翻译方法和装置、存储介质及电子设备与流程

技术特征：
1.一种翻译方法，其特征在于，包括：在第一对象与第二对象的会话过程中，获取所述第一对象当前输入的待翻译的第一语种的原始语句；获取与所述原始语句关联的历史语句，其中，所述历史语句包括在所述第一对象与所述第二对象之间的历史会话过程中所述第一对象产生的语句和所述第二对象产生的语句；对所述原始语句与所述历史语句进行编码，得到第一目标向量、第二目标向量和第三目标向量，其中，所述第一目标向量用于表示所述第一对象的角色偏好，所述第二目标向量用于表示所述历史语句的顺序，所述第三目标向量用于表示所述历史语句之间的内容关联；将所述第一目标向量、所述第二目标向量和所述第三目标向量拼接为组合向量；对所述组合向量进行解码，以得到所述原始语句翻译后的第二语种的翻译结果。2.根据权利要求1所述的方法，其特征在于，所述历史语句中包括所述第一对象产生的所述第一语种的第一历史语句、所述第二对象产生的所述第二语种的第二历史语句、所述第一历史语句的第一译文语句和所述第二历史语句的第二译文语句，所述第一译文语句为所述第二语种的语句，所述第二译文语句为所述第一语种的语句，所述对所述原始语句与所述历史语句进行编码，得到第一目标向量、第二目标向量和第三目标向量包括：获取第一语句、第二语句、第三语句和第四语句，其中，所述第一语句为所述第一历史语句，所述第二语句为所述第一历史语句和所述第二译文语句，所述第三语句为所述历史语句，所述第四语句为所述原始语句；获取第一向量、第二向量、第三向量和第四向量，其中，所述第一向量为所述第一语句映射得到的低纬度向量，所述第二向量为所述第二语句映射得到的低纬度向量，所述第三向量为所述第三语句映射得到的低纬度向量，所述第四向量为所述第四语句映射得到的低纬度向量；将所述第一向量编码为所述第一目标向量、将所述第二向量和所述第四向量编码为所述第二目标向量，将所述第三向量编码为所述第三目标向量。3.根据权利要求2所述的方法，其特征在于，所述将所述第一向量编码为所述第一目标向量、将所述第二向量和所述第四向量编码为所述第二目标向量，将所述第三向量编码为所述第三目标向量包括：使用第一编码层将所述第一向量编码为所述第一目标向量与将所述第三向量编码为所述第三目标向量；使用所述第一编码层将所述第二向量和所述第四向量编码为第一中间向量和第二中间向量，使用第二编码层将所述第二中间向量编码为结果向量，将所述第一中间向量和所述结果向量组合为所述第二目标向量，其中，所述第一编码层包括一层编码层，所述第二编码层包括五层编码层。4.根据权利要求1所述的方法，其特征在于，所述将所述第一目标向量、所述第二目标向量和所述第三目标向量拼接为组合向量包括：在所述原始语句包括编码向量的情况下，将所述第一目标向量、所述第二目标向量、所述第三目标向量和编码向量拼接为所述组合向量，其中，所述编码向量为在翻译所述原始语句的第一个词以后的任意一个词的情况下，所述原始语句中所述任意一个词之前的每一
个词的词嵌入向量。5.根据权利要求1所述的方法，其特征在于，所述对所述原始语句与所述历史语句进行编码，得到第一目标向量、第二目标向量和第三目标向量包括：将所述历史语句输入到目标神经网络模型中，由所述目标神经网络模型的特征提取层提取所述第一目标向量、所述第二目标向量和所述第三目标向量；所述对所述组合向量进行解码，以得到所述原始语句翻译后的第二语种的翻译结果包括：将使用所述目标神经网络模型的解码层对所述组合向量进行解码得到的结果确定为所述翻译结果，其中，所述目标神经网络模型为预训练的模型，所述特征提取层和所述解码层中包括对原始参数训练后的目标参数。6.根据权利要求5所述的方法，其特征在于，在将所述历史语句输入到所述目标神经网络模型中，由所述目标神经网络模型的特征提取层提取所述第一目标向量、所述第二目标向量和所述第三目标向量之前，所述方法还包括：获取原始神经网络模型，其中，所述原始神经网络模型包括所述特征提取层和所述解码层，所述特征提取层和所述解码层中包括所述原始参数；获取样本原始语句、样本翻译结果和所述样本原始语句的样本历史语句，其中，所述样本原始语句为第三对象产生的所述第一语种的语句，所述样本翻译结果为所述样本原始语句翻译得到的所述第二语种的语句，所述样本历史语句包括所述第三对象与第四对象对话过程中所述第三对象产生的所述第一语种的第一样本历史语句、所述第四对象产生的所述第二语种的第二样本历史语句、所述第一样本历史语句的第一样本译文语句和所述第二样本历史语句的第二样本译文语句，所述第一样本译文语句为所述第二语种的语句，所述第二样本译文语句为所述第一语种的语句；使用所述样本原始语句、所述样本翻译结果和所述样本历史语句训练所述原始神经网络模型的所述原始参数，得到所述目标神经网络模型。