信息处理方法、装置和电子设备与流程

1.本公开涉及人工智能技术领域，尤其涉及一种信息处理方法、装置和电子设备。


背景技术：

2.神经机器翻译(neural machine translation，nmt)近年来迅速崛起。相比统计机器翻译而言，神经网络翻译从模型上来说相对简单，它主要包含两个部分，一个是编码器，一个是解码器。编码器是把源语言经过一系列的神经网络的变换之后，表示成一个高维的向量。解码器负责把这个高维向量再重新解码(翻译)成目标语言。
3.随着深度学习技术的发展，借助海量的平行语料，nmt模型在大部分的语言上已经超过了基于统计的方法。


技术实现要素：

4.提供该公开内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该公开内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
5.本公开实施例提供了一种信息处理方法、装置和电子设备。
6.第一方面，本公开实施例提供了一种信息处理方法，包括：将使用源语言表达的待翻译信息输入到预训练的第一翻译模型，获取第一翻译模型根据所述待翻译信息生成的第一隐状态向量，和所述第一隐状态向量被预测为目标语言的预设词汇表中各语素的第一概率分布；从目标语言的向量索引库中，获取与所述第一隐状态向量满足预设条件的至少一个目标索引项，所述目标索引项包括第二隐状态向量；确定所述第二隐状态向量被预测为所述预设词汇表中各词的第二概率分布；融合所述第一概率分布和所述第二概率分布，得到融合概率分布；将所述融合概率分布返回所述第一翻译模型，以由所述第一翻译模型根据所述融合概率分布确定翻译结果。
7.第二方面，本公开实施例提供了一种信息处理模型，包括：第一翻译模型、第二翻译模型、索引建立模块和融合比例确定模型，其中，所述第一翻译模型用于：将输入的使用源语言表达的待翻译信息，转换为第一隐状态向量以及预测所述第一隐状态向量为预设词汇表中各词的第一概率分布；并通过第一预设远程调用接口输出所述第一隐状态向量和所述第一概率分布；接收融合比例确定模型输出的融合概率分布，根据融合概率分布确定所述待翻译信息对应的翻译结果；所述第二翻译模型用于：对输入的预设语料进行解码，得到所述预设语料的多个预设语素对应的参考隐状态向量，向所述索引建立模块发送所述参考隐状态向量；索引建立模块用于：基于所述参考隐状态向量建立所述向量索引库库；所述融合比例确定模型用于：融合所述第一概率分布和所述第二概率分布，得到融合概率分布。
8.第三方面，本公开实施例提供了一种信息处理装置，包括：第一获取单元，用于将使用源语言表达的待翻译音信息输入到预训练的第一翻译模型，获取第一翻译模型根据所述待翻译信息生成的第一隐状态向量，和所述第一隐状态向量被预测为预设词汇表中各词
的第一概率分布；第二获取单元，用于从目标语言的向量索引库中，获取与所述第一隐状态向量满足预设条件的至少一个目标索引项，所述目标索引项包括第二隐状态向量；确定所述第二隐状态向量被预测为所述预设词汇表中各词的第二概率分布；融合单元，用于融合所述第一概率分布和所述第二概率分布，得到融合概率分布；翻译单元，用于将所述融合概率分布返回所述第一翻译模型，以由所述第一翻译模型根据所述融合概率分布确定翻译结果。
9.第四方面，本公开实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的信息处理方法。
10.第五方面，本公开实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的信息处理方法。
11.本公开实施例提供的信息处理方法、装置和电子设备，通过获取将使用源语言表达的待翻译信息输入到预训练的第一翻译模型得到的第一隐状态向量，和所述第一隐状态向量被预测为预设词汇表中各词的第一概率分布；从目标语言的向量索引库中，获取与所述第一隐状态向量满足预设条件的至少一个目标索引项，所述目标索引项包括第二隐状态向量；确定所述第二隐状态向量被预测为所述预设词汇表中各词的第二概率分布；融合所述第一概率分布和所述第二概率分布，得到融合概率分布；将所述融合概率分布返回所述第一翻译模型，以由所述第一翻译模型根据所述融合概率分布确定翻译结果，实现了利用构建的待应用领域的数据索引，基于近邻检索，对神经机器翻译模型的解码过程进行干预，从而使得训练好的机器翻译模型在应用到特定领域时，可以无需对模型参数重新进行训练调整，即可应用到待应用领域中，得到较为准确的翻译结果。可以提升机器翻译模型的领域表现。在无需调整机器翻译模型参数前提下，提高了机器翻译模型的实时性和可泛化性。
