机器翻译论文的创新点怎么写

你好？Hello？안 녕 하 세 요？こんにちは？ 请问，以上这几种语言，小伙伴们都看懂了吗？怕是大部分人要借助翻译工具才能全部看懂吧！ 人们生活在不一样的地方，用着不一样的语言，是翻译的出现，让跨地区跨语言交流变为可能。为了方便交流，翻译工具也在不断地升级换代，翻译功能也越来越强大，从逐词逐句的翻译，再到网站、图片甚至是文档翻译。 因此，为提供更智能和贴心的翻译服务，让大家可以和更广阔的世界交流，华为EMUI陆续推出了语音翻译、AR翻译、全屏翻译。 而这一次，华为的长文章翻译黑科技——滚屏翻译也登上舞台啦！ 全屏翻译“力不从心”，滚屏翻译万里挑一 你是不是经常遇到这样的情况：写论文的时候，外文参考文献令人头大？出国旅游的时候，外文攻略看傻眼？想追个国外热点，却发现自己根本看不懂新闻？ 如果想要翻译多屏内容，需要一次又一次进行全屏翻译的操作。随着内容长度的增加，操作的繁复还会使阅读的连贯性降低。面对这样的场景，全屏翻译变得“力不从心”，这时候，就需要滚屏翻译来帮忙啦！ 滚屏翻译支持各种应用、十种语言、多屏内容的翻译。使用小艺语音口令“帮我翻译屏幕”或双指按压屏幕，点击“【全屏翻译】>【滚屏翻译】”，就可以开始你的“滚屏翻译”之旅啦！ 接下来，一起看看滚屏翻译是如何完成长文章翻译的吧！ 奇妙流水线：文字→图片→译文 当你浏览一篇长文章需要翻译时，系统会先将其滚动截屏，形成一张原文的长截图，然后对长截图进行切分、文本检测、翻译、排序、去重、拼接，最后以同样的图片和翻译完成的文字，再次呈现在你的面前，这就是滚屏翻译。 在这一系列的步骤中，最为关键的是如何对长截图进行初步处理。那利用什么技术去进行处理呢？这里就不得不提到这里面的关键技术—— OCR技术 。 问题来了，OCR是何方神物？ OCR，即光学字符识别（Optical Character Recognition），指检查字符，并对其进行检测识别，然后再将其字符形状转换成计算机文字的过程。在这里的应用，也就是对原来长文章形成的长截图上的文字，进行识别提取，将它们提供给后续的机器翻译环节使用，也就是完成了长篇源文字提取的过程。 从技术原理上为检测和识别两段式算法框架，涉及中、英、日、韩、俄、西、法、德、意、葡十种语言识别能力，包含多个运行于NPU（Neural-network Processing Unit，神经网络处理单元）的深度模型。 调用OCR算法后，首先对图像做增强处理，将图片适配至理想状态后，采用多线程的方式同步运行深度模型以及后处理运算，最后借助NLU（Natural Language Understanding，自然语言理解）校正输出文本识别结果。 翻译得准不准，依赖于OCR识别的准确性；翻译得快不快，依赖于OCR处理字符速度的快慢。将经过OCR处理的文本进行机器翻译，重新对图片进行排序、拼接处理，最后把翻译好的长篇文章呈现在用户面前。 这样一套能把长文章中的文字转变为图片，再转换成译文的创新方案，现在已经申请专利保护了噢！ 每行字每张图，都要完完整整 滚屏翻译中还创新性地通过OCR文本行定位以实现智能的图片切分和拼接，巧妙地避免了在长截图切分过程中文字或图片被截断的情况。 大家可能会有这样的疑问，原文形成的长截图直接翻译不行吗？为什么还要做切分呢？ 这是因为，当前的图片翻译只支持单屏内容的翻译，长截图会自动缩放成和屏幕等高进行翻译，图片被压缩，文字大小自然也被压缩了，这会极大地影响到翻译结果的准确性。 为了有效提高翻译的准确性，那就把长截图切分成多张短图后再做翻译吧。但如果直接按照屏幕高度对长截图做简单切分，很可能会出现一行文字被截断或者一张插图被截断的情况。 而滚屏翻译，采用OCR技术，可以检测出一行文本或图片的位置坐标，如果发现切分位置正好处在某行或某张图片中间，则会向上移动到行间空白位置进行切分。 以这种规则处理后的图片宽度同屏幕一致，高度等于或略低于屏幕高度，每一行字和每一张图都是完整的。这种方案巧妙实用，在速度快的同时，还保证了大家的翻译体验。 目前EMUI10版本的华为手机上就可以体验到啦！系统自动滚动形成长截图进行翻译，方便快捷，真正做到所见即所译、滚动译全文。

