Resumen

Basándose en corpus paralelos a gran escala, la traducción automática neuronal ha logrado un gran éxito en ciertos pares de idiomas. Sin embargo, la adquisición de un corpus paralelo de alta calidad es una de las principales dificultades en la investigación de la traducción automática. Con el fin de resolver este problema, este artículo propone la traducción automática neuronal adaptativa de dominio no supervisada. Este método puede ser entrenado utilizando solo dos corpus monolingües no relacionados y obtener un buen resultado de traducción. Este artículo primero mide el grado de coincidencia de las reglas de traducción al agregar información relevante del sujeto a las reglas de traducción y calcular dinámicamente la similitud entre cada regla de traducción y el documento a traducir durante el proceso de decodificación. En segundo lugar, a través del entrenamiento conjunto de múltiples tareas de entrenamiento, el idioma fuente puede aprender información semántica y estructural útil del corpus monolingüe de un tercer idioma que no es paralelo a los dos idiomas actuales durante el proceso de traducción al idi

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Corpus paralelos a gran escala; Traducción neuronal automática; Red neuronal adaptativa de dominio no supervisada; Corpus paralelo de alta calidad; Reglas de traducción; Corpus monolingües
• Keywords:Large-scale parallel corpora; Neural machine translation; Unsupervised domain adaptive neural network; High-quality parallel corpus; Translation rules; Monolingual corpora