一、机器翻译的应用与发展（论文文献综述）
李昕辰[1]（2022）在《人工智能时代翻译学习者机器翻译技术的运用策略》文中进行了进一步梳理机器翻译在人工智能的帮助下,翻译质量突飞猛进,这对翻译学习者而言是一把双刃剑。为了让机器翻译技术更好地服务于翻译教学和翻译学习,本文分别就教师的机器翻译技术教学策略和学习者的机器翻译技术自主学习策略展开讨论。作为教师,应当首先为学习者选出优秀的机器翻译软件,然后借助该软件区分出翻译水平低于机器者和翻译水平高于机器者两个学习者群体,并针对不同的群体采取不同的教学策略:引导前者向机器学习,指导后者进行译后编辑训练,同时应采取措施竭力避免学习者滥用机器翻译。作为学习者,应摆脱对机器的依赖,将机器翻译作为提高翻译能力的手段,同时也可以合理利用机器翻译来提升包括阅读、写作、词汇在内的英语基础能力。
郭子凯,陈晨,刘曼玲[2]（2022）在《译者主体性视角下医学学术文本“机器翻译+译后编辑”中的策略研究》文中认为为探讨医学翻译中译者在"机器翻译+译后编辑"模式下如何发挥主体性,本文选取兼具语言难度和背景知识的医学学术文本,采取机器译文和人工译文进行比较的研究方法,发现了机器翻译的若干优势和译后编辑的必要性,并提出了"机器翻译+译后编辑"模式下的具体策略:译者应主动借助机器翻译;回归翻译技巧等核心技能,以改正机器译文中的错误;还可借助计算机辅助翻译或语料库资源完善术语或其他词句的表达。
刘莉,王怡,邵波[3]（2021）在《机器翻译在图书馆中的研究现状及应用趋势分析》文中研究指明随着人工智能技术的发展,机器翻译在众多热门领域已经展露出不可替代的应用优势。在国内外图书情报领域研究中,已有学者开始尝试在检索、信息服务等业务中应用机器翻译技术,但还未有系统论述图书情报领域机器翻译的文献。文章采用文献分析法、案例分析法以及网络调查法,梳理机器翻译技术内涵演变,归纳机器翻译技术在图书馆领域的研究内容,深入研究机器翻译技术在国内外图书馆的应用案例。分析现存问题,结合机器翻译最新产业研究成果,提出机器翻译在图书情报领域的未来应用发展趋势,以期为图书馆应用机器翻译技术提供启示。
周兴华,李懿洋[4]（2021）在《计算机辅助翻译软件的译后编辑功能探究》文中认为国外译后编辑研究始于20世纪80年代中期,进入21世纪之后,我国研究者也开始关注译后编辑研究这一领域。然而,现有研究缺乏对主要翻译工作环境（即计算机辅助翻译软件）译后编辑功能的关注。本文以4款主流翻译软件为例,集中探讨了计算机辅助翻译软件的译后编辑功能。研究表明,从机器翻译应用、译后编辑操作和工作流程的角度来看,相较于之前国内外译后编辑研究中提到的其他工具,计算机辅助翻译软件更适合译后编辑工作,是译后编辑的量产工具。此外,人工智能新技术进一步提升了译后编辑的效率和人机交互体验。译后编辑研究和教学应更多探索翻译软件环境,并加大对译后编辑实践和需求的关注力度。
赵文轩[5]（2021）在《机器与人工俄汉模拟交传比较分析报告 ——以“2019普京连线”为例》文中研究指明近年来,人工智能产业备受国家的关注和政策支持。而机器翻译作为人工智能的一个重要分支也获得了飞速发展,开始在各个领域为人们提供翻译服务,造福更多人群。作者以百度翻译与谷歌翻译的手机端软件为研究对象,创新性地将其应用于俄译汉交传翻译实践,并将同一翻译素材进行了人工俄译汉交传翻译。然后,作者从交传翻译活动进行的必要条件、过程、译出语三个维度,将机器翻译与人工翻译做了对比分析,对机器翻译的优缺点进行了归纳总结,并针对机器翻译在本次实践过程中暴露的缺点提出了对应的改进建议。最后,作者对机器翻译的未来进行了展望和思考。该报告对进一步提升机器俄译汉交传翻译质量具有借鉴意义,该实践有助于提高翻译行业从业者和研究人员对机器翻译的认识,为机器翻译领域的研究提供一定可借鉴的经验和方法。机器翻译凭借与译员迥然不同的翻译形式和众多优点使作者认为:机器翻译在未来的某些领域可以完全替代译员。这是挑战,更是机遇。应该利用好这一机遇,使机器翻译代替译员的部分体力和脑力劳动。高校或其他翻译人才培养单位应与机器翻译制造企业扩大合作,形成产学研一体化发展,及时了解机器翻译发展进度和社会对于高级翻译人才的准确需求。
