具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

以下对本公开的方案涉及的技术领域进行简要说明：

人工智能(Artificial Intelligence，简称AI)，是研究使计算机来模拟人生的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术，也有软件层面的技术。人工智能硬件技术一般包括计算机视觉技术、语音识别技术、自然语言处理技术以及及其学习/深度学习、大数据处理技术、知识图谱技术等几大方面。

深度学习是机器学习领域中一个新的研究方向。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。

自然语言处理(Natural Language Processing,NLP)是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此，这一领域的研究将涉及自然语言，即人们日常使用的语言，所以它与语言学的研究有着密切的联系，但又有重要的区别。自然语言处理并不是一般地研究自然语言，而在于研制能有效地实现自然语言通信的计算机系统，特别是其中的软件系统。因而它是计算机科学的一部分。

自然语言处理主要应用于机器翻译、舆情监测、自动摘要、观点提取、文本分类、问题回答、文本语义对比、语音识别、中文OCR等方面。

神经网络模型在机器翻译任务上取得了重大的进步并超越了统计机器翻译，基于Transformer(多头注意力)模型的神经机器翻译模型在大量数据的训练下取得了较好的翻译质量，但是，尽管神经网络在翻译质量上提升很大，受限于已有的平行语料数量，翻译模型无法进一步取得更优的效果，针对于语料数量不足的问题，本公开提出了语料生成方法。

本公开实施例提供的语料生成方法，可以由电子设备来执行，该电子设备可为服务器、云平台等，此处不做任何限定。

本公开实施例提供的为语料生成方法，可以由电子设备来执行，该电子设备可为PC(Personal Computer，个人计算机)电脑、服务器、云端等，此处不做任何限定。

在本公开实施例中，电子设备中可以设置有处理组件、存储组件和驱动组件。可选的，该驱动组件和处理组件可以集成设置，该存储组件可以存储操作系统、应用程序或其他程序模块，该处理组件通过执行存储组件中存储的应用程序来实现本公开实施例提供的语料生成方法。

下面参考附图对本公开提供的语料生成方法、装置、电子设备以及存储介质进行详细描述。

图1是根据本公开一个实施例的语料生成方法的流程图。

本公开实施例的语料生成方法，还可由本公开实施例提供的语料生成装置执行，该装置可配置于电子设备中，以实现基于基础的第一反向翻译模型，生成至少一个第二反向翻译模型，并基于至少一个第二反向翻译模型，生成目标语言中单语语料的伪平行语料，从而能够实现在反向翻译的过程中生成高质量且多样的语料。

作为一种可能的情况，本公开实施例的为语料生成方法还可以在服务器端执行，服务器可以为云服务器，可以在云端执行该为语料生成方法。

如图1所示，该语料生成方法，可包括：

步骤101，基于基础的第一反向翻译模型，生成至少一个第二反向翻译模型，其中，第二反向翻译模型的模型参数集合与第一反向翻译模型的模型参数集合不同。

其中，模型参数集合可包括反向翻译模型中编码器端的参数、解码器端的参数、Word Embedding(词嵌入)层的参数、中间层的参数以及输出层的参数等。

在本公开实施例中，可按照设定策略对第一反向翻译模型的参数进行一定的处理，以生成一个或多个第二反向翻译模型，例如，可通过模型剪枝、以基础模型作为教师模型，构建学生模型、dropout操作等策略生成第二反向翻译模型。其中，在对第一反向翻译模型的参数按照设定策略进行处理的过程中，模型的参数发生变化，使得生成的第二反向翻译模型的模型参数集合与第一反向翻译模型的模型参数集合不同。

另外，第一反向翻译模型和第二反向翻译模型可为标准的机器翻译模型，但翻译方向相反，例如，若正向翻译模型是汉语到英语，则第一反向翻译模型和第二反向翻译模型就是英语到汉语，该反向翻译可通过编码器和解码器来实现，此处不加赘述。