附图说明
12.结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
13.图1是根据本公开的信息处理方法的一个实施例的流程图；
14.图2是根据本公开的信息处理方法的另一个实施例的流程图；
15.图3是根据本公开的信息处理模型的一个实施例的结构示意图；
16.图4是图3所示信息处理模型的使用对比示意图；
17.图5是根据本公开的信息处理装置的一个实施例的流程图；
18.图6是本公开的一个实施例的信息处理方法、信息处理装置可以应用于其中的示例性系统架构；
19.图7是根据本公开实施例提供的电子设备的基本结构的示意图。
具体实施方式
20.下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这
里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
21.应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
22.本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
23.需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
24.需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
25.本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
26.请参考图1，其示出了根据本公开的信息处理方法的一个实施例的流程。如图1所示，信息处理方法，包括以下步骤：
27.步骤101，获取将使用源语言表达的待翻译信息输入到预训练的第一翻译模型得到的第一隐状态向量，和所述第一隐状态向量被预测为预设词汇表中各词的第一概率分布。
28.这里的第一翻译模型可以是任意的机器学习模型。例如神经机器翻译模型等。
29.上述第一翻译模型可以是经过预先训练的模型。对于第一翻译模型的训练可以是有监督训练，此处不赘述。
30.这里的源语言可以是任意一种语言，例如英语、中文、法语等。目标语言可以为源语言之外的其他任意语言。
31.上述待翻译信息可以包括一个字、词、句、句群等。
32.在将上述待翻译信息输入到第一翻译模型之后，第一翻译模型可以对源语言的待翻译信息进行编码，得到编码向量。然后再对编码向量进行变换，得到与目标语言对应的第一隐状态向量。在得到上述第一隐状态向量之后，可以将上述第一隐状态向量映射为预设词汇表中的各词。对于每一个词，第一翻译模型可以计算，将上述第一隐状态向量映射为该词的概率，从而得到上述第一概率分布。
33.这里的目标语言的预设词汇表可以为通用词汇表，也可以为领域专用词汇表。预设词汇表可以根据具体的应用场景进行选择。
34.若输入的待翻译的信息包括多个字词，可以为每一个字词对应编码进行编号。例如“我爱家乡”中三个词“我”、“爱”、“家乡”分别对应的编码进行编号。可以使用h
j
来分别表示上面三个词的编码，j＝1,2,3。
35.作为一种实现方式，可以使用预先建立的第一预设远程过程调用(remote procedure call，rpc)接口从上述第一翻译模型中获取上述第一隐状态向量上述第一概率分布。
36.上述远程调用接口是预先基于预设调用协议建立的。通过rpc接口，可以随时获取由第一翻译模型中生成的当前待翻译信息的第一隐状态向量和第一概率分布。
37.步骤102，从目标语言的向量索引库中，获取与所述第一隐状态向量满足预设条件的至少一个目标索引项，所述目标索引项包括第二隐状态向量；确定所述第二隐状态向量被预测为所述预设词汇表中各词的第二概率分布。
38.上述目标语言的向量索引库，可以是预先建立的。目标索引库中中可以包括多个参考隐状态向量。每一个参考隐状态向量可以对应一个预设词表中的目标语言语素。这里的预设词表可以是目标语言对应的词表。词表中可以包括多个目标语言的语素。这里的目标语言语素可以是字、词或语句等。预设词表中的每一个语素可以对应一个标签。不同语素的标签可以不相同。