王全[6]（2020）在《基于联合学习的中英神经机器翻译方法研究》文中提出基于深度学习的神经机器翻译技术显着提高了机器翻译的质量,但是仍然存在很多问题。其一,模型训练存在着数据稀疏问题,实际任务中通常难以获得充足的平行语料库进行模型训练,这使得模型在面对低资源领域的翻译任务中,翻译效果难以达到预期;其二,多层级联的网络结构将表示信息传递到末层,但在一定程度上会损失中间层捕获到的有效信息,而且,利用最大似然估计原理的训练方法所构建的损失函数是以词为单元的,在句子或者篇章级别翻译任务中,效果较差,而且会存在训练阶段与测试阶段的不一致性问题;其三,在机器译文的评测方面,传统方法多采用BLEU、NIST等评测指标,这些指标仅衡量了译文评测的单方面信息,考虑不够全面。本文针对上述问题,进行了相关的研究,主要工作如下:第一,针对双语平行语料获取困难的难题,对语料的扩充技术进行了研究,提出了基于EM算法的语料生成联合学习方法,将EM算法应用于神经机器翻译模型Transformer的训练中,语料生成任务作为主任务,Transformer的训练作为辅助任务,利用机器译文对平行语料库进行扩充。通过实验,验证了这种方法的有效性。第二,针对多层级联的深度模型所造成的中间层信息损失以及基于最大似然估计的训练方法存在的不足,本文提出了层聚合的神经机器翻译模型与对抗性训练算法,利用联合学习的方法,一方面以Transformer模型作为基线模型,通过增加合并层对Transformer进行改进,以加强中间隐藏层之间的关联;另一方面,将新模型的训练作为主任务,将句子分类任务作为辅助任务,主辅任务模型采用对抗性训练和强化学习的思想进行联合训练。通过实验,验证了这种方法的有效性。第三,针对机器翻译单一指标的评测方法存在的不足,对机器译文评测方法进行了研究,利用机器学习的方法对机器译文评测参考体系的不同方面进行了综合考虑,利用模型驱动的思想和联合学习的方法,提出了两种改进的方法。其一,利用改进的Transformer结合SVM进行译文评测模型的构建;其二,采用BERT结合BiGRU以及全连接网络进行译文评测模型的构建。通过实验,验证了这种方法的有效性。本文以中英机器翻译为背景,采用联合学习的思想,通过主辅任务模型的联合训练,扩充了双语平行语料、优化了 Transformer模型和训练算法、改善了机器译文评测体系。联合学习作为本文工作的核心思想,在未来的研究中,希望将这一思想应用于其他自然语言处理任务中。
慈祯嘉措[7]（2020）在《贫语言资源条件下的藏汉（汉藏）机器翻译关键技术研究》文中研究说明随着深度学习在自然语言处理研究中取得突破性进展,机器翻译技术也发生了革命性的变化,被广泛应用于人们的生活和工作中。我国作为一个统一的多民族国家,党和政府高度重视少数民族自然语言处理。近年来,我国少数民族自然语言处理相关技术蓬勃发展,尤其是藏语自然语言处理,更是随着科学技术的发展不断地在进步。不论基于统计还是基于神经网络的机器翻译方法,都需要具备大规模的双语或多语语言数据资源作为支撑,对于藏语相关的藏语自然语言处理研究而言,依然存在着数据资源稀缺、理论基础薄弱和技术方法不够成熟等问题,本文希望通过藏汉语言数据资源构建、单语语言模型融合、迭代式回译策略的应用以及跨语言模型预训练等理论和方法的研究,为贫语言资源条件下的藏汉机器翻译提供一个有效的研究思路,同时缓解目前藏汉机器翻译中资源稀缺、翻译性能不理想等问题,为藏区经济社会发展提供语言互译的技术支撑。本文的主要工作和创新点总结如下:针对藏汉语言数据资源匮乏问题,本文提出了一种面向藏汉机器翻译的语言资源构建技术,并构建了一个基于人民日报（藏文版）的藏、汉单语语料库和藏汉双语平行语料库。本文首先使用基于Web的大规模资源获取技术收集藏语单语新闻语料,并通过CNN+Bi-LSTM+CRF的藏文分词技术和Bi-LSTM+CRF的命名实体识别技术识别藏语新闻中的时间、地点、人物、组织机构等命名实体,并将其进行粗翻译,得到对应的汉语命名实体,然后通过汉语命名实体匹配到相对应的汉语新闻并将其进行预处理,通过篇章特征集合的相似度计算和基于Bi-LSTM+Attention模型的跨语言句子相似度计算,对藏汉两种语言的新闻文本进行篇章对齐和句子对齐,最终构建一个具有53.834万句藏语单语、61.759万句汉语单语和53.762万句对的藏汉双语平行语料库。