步骤102，基于至少一个第二反向翻译模型，生成目标语言中单语语料的伪平行语料。

在本公开实施例中，在生成上述一个或多个第二反向翻译模型后，可将目标语言中的单语语料输入到一个或多个第二反向翻译模型中，生成对应的伪平行语料，该伪平行语料可对翻译模型的语料进行增广。

由此，本公开实施例提供的语料生成方法，首先基于基础的第一反向翻译模型，生成至少一个第二反向翻译模型，然后基于至少一个第二反向翻译模型，生成目标语言中单语语料的伪平行语料，从而能够在反向翻译的过程中生成高质量且多样的语料。

为了清楚说明上一实施例，在本公开的一个实施例中，基于基础的第一反向翻译模型，生成至少一个第二反向翻译模型，可包括：对第一反向翻译模型进行随机参数丢弃dropout操作，以生成至少一个第二反向翻译模型。

可选地，针对每个第二反向翻译模型，可对第一反向翻译模型以丢弃概率进行伯努利采样，获取以丢弃概率采样到的第一模型参数和以保留概率采样到的第二模型参数，其中，丢弃概率和保留概率的和值为1，并将第一模型参数配置为0，第二模型参数配置保留原值，以生成第二反向翻译模型。

在一些实现中，在对第一反向翻译模型进行随机参数丢弃dropout操作的过程中，可设置丢弃概率的值为p，保留概率为1-p，其中p和1-p均处于0～1之间。本公开中，对第一反向翻译模型以丢弃概率p进行伯努利采样，则会以p的概率采样到0，以1-p的概率采样到1。针对于第一反向翻译模型的每一个参数，当采样到0时，将该参数设置为零，即，丢弃该参数；当采样到1时，该参数保持不变，即，保留该参数。

举例而言，若设置p值为0.04，则从伯努利分布中进行采样的过程中，有0.04的概率采样到0，有0.96的概率采样到1，针对于第一反向模型种的每一个参数，当以0.04概率采样到0时，将该参数设置为零(丢弃)，以0.96的概率采样到1时，该参数保持不变(保留)。

需要说明的是，该实施例中所描述的丢弃概率的值p通常的设置区间为(0.01～0.1)，其数值大小取决于期望的语料的多样性程度，p值越大，语料的多样性程度越高，p值越小，语料的多样性程度越低，可根据期望的语料的多样性程度设置p值，此处不做任何限定。一般情况而言，p值设置在区间(0.03～0.05)内较为合适。

进一步地，在上述对于第一反向翻译模型进行dropout操作生成第二反向翻译模型的过程中，模型参数被以一定的丢弃概率进行了丢弃，使得第二反向翻译模型的参数集合小于第一反向翻译模型的集合。

其中，每个第二反向翻译模型对应的dropout操作的丢弃概率相同，但整个dropout操作过程是随机采样过程，即使丢弃概率相同，采样到的参数集合也会不同，即，每个第二反向翻译模型的参数集合都不相同，从而可以保证了第二反向翻译模型的多样性，进而能够使得翻译出的伪平行语料更加多样。

由此，本公开实施例能够以一个反向翻译模型生成多个反向翻译模型，通过多个反向翻译模型可以生成多样的伪平行语料，用作翻译模型的训练语料，丰富了翻译模型的语料的多样性，基于丰富的训练语料可以训练出翻译性能更好的翻译模型。

在生成上述第二反向翻译模型的过程中，还需要对模型的质量进行评估，以便于对模型进一步优化，得到更加优质的模型。在本公开的一个实施例中，如图2所示，该语料生成方法，还可包括：

步骤201，获取当前生成的第二反向翻译模型对应的源语料与翻译语料之间的双语评估替补参数。

其中，双语评估替补参数可以为pariwise-BLEU，pariwise-BLEU是在多样性翻译中提出的一个指标，pariwise-BLEU值越小，语料的多样性程度越低，pariwise-BLEU值越大，语料的多样性程度越高。

在本公开实施例中，可通过当前生成的第二反向翻译模型对应的源语料与翻译语料计算得到BLEU值，然后对该BLEU值取平均值得到pariwise-BLEU值(即，双语评估替补参数)。

