本申请实施例提供了变异文本的生成、翻译模型的训练、文本分类方法和装置。变异文本的生成的方法包括采用第一文本分类模型,确定原始文本中的重要词；将原始文本中的重要词转换为变异词,得到原始文本对应的变异文本。翻译模型的训练方法包括采用预设的第一文本分类模型,确定原始文本中的重要词；将原始文本中的重要词转换为变异词,得到原始文本对应的变异文本；采用原始文本以及原始文本对应的变异文本,对待训练翻译模型进行训练,得到翻译模型。文本分类方法包括获取待分类文本；将待分类文本输入翻译模型中,获取待分类翻译文本；将待分类翻译文本输入预设的第三文本分类模型中,获取待分类翻译文本对应的翻译标签信息。

本申请公开一种电商标题翻译方法及其相应的装置、设备、介质,该方法包括：将以源语种表达的电商标题中的部分关键词替换为保留词词典中语义相关的保留词的索引标签,获得携带索引标签的电商标题；构造反映所述索引标签及其所指向的保留词翻译为目标语种所得结果词之间映射关系的翻译映射表；参考所述索引标签在所述电商标题中的位置信息,执行对携带索引标签的电商标题的翻译,获得以目标语种表达且保留所述索引标签的混合态电商标题；将所述混合态电商标题中的索引标签对应还原为所述翻译映射表中相应映射的目标语种结果词,获得以目标语种表达的电商标题。本申请能够实现对电商标题的精准翻译,提升电商系统配置不同语言版本的电商标题的效率。

本申请实施例属于人工智能领域,应用于智慧安防领域,涉及一种基于全方向注意力的翻译方法及其相关设备,包括接收含有线性层、归一层和组合层的深度学习翻译模型,组合层包括全方向层和编码解码层；将训练样本输入第一个编码解码层,获得目标样本特征；将目标样本特征输入第一个全方向层,获得第一序列；第一个全方向层之后存在下一个组合层时,将第一序列输入下一个组合层,获得第二序列；直至经过所有组合层,将第二序列依次经过线性层和归一层,获得翻译结果；训练深度学习翻译模型,获得训练后的深度学习翻译模型；将待翻译数据输入训练后的深度学习翻译模型,获得目标翻译数据。深度学习翻译模型可存储于区块链中。本申请提高翻译的准确率。

本发明涉及一种基于翻译模板的神经机器翻译方法,属于自然语言处理中的机器翻译技术领域。本方法通过引入匹配到的高相似翻译模板,引导和约束模型的解码过程,从而提高了译文质量。首先,构建翻译模板库和对应的模板匹配算法。然后,构建基于模板的神经机器翻译模型。之后,利用两阶段的训练策略将翻译模板引入模型中,并不断迭代更新构建的模型参数,指导训练过程。最后,利用训练完成的神经机器翻译模型,对匹配到高相似翻译模板的句子进行分别翻译。对比现有技术,本方法简化了翻译模板的构建过程,更专注于提高部分能匹配到高相似翻译模板的句子,而不是全部语句的翻译效果,利用匹配到的高相似的翻译模板提高了译文质量。

本申请为自然语言处理技术领域,本申请提供了一种中文实体识别模型的训练方法、装置、设备及存储介质,其中,所述方法包括：对中文文本进行多语言翻译,生成多种语言的源文本；利用机器翻译工具对多种源文本分别进行回译,得到多种源中文文本；利用预设投票机制对多种源中文文本进行相应的投票,将票数排在前N位的源中文文本作为目标中文文本；将目标中文文本输入中文实体识别模型进行训练,在训练出的实体识别结果满足要求时,完成所述中文实体识别模型的训练。本申请通过翻译、回译和投票的方式额外增加诸多高质量样本,提高了中文实体识别模型的训练效果。