Analyzing Semantic Alignment Mechanisms and Translation Accuracy in English-Chinese Translation Using Support Vector Machines
Notice bibliographique
Résumé
Cross-language text categorization techniques can achieve more efficient localization and use of text data in multilingual languages by overcoming the differences between different languages. In this paper, firstly, by combining cross-language word vectors and adversarial training, support vector machines are utilized to improve the alignment effect of English-Chinese cross-language words and sentences in the feature space, and to achieve higher quality English-Chinese cross-language text classification. Then the variational mechanism is combined with multi-task learning to align the potential semantic space of multimodal data, maintain the domain invariance of different modal data representations, improve the generalization ability of the model, and ensure the consistency of the variational machine translation training process and the prediction process. The two are combined to construct a hybrid variational multimodal machine translation model based on semantic alignment, experimentally validate the effect of the text categorization algorithm on datasets such as Multi30k, and examine the quality of English-Chinese and Chinese-English translations. In the experiments, it is found that on the MSCOCO dataset, the BLEU of English to Chinese and Chinese to English of this paper’s model is 61.26 and 60.15 respectively, and the translation quality is significantly better than the baseline model. The model achieved the best results in all 3 actual translation tasks. And compared with the complete model, the translation performance of different removal cases in the ablation experiments are decreased, which verifies the effectiveness of the model of this paper as a whole and different components. The method in this paper can effectively reduce the feature differences between different languages, and has important practical application value for solving cross-language text categorization and machine translation problems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».