可选地，翻译模型通过dropout操作可得到多样的N个语料，这些语料之间互相计算BLEU值，然后对BLEU值取平均值可得到pariwise-BLEU值。具体而言，语料1和语料2～N计算得到N-1个BLEU值，语料2和语料3～N计算得到N-2个BLEU值，以此类推，最终可得到N*(N-1)/2个BLEU值，然后取该N*(N-1)/2个BLEU值的平均值可得到Pairwise-BLEU值。

步骤202，根据双语评估替补参数，调整dropout操作的丢弃概率，并以调整后的丢弃概率继续生成下一个第二反向翻译模型。

其中，双语评估替补参数与dropout操作的丢弃概率负相关，dropout操作的丢弃概率越小，双语评估替补参数越大；dropout操作的丢弃概率越大，双语评估替补参数越小。

可选地，当dropout操作的丢弃概率较大时，丢弃的参数较多，不同的第二反向翻译模型之间共享的参数较少，则第二反向翻译模型两两之间的差别较大，第二反向翻译模型生成的语料的多样性程度较高，双语评估替补参数数值较小，在此情况下，由于舍弃的参数较多，会导致翻译质量下降。

当dropout操作的丢弃概率较小时，丢弃的参数较少，不同的第二反向翻译模型之间共享的参数较多，则第二反向翻译模型两两之间的差别较小，第二反向翻译模型生成的语料是多样性程度较低，双语评估替补参数数值较大，在此情况下，语料的多样性程度较低，无法达到增广语料的目的。因此，双语评估参数较大时，可调大dropout操作的丢弃概率，双语评估参数较小时，可调小dropout操作的丢弃概率，并以调整后的丢弃概率继续生成下一个第二反向翻译模型，从而得到一个优质的翻译模型，使得生成的语料具有多样性的同时又具有高质量。

在本公开的一个实施例中，基于至少一个第二反向翻译模型，生成目标语言中单语语料的伪平行语料，可包括：将单语语料分别输入到每个第二反向翻译模型中，以获取每个第二反向翻译模型输出单语语料的伪平行语料。

可选地，在生成上述一个或多个第二反向翻译模型后，可将单语语料分别输入到每个第二反向翻译模型中，以生成对应单语语料的伪平行语料，由于每个第二反向翻译模型的参数集都不相同，因此生成的单语语料的伪平行语料具有多样性。由此，能够提高反向翻译生成的语料的多样性。

在本公开的一个实施例中，该语料生成方法还可包括：基于获取到的伪平行语料对源语言的平行语料进行增广，以得到翻译模型的训练语料。

可选地，由于上述获取的伪平行语料具有多样性，因此在获取上述伪平行语料后可通过伪平行语料对源语言的平行语料进行增广，以得到翻译模型的训练语料，用于对翻译模型进行训练，对翻译模型进一步优化。由此，能够实现对翻译模型生成的语料进行增广。

为了更清楚说明本公开的语料生成方法，图3为语料生成方法的具体示例流程图。

在本公开实施例中，参见图3，虚线框为第一反向翻译模型，可通过dropout操作，得到不同的第二反向翻译模型，并可将目标语言下的单语语料输入到不同的第二反向翻译模型中，得到译文更多样的伪平行语料，从而达到增广反向翻译的数量的目的。

综上，本公开实施例的语料生成方法，从多样性出发，在反向翻译过程中进行dropout操作，提升反向翻译的语料都多样性，进一步增广反向语料。在英德标准数据集上，该基于多样性的反向翻译方法相较于正常的方向翻译方法有明显提升，结果如表1所示：

表1

其中，表1中的Back-translation method为反向翻译，No back-translation为正常翻译，Beam search为束搜索，MixDiversity为混合分集，Newstest2014是一种常用的新闻报道测试集，△为语料差值。

本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图4为本公开实施例提供的一种语料生成装置的结构示意图。