针对藏汉机器翻译中双语平行语言资源缺乏,而藏汉两种语言的单语数据较为丰富的问题,为有效利用资源丰富的藏语单语数据以提高藏汉神经网络机器翻译的性能,本文提出了一种融合单语语言模型的藏汉机器翻译方法。本文首先通过循环神经网络语言模型建模的方法构建藏语单语语言模型,并将其与翻译模型的解码端预输出进行融合处理,利用浅层融合和深层融合的方式,将翻译模型生成的词和语言模型生成的词重新进行加权排序,使源语言与目标语言产生映射关系,最终输出目标语言。通过这种融合单语语言模型的藏汉机器翻译建模方法,可有效提升贫语言资源条件下的藏汉机器翻译的性能,经实验,这种方法在相同资源条件下,比原有的Transformer基线系统提升了3.4（藏-汉）和4.7（汉-藏）个BLEU值。针对贫资源条件下藏汉机器翻译性能不佳的问题,提出了一种迭代式回译策略的藏汉机器翻译方法。本文首先通过资源构建技术和实验室原有数据资源构建一个Transformer初始系统,对较大规模的单语语料（正向）进行翻译,得到源端是正确的句子,目标端是翻译生成的句子,然后通过平行句对过滤机制构建具有较强监督信息的伪藏汉双语平行语料,将其加入到翻译模型的训练中,然后进行回译（反向）,通过相同的方式得到目标端是正确的句子,而源端是翻译生成的句子,经多次迭代实验,在初始系统原有的性能指标上,提升了6.7（藏-汉）和9.8（汉-藏）个BLEU值。针对藏汉平行数据资源规模和领域受限,对监督式神经网络机器翻译模型的适应性较差的问题,提出了一种跨语言模型建模的藏汉机器翻译方法。本文首先构建了一个以Transformer为基线系统的藏汉机器翻译系统,通过对藏、汉掩码语言模型的预训练和藏汉跨语言翻译模型的建模,建立了富资源（汉）和贫资源（藏）之间的映射关系,然后将带有详细的语言信息和位置信息标签的藏汉双语句子以文本流的形式作为输入,通过这种预训练方式优化基线模型的性能,经实验表明,BLEU值分别提升了8.1（Transformer Base+MLM和Transformer Base）和5.7（Transformer Base+MLM和SMT）。本文一方面通过对藏汉语言资源构建和相关技术的研究,构建面向藏汉机器翻译的语言资源库,另一方面通过研究贫语言资源条件下的藏汉机器翻译理论和方法研究,优化和改进藏汉机器翻译的性能,取得了一些成果,为今后藏汉机器翻译研究提供了一个可借鉴的思路和方法。
刘桃艳[8]（2019）在《《劳特里奇翻译技术百科全书》（节选第五至七章）的英汉翻译报告》文中提出在经济全球化、信息化时代下,计算机科学及其相关领域发展迅猛,翻译技术在语言服务行业得到了广泛的应用。译者选取了《劳特里奇翻译技术百科全书》第一部分的第五、六、七章作为本翻译报告的翻译实践文本。该书于2015年由劳特里奇出版社出版的一部研究翻译技术方面的开拓性着作。第五、六、七章主要介绍了机器翻译的定义、发展阶段、研究、运用以及基于实例的机器翻译情况。通过翻译该书,译者不仅进一步比较全面地了解了机器翻译,提高了翻译能力,而且译者还希望通过本书的翻译能够对国内翻译技术的教学、实践和研究提供具体指导,促进国内翻译技术和跨学科研究的发展。在本次翻译实践的过程中,译者切实运用皮特·纽马克的交际翻译理论对所选择的原文文本的翻译过程和译文进行指导,并且运用交际翻译理论力求尽可能地使译文再现原文读者的同样效果。本翻译实践报告分为五个部分。第一个部分概述了翻译任务的选题来源与意义、源文本及其语言特征等。第二部分介绍了本次翻译任务的译前、译中和译后的翻译过程。第三部分简要介绍了纽马克文本类型和交际翻译理论。第四部分,在交际翻译理论的指导下,从词汇和句法两个层面来对选取的译例进行分析,通过采用音译、增译、倒译、分译、重组等翻译方法和技巧,来解决翻译过程中的问题,从而使得译文符合汉语的表达习惯,符合交际翻译理论,实现译文的交际目的。第五部分总结了本次翻译实践中存在的一些问题和不足。
