神經網絡機器翻譯技術及產業應用

王海峰, 何中軍, 吳華編著

神經網絡機器翻譯技術及產業應用
  • 出版商: 機械工業
  • 出版日期: 2023-04-01
  • 定價: $534
  • 售價: 7.9 折 $422
  • 語言: 簡體中文
  • 頁數: 300
  • 裝訂: 平裝
  • ISBN: 7111725204
  • ISBN-13: 9787111725206
  • 相關分類: Natural Language Processing

    • 立即出貨 (庫存 < 4)

買這商品的人也買了...

簡體館年度書展｜現貨2書79折3書75折 詳見活動內容 »

簡體館年度書展｜現貨2書79折3書75折 詳見活動內容 »

相關主題

商品描述

本書以產業需求為牽引，介紹了新時期機器翻譯的產業需求特點、神經網絡機器翻譯的原理與方法、最新技術進展及產業應用。
內容包括大規模翻譯語料獲取技術、機器翻譯質量評價方法、神經網絡機器翻譯原理及主流方法、高性能機器翻譯、
多語言機器翻譯、領域自適應、機器同聲傳譯、大規模產業化應用等，兼具理論與實踐，
既有對原理與方法的介紹，又有豐富的產業應用案例。

作者簡介

吳華，百度技術委員會主席。長期從事機器翻譯、自然語言處理、機器學習等技術的研究及產業化工作。曾獲國家技術發明二等獎、國家科技進步二等獎、中國專利金獎、北京市科技進步一等獎、中國電子學會科技進步一等獎。被評為「傑出工程師」「青年北京學者」等。

目錄大綱

叢書序
推薦序一
推薦序二
前言
第1章緒論
1.1 機器翻譯發展簡介
1.2 機器翻譯代表性方法
1.2.1 基於規則的機器翻譯
1.2.2 統計機器翻譯
1.2.3 神經網絡機器翻譯
1.3 發展現狀
1.4 產業應用需求特點及挑戰
1.4.1 高翻譯質量
1.4.2 高系統性能
1.4.3 多語言翻譯
1.4.4 領域自適應
1.4.5 跨模態翻譯
1.5 本書結構
參考文獻
第2章翻譯語料獲取與譯文質量評價
2.1 概述
2.2 機器翻譯語料庫類型
2.2.1 雙語語料庫
2.2.2 單語語料庫
2.3 公開語料庫及系統評測
2.3.1 語言數據聯盟與NIST評測
2.3.2 歐洲議會語料庫與WMT評測
2.3.3 語音翻譯語料庫與IWSLT評測
2.3.4 中文語言資源聯盟與CCMT評測
2.4 從因特網獲取機器翻譯語料
2.4.1 因特網雙語語料存在形式
2.4.2 因特網語料常見問題
2.4.3 雙語語料挖掘與加工
2.5 機器翻譯質量評價
2.5.1 人工評價
2.5.2 自動評價
2.5.3 面向產業應用的評價
參考文獻
第3章神經網絡機器翻譯
3.1 概述
3.2 基於循環神經網絡的模型
3.2.1 基本模型
3.2.2 雙向編碼
3.2.3 註意力機制
3.2.4 長短時記憶與門控循環單元
3.3 基於捲積神經網絡的翻譯模型
3.4 全註意力模型
3.4.1 基本思想
3.4.2 模型結構
3.4.3 性能分析
3.5 非自回歸翻譯模型
3.6 搭建一個神經網絡機器翻譯系統
3.6.1 環境準備
3.6.2 模型訓練
3.6.3 解碼
3.6.4 效果評估
參考文獻
第4章高性能機器翻譯
4.1 概述
4.2 早期產業化神經網絡機器翻譯系統
4.2.1 百度神經網絡機器翻譯系統
4.2.2 谷歌神經網絡機器翻譯系統
4.3 Transformer模型優化
4.3.1 高效Transformer
4.3.2 針對機器翻譯的優化
4.4 模型壓縮
4.4.1 剪枝
4.4.2 量化
4.4.3 知識蒸餾
4.5 系統部署
4.5.1 分佈式系統部署
4.5.2 智能硬件設備
4.6 開源工具
參考文獻
第5章多語言機器翻譯
5.1 概述
5.2 數據增強
5.2.1 基於樞軸語言的合成語料庫方法
5.2.2 回譯技術
5.3 無監督機器翻譯
5.3.1 基本原理
5.3.2 跨語言向量映射
5.3.3 基於去噪自編碼器和回譯技術的翻譯模型
5.3.4 基於對偶學習的機器翻譯模型
5.4 多語言翻譯統一建模
5.4.1 基於多任務學習的翻譯模型
5.4.2 基於語言標籤的多語言翻譯模型
5.5 多語言預訓練
5.5.1 預訓練技術簡介
5.5.2 多語言預訓練模型
5.5.3 方法比較
5.6 多語言機器翻譯系統
5.6.1 百度多語言機器翻譯
5.6.2 谷歌多語言機器翻譯
5.6.3 臉書多語言機器翻譯
參考文獻
第6章領域自適應
6.1 概述
6.2 領域數據增強
6.2.1 領域數據聚類
6.2.2 領域數據篩選
6.2.3 領域數據擴充
6.3 模型訓練及優化
6.3.1 預訓練加微調技術
6.3.2 領域數據加權訓練
6.3.3 模型參數部分調優
6.3.4 基於知識蒸餾的領域自適應
6.3.5 基於課程表學習的領域自適應
6.4 專有名詞和術語的翻譯
6.4.1 前處理技術
6.4.2 後處理技術
6.4.3 融合專名/術語翻譯的解碼算法
6.5 翻譯記憶庫
6.5.1 基於記憶庫的數據增強
6.5.2 融合記憶庫的翻譯模型
6.5.3 k-近鄰翻譯模型
6.6 面向產業應用的領域自適應解決方案
參考文獻
第7章機器同聲傳譯
7.1 概述
7.2 主要挑戰
7.2.1 技術挑戰
7.2.2 數據挑戰
7.2.3 評價挑戰
7.3 級聯同傳模型
7.3.1 wait-k模型
7.3.2 語義單元驅動的同傳模型
7.3.3 基於強化學習的同傳模型
7.3.4 基於單調無限回溯註意力機制的同傳模型
7.4 端到端語音翻譯及同傳模型
7.4.1 從級聯模型至端到端模型的過渡
7.4.2 基於多任務學習的端到端模型
7.4.3 語音識別與翻譯交互解碼模型
7.4.4 端到端同傳模型
7.5 同傳模型魯棒性
7.5.1 融合音節信息的翻譯模型
7.5.2 語音識別糾錯
7.5.3 魯棒性翻譯模型
7.6 同傳數據
7.6.1 歐洲語言同傳語料庫
7.6.2 日英同傳語料庫
7.6.3 中英同傳語料庫
7.7 同傳評價
7.7.1 基於閱讀理解的翻譯質量評價
7.7.2 基於平均延遲的同傳時延評價
7.7.3 綜合翻譯質量和同傳時延的評價
7.8 機器同傳系統及產品
7.8.1 機器同傳系統
7.8.2 機器同傳產品形式
7.8.3 機器輔助同傳
7.9 搭建一個機器同傳系統
7.9.1 數據準備
7.9.2 訓練
7.9.3 解碼
參考文獻
第8章機器翻譯產業化應用

類似商品