本公开实施例的语料生成装置，可配置于电子设备中，以实现基于基础的第一反向翻译模型，生成至少一个第二反向翻译模型，并基于至少一个第二反向翻译模型，生成目标语言中单语语料的伪平行语料，从而能够实现在反向翻译的过程中生成高质量且多样的语料。

如图4所示，该语料生成装置400，可包括：第一生成模块410和第二生成模块420。

其中，第一生成模块410用于基于基础的第一反向翻译模型，生成至少一个第二反向翻译模型，其中，第二反向翻译模型的模型参数集合与第一反向翻译模型的模型参数集合不同。

其中，模型参数集合可包括反向翻译模型中编码器端的参数、解码器端的参数、Word Embedding(词嵌入)层的参数、中间层的参数以及输出层的参数等。

在本公开实施例中，第一生成模块410可按照设定策略对第一反向翻译模型的参数进行一定的处理，以生成一个或多个第二反向翻译模型，例如，第一生成模块410可通过模型剪枝、以基础模型作为教师模型，构建学生模型、dropout操作等策略生成第二反向翻译模型。其中，在对第一反向翻译模型的参数按照设定策略进行处理的过程中，模型的参数发生变化，使得生成的第二反向翻译模型的模型参数集合与第一反向翻译模型的模型参数集合不同。

另外，第一反向翻译模型和第二反向翻译模型可为标准的机器翻译模型，但翻译方向相反，例如，若正向翻译模型是汉语到英语，则第一反向翻译模型和第二反向翻译模型就是英语到汉语，该反向翻译可通过编码器和解码器来实现，此处不加赘述。

第二生成模块420，用于基于至少一个第二反向翻译模型，生成目标语言中单语语料的伪平行语料。

在本公开实施例中，第一生成模块410在生成上述一个或多个第二反向翻译模型后，第二生成模块420可将目标语言中的单语语料输入到一个或多个第二反向翻译模型中，生成对应的伪平行语料，该伪平行语料可对翻译模型的语料进行增广。

由此，本公开实施例提供的语料生成方法，首先通过第一生成模块基于基础的第一反向翻译模型，生成至少一个第二反向翻译模型，然后通过第二生成模块基于至少一个第二反向翻译模型，生成目标语言中单语语料的伪平行语料，从而能够在反向翻译的过程中生成高质量且多样的语料。

在本公开的一个实施例中，第二反向翻译模型的模型参数集合小于第一反向翻译模型的模型参数集合。

在本公开的一个实施例中，第一生成模块410，还用于：对第一反向翻译模型进行随机参数丢弃dropout操作，以生成至少一个第二反向翻译模型。

在本公开的一个实施例中，第一生成模块410，还用于：针对每个第二反向翻译模型，对第一反向翻译模型以丢弃概率进行伯努利采样，获取以丢弃概率采样到的第一模型参数和以保留概率采样到的第二模型参数，其中，丢弃概率和保留概率的和值为1，并将第一模型参数配置为0，第二模型参数配置保留原值，以生成第二反向翻译模型。

在本公开的一个实施例中，每个第二反向翻译模型对应的dropout操作的丢弃概率相同。

在本公开的一个实施例中，第一生成模块410，还用于：获取当前生成的第二反向翻译模型对应的源语料与翻译语料之间的双语评估替补参数，并根据双语评估替补参数，调整dropout操作的丢弃概率，并以调整后的丢弃概率继续生成下一个所述第二反向翻译模型。

在本公开的一个实施例中，双语评估替补参数与dropout操作的丢弃概率负相关。

在本公开的一个实施例中，第二生成模块420，还用于：将单语语料分别输入到每个第二反向翻译模型中，以获取每个第二反向翻译模型输出单语语料的伪平行语料。

在本公开的一个实施例中，第二生成模块420，还用于：基于获取到的伪平行语料对源语言的平行语料进行增广，以得到翻译模型的训练语料。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如语料生成方法。例如，在一些实施例中，语料生成方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的语料生成方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行语料生成方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。