Resumen

La identificación de frases desempeña un papel importante en la traducción automática de inglés médico. Sin embargo, las frases en inglés médico son complicadas en cuanto a estructura interna y relación semántica, lo que dificulta la identificación de la traducción automática y, por tanto, afecta a la precisión de los resultados de traducción. Con el objetivo de romper el cuello de botella de la traducción automática en el ámbito médico, este trabajo diseñó un modelo de traducción automática basado en el algoritmo optimizado de cociente de probabilidad generalizado (GLR). En concreto, el modelo en cuestión estableció un corpus de frases médicas de 250.000 palabras en inglés y 280.000 en chino, aplicó la función de mapeo de símbolos a la identificación de la parte de la oración de la frase y empleó la función sintáctica de la estructura de tabla de análisis de salida múltiple para corregir la ambigüedad estructural en la identificación de la parte de la oración, obteniendo finalmente el resultado de identificación final. De acuerdo con la verificación exhaustiva, se observó que el modelo de traducción que empleaba el algoritmo GLR optimizado mejoraba la velocidad, la precisión y el rendimiento de actualización de la traducción automática y resultaba más adecuado para la traducción automática en el ámbito médico, por lo que ofrecía una nueva perspectiva para el empleo de la traducción automática médica.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:traducción automática, identificación, ámbito médico, traducción automática del inglés médico, estructura de la tabla de análisis multisalida, resultado final de la identificación, cociente de probabilidades generalizado, modelo de traducción automática, traducción automática médica, corpus de frases médicas
• Keywords:machine translation, identification, medical field, medical english machine translation, multioutput analysis table structure, final identification result, generalized likelihood ratio, machine translation model, medical machine translation, medical phrase corpus