39.上述向量索引库中可以关联存储参考隐状态向量以及参考隐状态参考向量对应的标签。这里的参考隐状态向量对应的标签可以与参考隐状态向量对应的目标语言的语素在预设词表中的标签相同。
40.上述向量索引库可以基于如下步骤建立的：
41.首先，将预设平行语料输入到预先训练的第二翻译模型，由所述第二翻译模型进行解码，得到所述预设语料中目标语言的多个语素对应的参考隐状态向量，所述预设平行预料包括同义的源语言预设语料和目标语言的预设语料。
42.这里的第二翻译模型可以是与第一翻译模型相同结构的模型。此外，上述第二翻译模型也可以是使用与第一翻译模型相同的训练数据以及相同的训练方法得到的。
43.上述预设平行预料可以包括上述源语言的第一预设语料，以及目标语言的第二语料，上述第二语料与上述第一预设语料语义相同。
44.此外，上述预设平行预料还可以是用户定制的平行语料。
45.预设平行预料中的第一预设语料和第二预设语料分别可以包括多个语素，这里的语素可以是字、词、语句等。通过上述强制解码可以得到上述各语素对应的参考隐状态向量。
46.通过将上述预先平行预料输入到第二翻译模型，第二翻译模型可以确定源语言中的语素与目标语言中的语素的对应关系。目标标语言的中的语素可以对应参考隐状态向量。此外，目标语言的一语素的标签可以与目标语言的预设词汇表中相同语素的标签相同。
47.其次，基于所述参考隐状态向量建立所述向量索引库。
48.可以将上述第一隐状态向量与多个参考隐状态向量进行匹配，根据匹配结果确定至少一个第二隐状态向量。
49.具体地，可以计算上述第一隐状态向量与多个参考隐状态向量之间的距离，根据距离大小满足预设条件的至少一个参考隐状态向量确定为上述至少一个第二隐状态向量。在一些应用场景中，上述预设条件可以为上述距离小于预设距离阈值。在另外一些应用场景中，上述预设条件可以为第一隐状态向量与上述多个参考隐状态向量之间距离最小的前k个。其中，k为大于等于1，小于参考隐状态向量的数量的整数。
50.在确定了至少一个第二隐状态向量之后，可以进而确定至少一个目标索引项。目标索引项可以包括第二隐状态向量、第二隐状态向量对应的标签、以及第二隐状态向量与第一隐状态向量之间的距离。
51.进而可以确定将第二隐状态向量映射为预设词表中各语素的第二概率分布。
52.在确定上述第二概率分布时，可以根据第一隐状态向量和多个目标索引项中的第二隐状态向量的相似度，计算多个目标索引项各自的归一化权重。归一化的权重分布可以被理解为目标索引项的概率分布。对具有相同语素的多个目标索引项的概率进行合并，得到预设词表中的目标索引项中包含的语素的概率分布。而预设词表中不出现在目标索引项中的词的概率被置为0。这样得到的预设词表上的概率分布为第二概率分布。
53.具体地，可以依照下面的公式来确定上述第二概率分布：
54.其中
55.q
t
是源语言中第t个待翻译语素对应的第一隐状态向量；r是从向量索引库中确定出的与第一隐状态向量满足预设条件的第二隐状态向量的数量；k
i
是上述r个第二隐状态向量中第i个第二隐状态向量对应的标签。k(q
t
,k
i
；σ)是以q
t
,k
i
；σ为参数的核函数。u是至少一个隐状态中对应同一标签v
i
的数量。是u个对应同一标签v
i
的第二隐状态的核函数值之和。
56.p2(y
t
)是待翻译语言中第t个语素对应的第二隐状态向量在预设词表中的概率。
57.上述核函数k(q,k；σ)采用高斯核，
[0058][0059]
其中，|q
t
‑
k
i
||2是q
t
与k
i
之间的平方欧几里得距离。
[0060]
带宽参数σ通过可以由指数激活函数表示：
[0061]
其中
[0062][0063]
为与第一隐状态向量q
t
满足预设条件的r个第二隐状态向量的均值，上述w1和b1为可训练参数。
[0064]
这样得到第二隐状态向量映射到预设词汇表的第二概率分布。这里需要说明的是，对于从索引库中中确定出的键值对中没有涉及到的词汇表中的语素(对应预设标签)，第二隐状态向量对应的概率分布为0。
[0065]
在一些可选的实现方式中，上述从从目标语言的向量索引库中，获取与所述第一隐状态向量满足预设条件的至少一个目标索引项，可以利用第二预设远程调用接口将第一隐状态向量发送给上述向量索引库，向量索引库可以在自身多个参考隐状态向量中确定至少一个目标索引项。
[0066]
在确定出至少一个目标索引项之后，上述向量索引库可以在通过上述第二预设远
程调用接口，返回目标索引项发。
[0067]
通过第二预设远程调用接口可以随时在向量索引库中进行索引，并实时获取索引结果。
