GraphSageNMT:一种针对印度语言的图增强型神经机器翻译技术,具备动态上下文检索功能
《IEEE Access》:GraphSageNMT: Graph-Augmented Neural Machine Translation with Dynamic Context Retrieval for Indic Languages
【字体:
大
中
小
】
时间:2026年05月21日
来源:IEEE Access 3.6
编辑推荐:
摘要:将古代印度文本翻译成英语对神经机器翻译(NMT)系统来说是一个重大挑战,因为这些文本篇幅较短、语法结构独特,且解释起来具有内在复杂性。本研究提出了GraphSageNMT,这是一种基于记忆的NMT框架,它结合了多层次的语言特征和一个非参数的、可随时使用的记忆增强模块。Gr
摘要:
将古代印度文本翻译成英语对神经机器翻译(NMT)系统来说是一个重大挑战,因为这些文本篇幅较短、语法结构独特,且解释起来具有内在复杂性。本研究提出了GraphSageNMT,这是一种基于记忆的NMT框架,它结合了多层次的语言特征和一个非参数的、可随时使用的记忆增强模块。GraphSageNMT利用基于图的语义记忆和从联想学习中得出的智慧/推理机制。预训练的语言模型通过基于残差门控的多特征融合机制,将上下文嵌入与显式的语言注释(如词性标签、依存关系和语义角色标签)结合起来。除了改进局部特征外,还添加了一个两部分的外部记忆系统:第一部分是基于图的语义记忆层,用于构建概念之间的文档级关联关系;第二部分是一个轻量级的长时间上下文记忆缓冲区,用于非参数的持续学习。解码器中的交叉注意力机制将从记忆中检索到的上下文与当前的表示结合起来,使模型能够在段落间保持句法准确性和语义连贯性。为了提高模型的鲁棒性和泛化能力,还应用了位置感知升级和dropout正则化。对提出的GraphSageNMT方法进行的实证研究表明,在各种全自动评估指标上,其在印地语到英语的翻译性能方面取得了显著提升。结果表明,动态记忆检索和多特征条件化在捕捉文本的细微和关联方面非常有效。这是朝着更接近人类思维方式的NMT系统迈进的一步,这样的系统能够持续学习。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号