王怡君[9]（2019）在《面向有限平行语料资源的神经机器翻译方法研究》文中认为近年来,深度学习的研究热潮迅速渗透了自然语言处理研究的各个领域,其中也包括了机器翻译领域。深度学习给机器翻译带来了极大的改变,使之不再需要面对传统统计机器翻译中的特征设计等难题。特别地,使用了深度学习技术的神经机器翻译近几年在国内外都取得了突飞猛进的发展,获得了翻译效果上的全面提升,成为了机器翻译领域的核心技术。然而,神经机器翻译模型的效果高度依赖于平行语料的规模和质量。而在实际的许多语言和领域中,高质量的平行语料资源是十分有限的,因此制约了神经机器翻译模型的性能。针对以上问题,本文旨在探索如何使用较少的平行语料,同时充分利用其他比较容易获取的资源来帮助神经机器翻译模型的训练。具体来说,本文在有限的平行语料资源的背景下,以挖掘利用其他相关资源为核心,开展以下三个方面的研究工作:首先,从有效开发利用单语语料的角度出发,本文研究同时使用平行语料和单语语料进行模型训练的问题,提出了一种新的半监督神经机器翻译方法。该方法的主要思想是通过全概率公式来估计目标语言端单语语料的似然并同时最大化平行语料和单语语料的似然。进一步地,为了解决在计算全概率公式中的期望项时搜索空间过大的问题,采用了重要性采样的方法来避免枚举所有可能的源语言句子,并保证了目标函数的有效性。在英语-法语和德语-英语两个翻译任务上的实验结果证实了本文提出的方法相比于其他半监督神经机器翻译方法的优越性。然后,本文通过神经机器翻译模型的概率性质引入数据相关的正则化项,并将其应用到单语语料上以帮助神经机器翻译模型的训练。具体来说,全概率公式描述了边缘分布与条件分布之间的关系,即将翻译模型与语言模型通过概率等式联系起来。然而,在实际中使用平行语料训练的神经机器翻译模型无法保证在任意数据上满足全概率公式。因此,我们提出将全概率公式作为正则化项加入到模型的训练目标中,从而显式地强调模型之间的概率关系,以便使模型学习的过程朝着正确的方向进行。其中,加入的正则化项可以应用在包括单语语料的任何数据上,即数据相关的正则化。最后,在英语-法语和德语-英语两个翻译任务上的实验结果证实了该方法的有效性。最后,进一步考虑神经机器翻译中平行语料数据短缺的问题,本文针对完全没有平行语料的神经机器翻译场景（即零资源神经机器翻译）开展了研究。具体来说,本文借助额外的多模态语料来构建神经机器翻译系统,通过将零资源的多模态神经机器翻译任务转化为强化学习问题进行训练,并引入一种句子级别的监督信号,即通过图像来估计源语言句子和目标语言句子之间的相关性以评估目标语言句子的质量。在此基础上,本文设计了两种不同的奖励函数来指导模型的学习过程。最后,在三个数据集的三个翻译任务上的实验结果验证了提出的强化学习训练方法的有效性。
杨艳霞,王湘玲[10]（2019）在《中外机译应用研究的可视化分析（1998-2018）》文中认为本文以国内外12种核心期刊为数据来源,对比分析了1998-2018年间机器翻译应用研究的焦点及前沿趋势。研究发现:（1）机器翻译应用研究在国内外均呈逐年递增趋势;（2）在研究焦点上均包括译后编辑和译者培养,国内研究偏重模式与框架的理论式探讨,而国外研究侧重质量分析及译者培养的实证性分析;（3）在研究趋势上,国内由翻译系统逐渐转向语言服务等研究,而国外则表现出质量评估、视听翻译和众包翻译研究并存的态势。此外,本文基于机器翻译背景提出翻译能力的重新界定及翻译课程设置的建议,尝试为我国翻译教学改革提供参考与启示。
二、机器翻译的应用与发展（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、机器翻译的应用与发展（论文提纲范文）
（1）人工智能时代翻译学习者机器翻译技术的运用策略（论文提纲范文）
| 一、教师教学策略 |
| 二、学习者自主学习策略 |
| （一）利用机器翻译技术提升包括阅读、写作、词汇在内的英语基础能力 |
| 1.阅读 |
| 2.写作 |
| 3.词汇 |
| （二）将机器翻译作为提高翻译能力的手段 |
| 三、结论 |
（2）译者主体性视角下医学学术文本“机器翻译+译后编辑”中的策略研究（论文提纲范文）
| 1 文本的选取 |
| 2 医学学术文本机器翻译的优势 |
| 3 医学学术文本译后编辑的必要性 |
| 3.1 机译译文缺乏拆分 |
| 3.2 机译译文缺乏语序调整及信息统筹 |
| 3.3 术语翻译脱离语境或欠规范 |