[0068]
步骤103，融合所述第一概率分布和所述第二概率分布，得到融合概率分布。
[0069]
可以根据预设方法确定第一概率分布、和第二概率分布分别对应的融合比例，将第一概率分布和第二概率分布按照各自的比例进行融合，得到融合概率分布。具体地，可以将第一概率分布与第一融合比例的乘积与第二概率与第二融合比例的乘积之和作为融合概率分布。
[0070]
融合概率分布例如可以由如下公式表示：
[0071]
p(y
t
)＝λ
×
p2(y
t
) (1
‑
λ)
×
p1(y
t
)
ꢀꢀ
(5)；
[0072]
其中，p1(y
t
)为第一概率分布，p2(y
t
)为第二概率分布。
[0073]
可以理解的是，融合概率分布可以包括预设词汇表中每一个语素分别对应的概率。也即，融合概率分布包括当前待翻译语素在上述索引库给出的索引项的影响下，被映射为预设词汇表中的各语素的概率。
[0074]
步骤104，将所述融合概率分布返回所述第一翻译模型，以由所述第一翻译模型根据所述融合概率分布确定翻译结果。
[0075]
可以将融合概率分布中，概率值最大的标签所对应的模板语言的语素作为翻译结果。
[0076]
本实施例提供的信息处理方法，通过获取将使用源语言表达的待翻译信息输入到预训练的第一翻译模型得到的第一隐状态向量，和所述第一隐状态向量被预测为预设词汇表中各词的第一概率分布；从目标语言的向量索引库中，获取与所述第一隐状态向量满足预设条件的至少一个目标索引项，所述目标索引项包括第二隐状态向量；确定所述第二隐状态向量被预测为所述预设词汇表中各词的第二概率分布；融合所述第一概率分布和所述第二概率分布，得到融合概率分布；将所述融合概率分布返回所述第一翻译模型，以由所述第一翻译模型根据所述融合概率分布确定翻译结果，实现了利用构建的待应用领域的数据索引，基于近邻检索，对神经机器翻译模型的解码过程进行干预，从而使得训练好的机器翻译模型在应用到特定领域时，可以无需对模型参数重新进行训练调整，即可应用到待应用领域中，得到较为准确的翻译结果。
[0077]
相关技术中，通常将训练好的翻译模型应用在待应用领域时，需要使用该待应用领域的平行预料对翻译模型参数进行重新训练调整，从而使得对使用通用语料训练好的翻译模型无法直接应用到特定领域进行翻译，使得翻译模型的领域表现性较差。而本实施例提供的方案，通过利用构建待应用领域的数据索引，基于近邻检索，对神经机器翻译模型的解码过程进行干预，使得训练好的机器翻译模型在应用到特定领域时，可以无需对模型参数重新进行训练调整，即可得到较为准确的翻译结果。从而可以提升翻译模型的领域表现。
[0078]
另外在相关领域中，可以事先将待应用领域内的平行语料，以整句按键值对方式存储，在翻译模型应用到待应用领域时，在翻译时，翻译模型根据上述存储的键值对进行查询，这种方法精确度较高。但这种方案除非用户输入完全命中原文才可返回对应译文。当待翻译的信息未出现在上述预先存储的键值对中时，将无法实现准确翻译，因此这样的方案缺少泛化性。而本方案中，使用对同一待翻译信息的不同概率分布的融合结果来确定翻译
结果，相比于使用根据存储的键值对进行翻译的方式而言，提高了翻译模型的泛化性。
[0079]
请参考图2，其示出了根据本公开的信息处理方法的另一个实施例的流程图。如图2所示，该方法包括如下步骤：
[0080]
步骤201，获取将使用源语言表达的待翻译信息输入到预训练的第一翻译模型得到的第一隐状态向量，和所述第一隐状态向量被预测为预设词汇表中各词的第一概率分布。
[0081]
步骤202，从目标语言的向量索引库中，获取与所述第一隐状态向量满足预设条件的至少一个目标索引项，所述目标索引项包括第二隐状态向量；确定所述第二隐状态向量被预测为所述预设词汇表中各词的第二概率分布。
[0082]
步骤201～步骤202的具体实施可以参考图1所示实施例的步骤101和步骤102，此次不赘述。
[0083]
步骤203，利用预先训练的融合比例确定模型确定所述第一概率分布和所述第二概率分布各自对应的融合比例。
[0084]
上述融合比例确定模型可以包括多层感知机。
[0085]
上述融合比例确定模块可以首先确定出第二概率分布对应的第二融合比例。第二融合比例可以表示如下：
[0086][0087]
其中，
[0088][0089]
q
t
是源语言中第t个待翻译语素对应的第一隐状态向量；r是从向量索引库中确定出的与第一隐状态向量满足预设条件的第二隐状态向量的数量；k
