期刊导航
期刊开放获取
cqvip
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
1
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
多领域机器翻译中的非参贝叶斯短语归纳
被引量：
1
1
作者
刘宇鹏
马春光
+1 位作者
朱晓宁
乔秀明
《哈尔滨工程大学学报》
EI
CAS
CSCD
北大核心
2017年第10期1616-1622,共7页
多领域机器翻译一直以来都是机器翻译领域研究的重点,而短语归纳是重中之重。传统加权的方法并没有考虑到整个归约过程,本文提出了一种使用层次化的Pitman Yor过程进行短语归约,同时把多通道引入到模型中,使得在短语归约的过程中平衡各...
多领域机器翻译一直以来都是机器翻译领域研究的重点,而短语归纳是重中之重。传统加权的方法并没有考虑到整个归约过程,本文提出了一种使用层次化的Pitman Yor过程进行短语归约,同时把多通道引入到模型中,使得在短语归约的过程中平衡各领域的影响;从模型角度,本文的方法为生成式模型,模型更有表现力,且把对齐和短语抽取一起建模,克服了错误对齐对原有短语抽取性能的影响。从复杂度上来说,该模型独立于解码,更易于训练;从多领域融合来说,对短语归约过程中进行融合,更好地考虑到整个归约过程。在两种不同类型的语料上验证了机器翻译的性能,相对于传统的单领域启发式短语抽取和多领域加权,BLEU分数有所提高。
展开更多
关键词
多领域机器翻译
非参贝叶斯
短语归纳
Pitman
Yor过程
生成式模型
块采样
中餐馆过程
BLEU分数
下载PDF
职称材料
题名
多领域机器翻译中的非参贝叶斯短语归纳
被引量：
1
1
作者
刘宇鹏
马春光
朱晓宁
乔秀明
机构
哈尔滨理工大学软件学院
哈尔滨工程大学计算机科学与技术学院
哈尔滨工业大学计算机学院
出处
《哈尔滨工程大学学报》
EI
CAS
CSCD
北大核心
2017年第10期1616-1622,共7页
基金
国家自然科学青年基金项目(61300115)
中国博士后科学基金项目(2014M561331)
黑龙江省教育厅科技研究项目(12521073)
文摘
多领域机器翻译一直以来都是机器翻译领域研究的重点,而短语归纳是重中之重。传统加权的方法并没有考虑到整个归约过程,本文提出了一种使用层次化的Pitman Yor过程进行短语归约,同时把多通道引入到模型中,使得在短语归约的过程中平衡各领域的影响;从模型角度,本文的方法为生成式模型,模型更有表现力,且把对齐和短语抽取一起建模,克服了错误对齐对原有短语抽取性能的影响。从复杂度上来说,该模型独立于解码,更易于训练;从多领域融合来说,对短语归约过程中进行融合,更好地考虑到整个归约过程。在两种不同类型的语料上验证了机器翻译的性能,相对于传统的单领域启发式短语抽取和多领域加权,BLEU分数有所提高。
关键词
多领域机器翻译
非参贝叶斯
短语归纳
Pitman
Yor过程
生成式模型
块采样
中餐馆过程
BLEU分数
Keywords
multi
-
domain
machine translation
Bayesian
non-parameter
phrasal
induction
Pitman-Yor
process（PYP）
generative
model
block
sampling
Chinese
restaurant
process
BLEU
score
分类号
TP391.23 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
多领域机器翻译中的非参贝叶斯短语归纳
刘宇鹏
马春光
朱晓宁
乔秀明
《哈尔滨工程大学学报》
EI
CAS
CSCD
北大核心
2017
1
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