经常听说又技术公司发明了万能翻译机器人，每次笔者都会打一个问号，原因很简单，机器作为单一领域的研究者，不可能拥有人类的思维能力，更不可能完美实现四大名著的翻译工作。本周一，又有人（微软）说：自己发明了世界上第一个万能翻译器。之前也有新闻表示某机器翻译系统能够在超短时间内翻译完文学巨著《战争与和平》（没读过的可以去图书馆看一下，一套四本，实际感受一下究竟有多厚）。且不论文字翻译是否优美，对于情感把握、断句能力都值得质疑。但是笔者承认，对于没有外语基础的人，翻译系统能够提供无误的基础语言翻译确实在全球化时代有很大帮助。但是旅行和商务需要的简单用语翻译，不等于文学巨著的翻译。从技术角度来讲，翻译软件依靠的也是深度学习的词汇、语句、文学作品的大量输入，并无太多新意。但是从翻译模式上来讲，对于拍照和语音的支持的确为用户带来了诸多方便。

二、6大发展时期1. 机器翻译的提出（1933-1949）机器翻译的研究历史最早可以追溯到 20 世纪30年代。1933年，法国科学家 G.B. 阿尔楚尼提出了用机器来进行翻译的想法。1946 年，世界上第一台现代电子计算机 ENIAC 诞生。随后不久，信息论的先驱、美国科学家 Warren Weaver 于 1947 年提出了利用计算机进行语言自动翻译的想法。1949 年，Warren Weaver 发表《翻译备忘录》[1]，正式提出机器翻译的思想。2. 开创期（1949-1964）1954 年，美国乔治敦大学在 IBM 公司协同下，用 IBM-701 计算机首次完成了英俄机器翻译试验。IBM 701 计算机有史以来第一次自动将 60 个俄语句子翻译成了英语。但是没人提到这些翻译得到的样本是经过精心挑选和测试过的，从而排除了歧义性。这一时期，美国与苏联两个大国出于对军事的需要，投入了大量资金用于机器翻译。集中在英文与俄文的语言配对翻译，翻译的主要对象是科学和技术上的文件，如科学期刊的文章，粗糙的翻译足以了解文章的基本内容。欧洲国家由于经济需要，也给予了相当大的重视。机器翻译于这一时期出现热潮。3. 受挫期（1964-1975）然而，正当一切有序推进之时，尚在萌芽中的 “机器翻译” 研究却遭受当头一棒。1964 年，美国科学院成立了语言自动处理咨询委员会 (Automatic Language Processing Advisory Committee)。委员会经过 2 年的研究，于 1966 年 11 月公布了一份名为《语言与机器》（简称 ALPAC 报告）的报告[2]。该报告全面否定了机器翻译的可行性，并宣称 “在近期或可以预见的未来，开发出实用的机器翻译系统是没有指望的”。建议停止对机器翻译项目的资金支持。受此报告影响，各类机器翻译项目锐减，机器翻译的研究出现了空前的萧条。4. 复苏期（1975-1989）1970中后期，随着计算机技术和语言学的发展以及社会信息服务的需求，机器翻译才开始复苏并日渐繁荣。业界研发出了多种翻译系统，例如 Weinder、URPOTRAA、TAUM-METEO 等。 其中于 1976 年由加拿大蒙特利尔大学与加拿大联邦政府翻译局联合开发的 TAUM-METEO 系统，是机器翻译发展史上的一个里程碑，标志着机器翻译由复苏走向繁荣。5. 发展期（1993-2006）这一时期主要是统计机器翻译。1993 年 IBM 的 Brown 和 Della Pietra 等人提出的基于词对齐的翻译模型。标志着现代统计机器翻译方法的诞生。2003 年Franz Och 提出对数线性模型及其权重训练方法，这篇文章提出了基于短语的翻译模型和最小错误率训练方法。对应的两篇文章Statistical phrase-based translation[3]和Minimum error rate training in statistical machine translation。[4]标志着统计机器翻译的真正崛起。6. 繁荣期（2006-至今）2006年，谷歌翻译作为一个免费服务正式发布，并带来了统计机器翻译研究的一大波热潮。这一研究正是Franz Och于2004年加入谷歌，领导谷歌翻译。 正是因为一代代科学家们不懈的努力，才让科幻一步步照进现实。2013 Recurrent Continuous Translation Models[5]，Nal Kalchbrenner和 Phil Blunsom提出了一种用于机器翻译的新型端到端编码器-解码器架构 。该模型使用卷积神经网络（CNN）将给定的源文本编码为连续向量，然后使用循环神经网络（RNN）作为解码器将状态向量转换为目标语言。他们的研究可视为神经机器翻译（NMT）的开端，2014 Sequence to sequence learning with neural networks[6].是由Bengio提出的，基于encoder-decoder架构，其中encoder和decoder都是RNN结构，使用的是LSTM。