| 4 译者主体性视角下医学学术文本“机器翻译+译后编辑”的策略研究 |
| 5 结语 |
（3）机器翻译在图书馆中的研究现状及应用趋势分析（论文提纲范文）
| 0 引言 |
| 1 机器翻译的内涵辨析与研究现状 |
| 1.1 国内图书馆机器翻译技术研究现状 |
| 1.1.1 机器翻译与跨语言服务研究 |
| 1.1.2 机器翻译应用案例研究 |
| 1.1.3 机器翻译发展趋势研究 |
| 1.2 国外图书馆机器翻译技术研究现状 |
| 1.2.1 问题对策研究 |
| 1.2.2 发展意义研究 |
| 1.2.3 案例实践研究 |
| 2 图书馆机器翻译研究现存问题 |
| 2.1 缺乏对机器翻译领域内最新产业成果的关注 |
| 2.2 机器翻译系统服务模式比较分散 |
| 2.3 未能将机器翻译技术与图书馆发展建立连接 |
| 3 机器翻译在图书馆的应用趋势分析 |
| 3.1 利用语音翻译优化图书馆报告厅服务效能 |
| 3.2 引入优势技术，构建多语言自动翻译平台 |
| 3.3 提供多语言翻译服务，推动图书馆转型 |
| 4 结语 |
（4）计算机辅助翻译软件的译后编辑功能探究（论文提纲范文）
| 引言 |
| 一、译后编辑工具研究现状 |
| 1.国内译后编辑工具研究 |
| 2.国外译后编辑工具研究 |
| 3.集成翻译环境的译后编辑研究 |
| 二、CAT软件的译后编辑功能分析 |
| 1.memoQ的译后编辑功能 |
| 2.MateCat的译后编辑功能 |
| 3.Trados Studio的译后编辑功能 |
| 4.Memsource的译后编辑功能 |
| 三、CAT软件的译后编辑功能评价 |
| 1.功能及应用优势 |
| (1)灵活的机器翻译应用 |
| (2)便捷的译后编辑操作 |
| (3)一体化的工作流程 |
| 2.目前尚存在的问题 |
| 结语 |
（5）机器与人工俄汉模拟交传比较分析报告 ——以“2019普京连线”为例（论文提纲范文）
| 中文摘要 |
| Аннотация |
| 前言 |
| 第一章 机器翻译简介 |
| 1.1 机器翻译的发展 |
| 1.2 神经网络机器翻译 |
| 第二章 译前准备 |
| 2.1 了解交替传译任务 |
| 2.2 机器翻译系统的选择 |
| 2.3 机器翻译系统的调试 |
| 2.4 译员译前准备 |
| 2.4.1 2017年和2018年“普京连线”相关资料收集与交传训练 |
| 2.4.2 重点词汇准备 |
| 2.5 模拟交传的设备和环境准备 |
| 2.6 翻译时间和翻译形式计划 |
| 第三章 机器交传与人工交传对比分析 |
| 3.1 机器与人工交传的必要条件比较 |
| 3.2 机器与人工交传的翻译过程比较 |
| 3.2.1 语音拾取延迟 |
| 3.2.2 语音拾取中断 |
| 3.2.3 译后信息留存 |
| 3.3 机器与人工交传的译出语比较 |
| 3.3.1 语音和语速 |
| 3.3.2 译出语质量 |
| 第四章 翻译实践总结 |
| 4.1 机器俄汉交传的优点与不足 |
| 4.2 机器翻译的改进建议 |
| 4.2.1 优化语音识别录入功能 |
| 4.2.2 提升译出语文本的质量 |
| 4.3 未来展望和思考 |
| 4.3.1 机器翻译安全问题 |
| 4.3.2 机器翻译在俄汉口译领域的发展方向 |
| 4.3.3 机器翻译对翻译人才培养的影响 |
| 4.3.4 机器翻译的未来 |
| 结语 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表论文 |
| 附表:重点词汇 |
| 附录:原文/译文 |
（6）基于联合学习的中英神经机器翻译方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.3 本文主要工作 |
| 1.4 全文组织结构 |
| 2 相关技术与理论知识 |
| 2.1 机器学习相关算法 |
| 2.1.1 EM算法 |
| 2.1.2 SVM算法 |
| 2.2 词向量技术与预训练模型 |
| 2.2.1 Word2vec模型 |
| 2.2.2 BERT模型 |
