统计机器翻译领域自适应的研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第14-37页 |
| 1.1 课题的意义和背景 | 第14-16页 |
| 1.2 统计机器翻译的研究现状 | 第16-22页 |
| 1.2.1 统计机器翻译框架 | 第16-17页 |
| 1.2.2 同步上下文无关文法模型 | 第17-21页 |
| 1.2.3 统计机器翻译的判别式学习 | 第21-22页 |
| 1.2.4 机器翻译的评测指标 | 第22页 |
| 1.3 领域自适应的研究现状 | 第22-35页 |
| 1.3.1 领域自适应基本概念 | 第22-29页 |
| 1.3.2 领域自适应在统计机器翻译中的应用 | 第29-33页 |
| 1.3.3 深度学习与领域自适应 | 第33-35页 |
| 1.4 论文主要的研究内容 | 第35-37页 |
| 第2章 基于图随机游走的领域自适应数据处理 | 第37-49页 |
| 2.1 引言 | 第37-38页 |
| 2.2 基于图随机游走的数据处理 | 第38-44页 |
| 2.2.1 图的随机游走方法 | 第38页 |
| 2.2.2 图模型的建立和参数 | 第38-41页 |
| 2.2.3 加权互推荐算法 | 第41-42页 |
| 2.2.4 融合至机器翻译的对数线性模型 | 第42-44页 |
| 2.3 实验及其结果分析 | 第44-48页 |
| 2.3.1 实验设置 | 第44-45页 |
| 2.3.2 算法的时间开销 | 第45-46页 |
| 2.3.3 机器翻译性能和结果分析 | 第46-47页 |
| 2.3.4 讨论 | 第47-48页 |
| 2.4 本章小结 | 第48-49页 |
| 第3章 基于多任务学习的统计机器翻译领域自适应 | 第49-64页 |
| 3.1 引言 | 第49-50页 |
| 3.2 基于多任务学习的翻译系统协同训练 | 第50-56页 |
| 3.2.1 领域内数据选择 | 第51-52页 |
| 3.2.2 基于混合模型构建统计机器翻译系统 | 第52-53页 |
| 3.2.3 基于多任务学习的调参 | 第53-56页 |
| 3.3 实验及其结果分析 | 第56-62页 |
| 3.3.1 实验设置 | 第56-58页 |
| 3.3.2 基准系统 | 第58页 |
| 3.3.3 机器翻译性能和结果分析 | 第58-60页 |
| 3.3.4 讨论 | 第60-62页 |
| 3.4 本章小结 | 第62-64页 |
| 第4章 基于深度学习的统计机器翻译领域自适应 | 第64-85页 |
| 4.1 引言 | 第64-65页 |
| 4.2 深度学习在自然语言处理中的应用 | 第65-72页 |
| 4.3 基于神经网络的话题相似度模型 | 第72-78页 |
| 4.3.1 利用去噪自动编码器预训练 | 第72-75页 |
| 4.3.2 利用双语数据进行参数调优 | 第75-76页 |
| 4.3.3 加入统计机器翻译解码过程 | 第76-78页 |
| 4.4 实验及其结果分析 | 第78-83页 |
| 4.4.1 实验设置 | 第78-79页 |
| 4.4.2 基准系统 | 第79页 |
| 4.4.3 检索文档数和隐含层长度的影响 | 第79-80页 |
| 4.4.4 话题相关特征的影响 | 第80-82页 |
| 4.4.5 结果分析 | 第82-83页 |
| 4.5 本章小结 | 第83-85页 |
| 第5章 基于互联网检索的统计机器翻译领域自适应 | 第85-100页 |
| 5.1 引言 | 第85-87页 |
| 5.2 互联网数据挖掘的研究现状 | 第87页 |
| 5.3 基于互联网实时检索的翻译方法 | 第87-94页 |
| 5.3.1 翻译知识检索的查询生成 | 第88页 |
| 5.3.2 短语级别翻译生成 | 第88-90页 |
| 5.3.3 句子级别翻译生成 | 第90-93页 |
| 5.3.4 排序模型及其特征 | 第93-94页 |
| 5.4 实验及其结果分析 | 第94-98页 |
| 5.4.1 实验设置 | 第94-95页 |
| 5.4.2 短语级别翻译性能 | 第95-96页 |
| 5.4.3 句子级别翻译性能 | 第96-97页 |
| 5.4.4 结果分析 | 第97-98页 |
| 5.5 本章小结 | 第98-100页 |
| 结论 | 第100-103页 |
| 参考文献 | 第103-123页 |
| 攻读博士学位期间发表的论文及其他成果 | 第123-126页 |
| 致谢 | 第126-127页 |
| 个人简历 | 第127页 |