7.根据权利要求6所述的方法，其特征在于，所述使用所述样本原始语句、所述样本翻译结果和所述样本历史语句训练所述原始神经网络模型的所述原始参数，得到所述目标神经网络模型包括：对所述原始神经网络模型执行以下操作，直到所述原始神经网络模型的识别准确度大于第一阈值，以得到所述目标神经网络模型:将所述样本翻译结果输入到所述特征提取层，得到第一目标样本向量、第二目标样本向量和第三目标样本向量；将所述样本原始语句输入到所述特征提取层，得到第一原始样本向量、第二原始样本向量和第三原始样本向量；将所述第一原始样本向量、所述第二原始样本向量、所述第三原始样本向量和所述样本原始语句的样本编码向量合并为样本组合向量，其中，所述样本编码向量为在翻译所述样本原始语句的第一个词以后的任意一个词的情况下，所述样本原始语句中所述任意一个词之前的每一个词的词嵌入向量；使用所述解码层对所述样本组合向量进行解码，得到预估语句；在所述第一目标样本向量和第一原始样本向量的差异大于第一阈值，或所述第二目标样本向量和所述第二原始样本向量的差异大于第二阈值，或所述第三目标样本向量和所述
第三原始样本向量的差异大于第三阈值，或所述样本原始语句和所述预估语句的差异大于第四阈值的情况下，调整所述原始参数的值。8.一种翻译装置，其特征在于，包括：第一获取单元，用于在第一对象与第二对象的会话过程中，获取所述第一对象当前输入的待翻译的第一语种的原始语句；第二获取单元，用于获取与所述原始语句关联的历史语句，其中，所述历史语句包括在所述第一对象与所述第二对象之间的历史会话过程中所述第一对象产生的语句和所述第二对象产生的语句；编码单元，用于对所述原始语句与所述历史语句进行编码，得到第一目标向量、第二目标向量和第三目标向量，其中，所述第一目标向量用于表示所述第一对象的角色偏好，所述第二目标向量用于表示所述历史语句的顺序，所述第三目标向量用于表示所述历史语句之间的内容关联；拼接单元，用于将所述第一目标向量、所述第二目标向量和所述第三目标向量拼接为组合向量；解码单元，用于对所述组合向量进行解码，以得到所述原始语句翻译后的第二语种的翻译结果。9.根据权利要求8所述的装置，其特征在于，所述历史语句中包括所述第一对象产生的所述第一语种的第一历史语句、所述第二对象产生的所述第二语种的第二历史语句、所述第一历史语句的第一译文语句和所述第二历史语句的第二译文语句，所述第一译文语句为所述第二语种的语句，所述第二译文语句为所述第一语种的语句，所述编码单元包括：第一获取模块，用于获取第一语句、第二语句、第三语句和第四语句，其中，所述第一语句为所述第一历史语句，所述第二语句为所述第一历史语句和所述第二译文语句，所述第三语句为所述历史语句，所述第四语句为所述原始语句；第二获取模块，用于获取第一向量、第二向量、第三向量和第四向量，其中，所述第一向量为所述第一语句映射得到的低纬度向量，所述第二向量为所述第二语句映射得到的低纬度向量，所述第三向量为所述第三语句映射得到的低纬度向量，所述第四向量为所述第四语句映射得到的低纬度向量；编码模块，用于将所述第一向量编码为所述第一目标向量、将所述第二向量和所述第四向量编码为所述第二目标向量，将所述第三向量编码为所述第三目标向量。10.根据权利要求9所述的装置，其特征在于，所述编码模块包括：第一编码模块，用于使用第一编码层将所述第一向量编码为所述第一目标向量与将所述第三向量编码为所述第三目标向量；第二编码模块，用于使用所述第一编码层将所述第二向量和所述第四向量编码为第一中间向量和第二中间向量，使用第二编码层将所述第二中间向量编码为结果向量，将所述第一中间向量和所述结果向量组合为所述第二目标向量，其中，所述第一编码层包括一层编码层，所述第二编码层包括五层编码层。11.根据权利要求8所述的装置，其特征在于，所述编码单元包括：第三编码模块，用于将所述历史语句输入到目标神经网络模型中，由所述目标神经网络模型的特征提取层提取所述第一目标向量、所述第二目标向量和所述