| 2.3 深度学习的基本网络模型 |
| 2.3.1 全连接网络 |
| 2.3.2 卷积神经网络 |
| 2.3.3 循环神经网络 |
| 2.4 注意力机制 |
| 2.4.1 编码器-解码器框架 |
| 2.4.2 注意力模型 |
| 2.5 联合学习 |
| 2.6 机器翻译工作原理 |
| 2.6.1 神经机器翻译 |
| 2.6.2 评测指标 |
| 2.7 本章小结 |
| 3 基于EM算法的中英语料生成联合学习模型 |
| 3.1 引言 |
| 3.2 基于EM算法的Transformer的联合训练 |
| 3.2.1 Transformer模型 |
| 3.2.2 联合学习模型 |
| 3.2.3 多任务联合训练算法 |
| 3.3 模型训练的目标函数 |
| 3.4 实验结果与分析 |
| 3.4.1 实验数据集 |
| 3.4.2 参数设置与结果对比 |
| 3.4.3 结果分析 |
| 3.5 本章小结 |
| 4 层聚合的神经机器翻译模型与对抗性训练算法 |
| 4.1 引言 |
| 4.2 基于对抗性训练的多任务联合学习模型 |
| 4.2.1 ATransformer模型的架构与设计 |
| 4.2.2 判别模型的设计 |
| 4.3 对抗性训练算法 |
| 4.4 实验结果与分析 |
| 4.4.1 实验设置 |
| 4.4.2 结果分析 |
| 4.4.3 算法复杂度分析 |
| 4.5 本章小结 |
| 5 模型驱动的机器翻译评测技术 |
| 5.1 引言 |
| 5.2 基于多任务联合训练的译文评测方法 |
| 5.2.1 基于ATransformer与SVM的译文评测联合学习模型 |
| 5.2.2 基于BERT与神经网络的译文评测联合学习模型 |
| 5.3 实验结果与分析 |
| 5.3.1 数据集和评测指标 |
| 5.3.2 参数设置 |
| 5.3.3 结果分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的学术成果 |
（7）贫语言资源条件下的藏汉（汉藏）机器翻译关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 藏汉机器翻译中存在的问题 |
| 1.3 本文主要研究内容与贡献 |
| 1.4 论文的结构安排 |
| 第二章 机器翻译概述 |
| 2.1 引言 |
| 2.2 国内外研究历史和现状 |
| 2.2.1 外-汉(汉-外)机器翻译 |
| 2.2.2 国内少数民族机器翻译 |
| 2.2.3 国外机器翻译 |
| 2.3 相关技术简述 |
| 2.3.1 基于规则的机器翻译 |
| 2.3.2 基于统计的机器翻译 |
| 2.3.3 神经网络机器翻译 |
| 2.4 本章小结 |
| 第三章 面向藏汉机器翻译的语言资源构建方法研究 |
| 3.1 引言 |
| 3.2 相关研究 |
| 3.2.1 国外语言资源构建历史与现状 |
| 3.2.2 国内语言资源构建历史与现状 |
| 3.3 藏汉双语语言资源构建方法相关理论 |
| 3.3.1 基于web的藏语单语语言资源构建技术 |
| 3.3.2 藏文分词研究 |
| 3.3.3 藏文命名实体识别研究 |
| 3.3.4 藏汉双语跨语言对齐研究 |
| 3.4 本章实例分析 |
| 3.5 本章小结 |
| 第四章 融合单语语言模型的藏汉机器翻译方法研究 |
| 4.1 引言 |
| 4.2 相关研究 |
| 4.3 相关理论方法 |
| 4.3.1 藏语单语语言模型构建方法 |
| 4.3.2 藏语单语语言模型融合策略 |
| 4.4 实验与分析 |
| 4.4.1 数据处理 |
| 4.4.2 实验 |
| 4.4.3 实验分析 |
| 4.5 本章小结 |
| 第五章 基于迭代式回译策略的藏汉机器翻译方法研究 |
| 5.1 引言 |
| 5.2 相关研究 |
| 5.3 相关理论方法 |
| 5.3.1 迭代式回译策略 |
| 5.3.2 平行句对过滤机制 |
| 5.4 实验与分析 |
| 5.4.1 数据准备 |
| 5.4.2 藏汉平行句对过滤实验 |
| 5.4.3 迭代式回译实验 |