这个架构也上线到Google的翻译中，翻译的质量有些可以超越人类。2015 Neural Machine Translation by Jointly Learning to Align and Translate[7].在以往的encoder-decoder框架上加入对其的attention权重。2017 Attention Is All You Need[8].Transformer抛弃了传统的CNN和RNN，整个网络结构完全是由Attention机制组成。Transformer的主要创新点在于multi-head、self-Attenion，基于此，transformer可以并行操作，大大加快了训练过程。2018 BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding[9].BERT本质上是在大规模的语料上，运行自监督的方法，学习到一个好的特征表示。那么下游任务，可以BERT训练的词向量，作为输入，做一些fine-tune则可完成任务。主要通过Mask Language Model(MLM) 和 Next Sentence Prediction(NSP) 的这两个任务训练，得到词特征表示和句特征表示。三、参考参考论文：[1]http://www.mt-archive.info/Weaver-1949.pdf[2]Thierry Poibeau, "The 1966 ALPAC Report and Its Consequences," inMachine Translation, MITP, 2017, pp.75-89.[1]Koehn P , Och F J , Marcu D . Statistical Phrase-Based Translation[C]// Conference of the North American Chapter of the Association for Computational Linguistics on Human Language Technology. Association for Computational Linguistics, 2003.[4]Och, Franz Josef. "Minimum Error Rate Training for Statistical Machine Translation." ACL, 2003.[5]Kalchbrenner, N., & Blunsom, P. (2013, October). Recurrent Continuous Translation Models. InEMNLP(Vol. 3, No. 39, p. 413).[6]Sutskever, I., Vinyals, O., & Le, Q. V. (2014). Sequence to sequence learning with neural networks. InAdvances in neural information processing systems(pp. 3104-3112).[7]Bahdanau, D., Cho, K., & Bengio, Y. (2014). Neural machine translation by jointly learning to align and translate.arXiv preprint arXiv:1409.0473.[8]Vaswani A , Shazeer N , Parmar N , et al. Attention Is All You Need[J]. arXiv, 2017.[9]Devlin J , Chang M W , Lee K , et al. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding[J]. 2018.参考回答：干货 | 关于机器翻译，看这一篇就够了讯飞开放平台：机器翻译三大核心技术原理 | AI知识科普神经机器翻译：历史与展望人工智能机器翻译的发展经历了哪几个重要阶段？

答，微软发明了万能的，翻译机，帮大家解决了好多苦恼，微软万能翻译机目前可以在50多种语言之间进行翻译，还可以，在APP等系列手表上使用，使用起来非常简单，可以打字，也可以语音输入，还可以，在自己的智能设备上，用自己的语言和任何人沟通运与客户服务，真是大家的福音，太方便了