面向统计机器翻译的语言模型优化技术研究
摘要 | 第5-6页 |
Abstract | 第6页 |
第1章 绪论 | 第11-17页 |
1.1 研究背景及意义 | 第11-13页 |
1.2 国内外研究现状 | 第13-14页 |
1.3 本文研究工作 | 第14-17页 |
1.3.1 研究目的 | 第14-15页 |
1.3.2 本文组织结构 | 第15-17页 |
第2章 相关理论基础知识 | 第17-31页 |
2.1 统计机器翻译技术 | 第17-21页 |
2.1.1 统计机器翻译概述 | 第17-19页 |
2.1.2 整体框架 | 第19-20页 |
2.1.3 基于短语的统计机器翻译 | 第20-21页 |
2.2 基于短语的统计机器翻译模块 | 第21-24页 |
2.2.1 词对齐 | 第21-22页 |
2.2.2 短语规则抽取 | 第22页 |
2.2.3 调序模型 | 第22页 |
2.2.4 语言模型 | 第22-23页 |
2.2.5 权重调优 | 第23页 |
2.2.6 解码器 | 第23-24页 |
2.2.7 其他模块 | 第24页 |
2.3 语言模型 | 第24-27页 |
2.3.1 n-gram语言模型 | 第25-27页 |
2.3.2 神经网络语言模型 | 第27页 |
2.4 语言模型评价方法 | 第27-29页 |
2.4.1 熵 | 第27-28页 |
2.4.2 实用评价方法 | 第28-29页 |
2.5 本章小结 | 第29-31页 |
第3章 神经网络语言模型分析 | 第31-45页 |
3.1 语言模型网络结构 | 第31-37页 |
3.1.1 网络结构 | 第31-35页 |
3.1.2 激活函数 | 第35-37页 |
3.2 模型训练规则选取 | 第37-39页 |
3.2.1 训练算法 | 第37-38页 |
3.2.2 学习率 | 第38页 |
3.2.3 停止准则 | 第38-39页 |
3.2.4 反向传播算法 | 第39页 |
3.3 实验分析 | 第39-44页 |
3.3.1 实验环境 | 第39-40页 |
3.3.2 实验结果 | 第40-44页 |
3.3.3 结论分析 | 第44页 |
3.4 本章小结 | 第44-45页 |
第4章 统计机器翻译中融合语言模型 | 第45-57页 |
4.1 语言模型在翻译系统中的应用 | 第45-50页 |
4.1.1 CYK解码 | 第46-48页 |
4.1.2 解码过程 | 第48-50页 |
4.2 传统语言模型 | 第50-52页 |
4.2.1 平滑技术 | 第50页 |
4.2.2 Kneser-Ney平滑 | 第50-52页 |
4.3 实验配置 | 第52页 |
4.4 实验 | 第52-54页 |
4.5 实验分析 | 第54-55页 |
4.6 本章小结 | 第55-57页 |
第5章 词向量引导训练 | 第57-63页 |
5.1 改进算法描述 | 第57-61页 |
5.1.1 理论依据 | 第57-58页 |
5.1.2 词向量 | 第58-59页 |
5.1.3 算法描述 | 第59-60页 |
5.1.4 词向量训练 | 第60-61页 |
5.2 实验及分析 | 第61页 |
5.3 本章小结 | 第61-63页 |
第6章 总结和展望 | 第63-65页 |
6.1 本文总结 | 第63页 |
6.2 机遇与挑战 | 第63-65页 |
参考文献 | 第65-69页 |
致谢 | 第69-71页 |
攻读硕士期间参与项目 | 第71页 |