A Study on Improving Semantic Consistency of Translation Systems by Combining Dynamic Computing Methods in English Corpus
Notice bibliographique
Résumé
Aiming at the dilemma of corpus-based intelligent English translation, the article proposes an English neural machine translation method based on depth-separable convolution, which combines with the dynamic computation method to improve the semantic consistency of the translation system for semantic alignment and fusion.In order to verify the training effect of the proposed convolutional neural network model combined with the dynamic computation method, comparison experiments with one-way and two-way network models and baseline model with different cut-off granularity are conducted respectively.In order to better examine its performance in practical translation applications, online translation, machine translation and systematic methods are utilized for comparison.The BLUE values of this paper's model for Chinese-English data translation in four different granularities of words, syllables, subwords and characters are 21.41%, 21.91, 29.25% and 20.40%, respectively.In 100,000, 200,000 and 500,000 training English-Chinese bilingual parallel corpus, the training time consumed by the model in this paper is 9.58 h, 15.94 h and 32.69 h.In practical application, the decibel range of the noise reduction of the translation system method designed by the research is distributed in [1.62 ~ 1.89], the average value of coherence is 91.1%, and the average compression rate and the average stability of the BLEU scores are 93.84% and 98.38%, respectively, and the results are better than the comparison methods.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».