融合多源信息的神经机器翻译方法研究的开题报告.docx

融合多源信息的神经机器翻译方法研究的开题报告
一、选题依据
随着互联网科技的不断发展，机器翻译技术也得到了长足的发展。其中神经机器翻译（neuralmachinetranslation,NMT）由于具有高效、准确等优点，越来越受到业界关注。但是，尽管NMT已经取得了很大的进展，其在多源信息融合上的表现仍然存在一些问题。传统的NMT主要使用源语言和目标语言的翻译对齐数据进行训练，在处理多源信息时效果较差。
因此，本文拟通过对NMT多源信息融合方法进行研究，提高机器翻译的信息处理能力和准确率，提高机器翻译的质量，以满足实际应用需要。
二、研究目的
本文旨在提出一种针对多源信息的NMT的翻译方法，包括如何利用多源信息提高翻译质量的关键技术。具体目的如下：
1.提出一种新的多源信息NMT翻译方法，提高翻译准确率以及能够处理更多的信息。
2.通过实验评估，对比研究多源信息NMT翻译方法与传统单源信息NMT翻译方法的效果，证明研究的多源信息NMT翻译方法在实际应用中的应用价值。
三、研究内容
1.多源信息的挖掘
本文将焦点放在多源信息的挖掘上，以获取更多的翻译信息，提高翻译准确率。多源信息包括了源语言文本和其他资源，例如图片、语音、人工标注数据、社交媒体数据等。本文将研究哪些信息最有助于提高翻译质量，如何选择这些信息以及如何将其与源语言文本整合在一起。
2.多源信息的融合
本文将研究如何将多源信息与NMT模型结合起来。本文将研究新的集成技术来融合多源信息，以便在翻译过程中更好地利用这些信息。具体而言，本文将探讨如何将多模态信息融合到NMT模型中。
3.实验设计
为了证明多源信息NMT翻译方法的有效性，本文将设计多组实验，分别测试单源信息NMT模型和多源信息NMT模型的翻译效果。本文还将研究在不同条件下的表现，例如数据量、翻译任务等。
四、研究意义
本文提出的多源信息NMT翻译方法可以解决NMT对于多源信息融合的难点问题，在多源信息翻译中具有很高的实用价值和应用前景。具体有以下意义：
1.提高翻译准确率
传统的NMT只使用了源语言和目标语言之间的翻译对齐数据进行训练，没有充分利用其他源的相关信息。多源信息NMT模型可以利用更多的源信息，提高翻译的准确率。
2.扩大应用范围
多源信息NMT翻译方法可以应用于不同的领域，例如社交媒体翻译、科技文献翻译、医学论文翻译等，同时也可以应用于不同的语言对之间的翻译。
3.推动NMT发展
本文提出的多源信息NMT翻译方法能够更好地利用多源信息，并将其融合到NMT模型中，可以促进神经翻译技术的进一步发展。
五、研究进度安排
第一阶段：文献调研及相关技术了解，预计用时2周。
第二阶段：多源信息的挖掘方法研究，预计用时4周。
第三阶段：多源信息的融合方法研究，预计用时4周。
第四阶段：实验设计及分析，预计用时3周。
第五阶段：论文撰写及修改，预计用时2周。
总计计划耗时15周。
六、参考文献
1.ChoK,vanMerrienboerB,GulcehreC,etal.LearningphraserepresentationsusingRnnencoder–decoderforstatisticalmachinetranslation[C]//ConferenceonEmpiricalMethodsinNaturalLanguageProcessing.2014:1724-1734.
2.SennrichR,HaddowB,BirchA.Neuralmachinetranslationofrarewordswithsubwordunits[J].arXivpreprintarXiv:1508.07909,2015.
3.YangS,TangR,YanJ,etal.Embeddingbasedneuralmachinetranslation[J].arXivpreprintarXiv:1706.02838,2017.
4.FiratO,ChoK,SankaranB,etal.Multi-way,multilingualneuralmachinetranslationwithasharedattentionmechanism[J].arXivpreprintarXiv:1601.01073,2016.
5.ZhangM,ZhangY,LiuK,etal.Multi-sourceneuralmachinetranslationwithsource-specificattentionandcollaborativedecoding[J].IEEE/ACMTransactionsonAudio,Speech,andLanguageProcessing,2018,26(10):1814-1825.