| 5.5 本章小结 |
| 第六章 基于跨语言模型建模的藏汉机器翻译方法研究 |
| 6.1 引言 |
| 6.2 相关研究 |
| 6.3 相关理论方法 |
| 6.3.1 语言模型 |
| 6.3.2 翻译语言模型建模 |
| 6.4 实验与分析 |
| 6.4.1 语料处理及规模 |
| 6.4.2 藏汉双语跨语言模型的建立 |
| 6.4.3 实验分析 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 附录1 图目录 |
| 附录2 表格目录 |
| 攻读博士学位期间的研究成果 |
（8）《劳特里奇翻译技术百科全书》（节选第五至七章）的英汉翻译报告（论文提纲范文）
| Acknowledgements |
| Abstract |
| 摘要 |
| Part Ⅰ Translation |
| Part Ⅱ Translation Report |
| 2.1 Description of the Translating Project |
| 2.1.1 Introduction to the Original Text |
| 2.1.2 Significance of the Translation Project |
| 2.2 Translation Process |
| 2.2.1 Preparation before Translation |
| 2.2.2 Production of glossary |
| 2.2.3 Schedule Arrangement |
| 2.2.4 While-translation |
| 2.2.5 Post-translation |
| 2.3 Translation Theory Adopted |
| 2.3.1 Classification of textual function |
| 2.3.2 Communicative Translation Theory |
| 2.4 Case Study |
| 2.4.1 Lexical Level |
| 2.4.1.1 Translation of Proper Names |
| 2.4.1.2 Translation of Technical Words |
| 2.4.2 Syntactic Level |
| 2.4.2.1 Translation of Passive Voice |
| 2.4.2.2 Translation of Nominalization |
| 2.4.2.3 Translation of Long Sentences |
| 2.5 Summary |
| 2.5.1 Problems and Limitations |
| 2.5.2 Inspiration from the Translation Task |
| References |
| Appendix:List of Terminology |
（9）面向有限平行语料资源的神经机器翻译方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究内容与贡献 |
| 1.3 组织结构 |
| 第2章 神经机器翻译研究现状概述 |
| 2.1 引言 |
| 2.2 机器翻译的发展历程 |
| 2.3 神经机器翻译的序列到序列模型 |
| 2.4 神经机器翻译中的研究问题 |
| 2.4.1 模型架构 |
| 2.4.2 词汇量受限问题 |
| 2.4.3 训练方式 |
| 2.4.4 结合先验知识 |
| 2.4.5 低资源语言翻译 |
| 2.5 本章小结 |
| 第3章 基于边缘分布估计的半监督神经机器翻译方法 |
| 3.1 引言 |
| 3.2 相关工作 |
| 3.2.1 结合语言模型的神经机器翻译模型 |
| 3.2.2 基于伪平行语料生成的半监督神经机器翻译 |
| 3.2.3 双向翻译模型联合训练的神经机器翻译方法 |
| 3.3 基于边缘分布估计的半监督神经机器翻译框架 |
| 3.3.1 训练目标 |
| 3.3.2 基于重要性采样的估计 |