第三目标向量；所述解码单元包括：解码模块，用于将使用所述目标神经网络模型的解码层对所述组合向量进行解码得到的结果确定为所述翻译结果，其中，所述目标神经网络模型为预训练的模型，所述特征提取层和所述解码层中包括对原始参数训练后的目标参数。12.根据权利要求11所述的装置，其特征在于，所述装置还包括：第三获取单元，用于在将所述历史语句输入到所述目标神经网络模型中，由所述目标神经网络模型的特征提取层提取所述第一目标向量、所述第二目标向量和所述第三目标向量之前，获取原始神经网络模型，其中，所述原始神经网络模型包括所述特征提取层和所述解码层，所述特征提取层和所述解码层中包括所述原始参数；第四获取单元，用于获取样本原始语句、样本翻译结果和所述样本原始语句的样本历史语句，其中，所述样本原始语句为第三对象产生的所述第一语种的语句，所述样本翻译结果为所述样本原始语句翻译得到的所述第二语种的语句，所述样本历史语句包括所述第三对象与第四对象对话过程中所述第三对象产生的所述第一语种的第一样本历史语句、所述第四对象产生的所述第二语种的第二样本历史语句、所述第一样本历史语句的第一样本译文语句和所述第二样本历史语句的第二样本译文语句，所述第一样本译文语句为所述第二语种的语句，所述第二样本译文语句为所述第一语种的语句；训练单元，用于使用所述样本原始语句、所述样本翻译结果和所述样本历史语句训练所述原始神经网络模型的所述原始参数，得到所述目标神经网络模型。13.根据权利要求12所述的装置，其特征在于，所述训练单元包括：处理模块，用于对所述原始神经网络模型执行以下操作，直到所述原始神经网络模型的识别准确度大于第一阈值，以得到所述目标神经网络模型:将所述样本翻译结果输入到所述特征提取层，得到第一目标样本向量、第二目标样本向量和第三目标样本向量；将所述样本原始语句输入到所述特征提取层，得到第一原始样本向量、第二原始样本向量和第三原始样本向量；将所述第一原始样本向量、所述第二原始样本向量、所述第三原始样本向量和所述样本原始语句的样本编码向量合并为样本组合向量，其中，所述样本编码向量为在翻译所述样本原始语句的第一个词以后的任意一个词的情况下，所述样本原始语句中所述任意一个词之前的每一个词的词嵌入向量；使用所述解码层对所述样本组合向量进行解码，得到预估语句；在所述第一目标样本向量和第一原始样本向量的差异大于第一阈值，或所述第二目标样本向量和所述第二原始样本向量的差异大于第二阈值，或所述第三目标样本向量和所述第三原始样本向量的差异大于第三阈值，或所述样本原始语句和所述预估语句的差异大于第四阈值的情况下，调整所述原始参数的值。14.一种计算机可读的存储介质，所述计算机可读的存储介质存储有计算机程序，其特征在于，所述计算机程序运行时执行所述权利要求1至7任一项中所述的方法。15.一种电子设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行所述权利要求1至7任一项中所述的方法。

技术总结
本发明公开了一种基于人工智能的翻译方法和装置、存储介质及电子设备。其中，该方法包括：在第一对象与第二对象的会话过程中，获取第一对象当前输入的待翻译的第一语种的原始语句；获取与原始语句关联的历史语句；对原始语句与历史语句进行编码，得到第一目标向量、第二目标向量和第三目标向量，其中，第一目标向量用于表示第一对象的角色偏好，第二目标向量用于表示历史语句的顺序，第三目标向量用于表示历史语句之间的内容关联；将第一目标向量、第二目标向量和第三目标向量拼接为组合向量；对组合向量进行解码，得到原始语句翻译后的第二语种的翻译结果。本发明解决了翻译结果不具备对角色特征和对话连贯性，翻译结果准确度低的技术问题。度低的技术问题。度低的技术问题。


技术研发人员：梁云龙 孟凡东 徐金安 陈钰枫
受保护的技术使用者：腾讯科技（深圳）有限公司
技术研发日：2021.02.25
技术公布日：2021/10/28