Context-Aware Translation Accuracy Improvement Strategies Based on Deep Reinforcement Learning in English Translation
Notice bibliographique
Résumé
The field of machine translation has made significant progress in recent years, but how to improve translation accuracy and context consistency is still an urgent challenge.In this paper, a contextaware translation accuracy improvement strategy based on deep reinforcement learning is proposed for English translation.Based on CNNs neural machine translation model, the multi-intelligence deterministic deep policy gradient algorithm is utilized to combine the output of the translation model with the human evaluation index (BLEU), and the reward function is constructed to guide the model learning.In addition, in order to enhance the context-awareness of the model, the study introduces a context encoder in the deep reinforcement learning framework to capture sentencelevel contextual information and incorporate it into the translation process.The experimental results show that the optimized model has better training performance, with 40 epochs of iterations, the Loss converges to 0.135 up and down, and its English translation F1 value is 94.95%.And as the number of encoder layers rises, the number of semantic high-level features increases.The N-GRR difference between the generated translation and the standard translation of the model in this paper is the smallest, and the over-translation phenomenon is less.The number of out-of-set word interference is more than 6, and the BLEU value of this paper's model is improved by 17.89% to 55.55% compared with the comparison model.And the algorithm has good translation performance, with METEOR scores of 0.562~0.803on different topics.The research results fully verify the effectiveness of deep reinforcement learning based on deep reinforcement learning to improve the accuracy of English machine translation.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».