| 3.3.3 算法描述 |
| 3.3.4 分析讨论 |
| 3.4 实验分析 |
| 3.4.1 实验设置 |
| 3.4.2 主要实验结果 |
| 3.4.3 低资源设置 |
| 3.4.4 超参数的作用 |
| 3.4.5 用于采样的反向翻译模型的作用 |
| 3.5 本章小结 |
| 第4章 基于概率约束的神经机器翻译方法 |
| 4.1 引言 |
| 4.2 相关工作 |
| 4.2.1 对偶无监督学习 |
| 4.2.2 对偶有监督学习 |
| 4.3 基于概率约束的神经机器翻译框架 |
| 4.3.1 训练目标 |
| 4.3.2 半监督场景下的应用 |
| 4.3.3 分析讨论 |
| 4.4 实验分析 |
| 4.4.1 实验设置 |
| 4.4.2 主要实验结果 |
| 4.4.3 低资源设置 |
| 4.4.4 超参数的作用 |
| 4.4.5 用于采样的反向翻译模型的作用 |
| 4.4.6 正则化项分析 |
| 4.5 本章小结 |
| 第5章 基于强化学习的零平行语料资源多模态神经机器翻译 |
| 5.1 引言 |
| 5.2 相关工作 |
| 5.2.1 有监督的多模态神经机器翻译 |
| 5.2.2 基于中轴的神经机器翻译 |
| 5.2.3 强化学习在序列预测问题中的应用 |
| 5.3 背景知识 |
| 5.3.1 神经机器翻译 |
| 5.3.2 语言与图像的联系 |
| 5.3.3 零资源多模态神经机器翻译 |
| 5.4 基于强化学习的零平行语料资源多模态神经机器翻译框架 |
| 5.4.1 整体框架 |
| 5.4.2 奖励值计算 |
| 5.4.3 目标函数 |
| 5.4.4 训练细节 |
| 5.5 实验分析 |
| 5.5.1 数据集介绍 |
| 5.5.2 对比方法 |
| 5.5.3 实验设置 |
| 5.5.4 主要实验结果 |
| 5.5.5 超参数的作用 |
| 5.5.6 案例分析 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 工作总结 |
| 6.2 未来展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
（10）中外机译应用研究的可视化分析（1998-2018）（论文提纲范文）
| 一、引言 |
| 二、研究设计 |
| (一)数据来源及选取依据 |
| (二)研究工具 |
| 三、研究结果与分析 |
| (一)发文量分析 |
| (二)高影响力作者分析 |
| 1. 国外作者分析 |
| 2. 国内作者分析 |
| (三)关键词共现分析 |
| 1. 热点分析 |
| 2. 前沿分析 |
| 四、机器翻译应用研究对当前翻译人才培养的启示 |
| 五、结语 |
四、机器翻译的应用与发展（论文参考文献）
- [1]人工智能时代翻译学习者机器翻译技术的运用策略[J]. 李昕辰. 吉林省教育学院学报, 2022(02)
- [2]译者主体性视角下医学学术文本“机器翻译+译后编辑”中的策略研究[J]. 郭子凯,陈晨,刘曼玲. 中国医药导报, 2022
- [3]机器翻译在图书馆中的研究现状及应用趋势分析[J]. 刘莉,王怡,邵波. 图书馆学研究, 2021(24)
- [4]计算机辅助翻译软件的译后编辑功能探究[J]. 周兴华,李懿洋. 北京第二外国语学院学报, 2021
- [5]机器与人工俄汉模拟交传比较分析报告 ——以“2019普京连线”为例[D]. 赵文轩. 黑龙江大学, 2021(09)
- [6]基于联合学习的中英神经机器翻译方法研究[D]. 王全. 陕西科技大学, 2020(02)
- [7]贫语言资源条件下的藏汉（汉藏）机器翻译关键技术研究[D]. 慈祯嘉措. 青海师范大学, 2020(02)
- [8]《劳特里奇翻译技术百科全书》（节选第五至七章）的英汉翻译报告[D]. 刘桃艳. 云南师范大学, 2019(07)
- [9]面向有限平行语料资源的神经机器翻译方法研究[D]. 王怡君. 中国科学技术大学, 2019(02)
- [10]中外机译应用研究的可视化分析（1998-2018）[J]. 杨艳霞,王湘玲. 上海翻译, 2019(05)