Resumen

La traducción automática neuronal ha sido ampliamente estudiada en los últimos años. El marco tradicional de red neuronal secuencial para la traducción al inglés tiene desventajas evidentes debido a su escasa capacidad para capturar información a larga distancia, y el marco mejorado actual, como la red neuronal recurrente, aún no puede resolver este problema de manera muy eficaz. En este artículo, proponemos una red neuronal híbrida que combina la red neuronal convolucional (CNN) y la memoria a corto plazo a largo plazo (LSTM) e introducimos el mecanismo de atención basado en la estructura codificador-decodificador para mejorar la precisión de la traducción, especialmente para oraciones largas. En el experimento, este modelo se implementa en TensorFlow y los resultados muestran que el valor BLEU del método propuesto mejora notablemente en comparación con el modelo tradicional de aprendizaje automático, lo que demuestra la efectividad de nuestro método en la traducción inglés-chino.

• Materias:Inteligencia artificial Aplicación móvil Asistencia tecnológica a personas con discapacidad Tecnología en educación
• Subjects:Artificial intelligence Mobile application Technological assistance to people with disabilities Technology in education
• Palabras claves:Traducción automática neuronal; Red neuronal convolucional; Memoria a largo plazo; Mecanismo de atención; Estructura codificador-decodificador; TensorFlow
• Keywords:Neural machine translation; Convolutional neural network; Long short-term memory; Attention mechanism; Encoder-decoder structure; TensorFlow