷子”这种间隔很短的序列预测以前很容易，但

7、要预测“今天出门晚了，所以上班□”这类句子，需要联系到间隔较远的上下文，这时RNN可能就表现的没那么优秀了。而LSTM，就可以学习并理解这种长期依赖关系。LSTM通过一系列计算将句子中的各个元素的特征构建成非线性的组合，同吋还设立了“遗忘机制”，将权重较低的元素遗忘掉。这就意味着LSTM可以“更新”记忆，让长期依赖因素不断的存在于距离较近的神经元中。CNN:GPU的宠儿就在RNN机器翻译还在不断更新时，乂有人提出了将CNN一一卷积神经网络应用于机器翻译之上。从上文我们可以得出结论，RNN(LSTM)机器翻译按照序列

8、进行工作，也就是和人一样，按照顺序一个个的进行翻译。但要记住的一点是，目前比较主流的GPU最大的有点是可以进行并行计算。这样一来RNN就没法最大化利用GPU的计算能力。而CNN则可以同时处理多个语言片段，并且具有信息分层处理能力。将文木序列化、单词向量化，经过分层处理后再输出结果。在分层过程中，还会不断冋顾源文本来确定下一个输出序列。捉出这种技术的是Face