i
是上述r个第二隐状态向量中第i个第二隐状态向量对应的标签。k(q
t
,k
i
；σ)是以q
t
,k
i
；σ为参数的核函数；w2；b2；w3；b3为可训练参数。
[0090]
上述k(q
t
,k
i
；σ)可以是高斯核函数。k(q
t
,k
i
；σ)的表达式可以参考公式(2)，此次不赘述。
[0091]
估计带宽参数σ和融合权重系数λ的两个神经网络需要额外的训练。在训练时，先把第t步的标签y
t
转变为预设词表上的独热概率分布，并对这个独热概率分布进行标签平滑，得到平滑过的如下式表示的标签分布p
ls
(v)，其中v是目标语言的预设词表大小。
[0092][0093]
单个标签的损失函数为融合后的概率分布p(y
t
)与平滑过的标签分布p
ls
(v|y
t
)之间的交叉熵。
[0094]
单个翻译样本的损失函数是目标端所有token的损失函数之和。
[0095]
在训练时，把多个目标语言标签对应的翻译样本打包成一个批次batch，每个
batch的损失函数为这个batch中所有句子损失函数之和。使用反向传播算法计算损失函数关于概率分布融合模块中参数的梯度，并使用adam优化器更新模型的参数。经过预设次数的迭代，得到收敛的模型。
[0096]
在得到了第二融合比例之后，可以确定第一融合比例，第一融合比例为1
‑
λ。
[0097]
步骤204，按照所述第一融合比例和第二融合比例融合所述第一概率分布和所述第二概率分布，得到融合概率分布。
[0098]
可以参考公式(5)的方法来融合第一概率分布和第二概率分布。
[0099]
步骤205，将所述融合概率分布返回所述第一翻译模型，以由所述第一翻译模型根据所述融合概率分布确定翻译结果。
[0100]
与图1所示实施例相比，本实施例突出了根据融合比例确定模型来确定第一概率分布、第二概率分布分别对应的融合比例的内容，实现了自适应实现融合比例，可以提高本技术提供的信息处理方法的可移植性。
[0101]
请参考图3，其示出了本公开提供的信息处理模型的结构示意图。如图3所示，信息处理模型包括第一翻译模型、第二翻译模型、索引建立模块和融合比例确定模型。
[0102]
所述第一翻译模型用于：将输入的使用源语言表达的待翻译信息，转换为第一隐状态向量以及预测所述第一隐状态向量为预设词汇表中各词的第一概率分布；并通过第一预设远程调用接口输出所述第一隐状态向量和所述第一概率分布；接收融合比例确定模型输出的融合概率分布，根据融合概率分布确定所述待翻译信息对应的翻译结果；
[0103]
所述第二翻译模型用于：对输入的预设语料进行解码，得到所述预设语料的多个预设语素对应的参考隐状态向量，向所述索引建立模块发送所述参考隐状态向量；
[0104]
索引建立模块用于：基于所述参考隐状态向量建立所述向量索引库；从目标语言的向量索引库中，获取与所述第一隐状态向量满足预设条件的至少一个目标索引项，所述目标索引项包括第二隐状态向量；并通过第二预设远程调用接口向融合比例确定模型输出所述第二隐状态向量；
[0105]
所述融合比例确定模型用于：确定所述第二隐状态向量被预测为所述预设词汇表中各词的第二概率分布；确定第一概率分布与第二概率分布各自的融合比例，并根据所述融合比例融合所述第一概率分布和所述第二概率分布，得到融合概率分布。
[0106]
请参考图4，其示出了图3所示信息处理模型的使用对比示意图。如图4所示，nmt模型可以为第一翻译模型、第二翻译模型所使用的模型。knn索引可以为使用近邻搜索在图3的索引库进行索引。
[0107]
第一翻译模型可以将输入的英文的待翻译信息“i’m a bad case”翻译为中文的“我是一个错误案例”。
[0108]
使用上述信息翻译模型之后，由于在索引库中搜索与第一翻译模型得到的第一隐状态向量满足预设条件的第二隐状态向量，第二隐状态向量可以影响当前被翻译的语素被映射为中文的预设词表中各语素的概率，将会使得翻译结果发生变化。
[0109]
上述索引库中可以根据输入的平行预料确定多个参考隐状态向量，以及多个参考隐状态向量对应的标签。第二翻译模型(nmt模型可以根据输入的平行预料“i’m a good case”；”我是一个正确案例”确定参考隐状态向量，以及参考隐状态向量对应的预设词汇表中的词的标签。)可以根据参考隐状态向量以及参考隐状态向量建立索引。
[0110]
在待翻译信息“we’re all bad cases”输入到第一翻译模型(nmt模型)，第一翻译模型将其生成的第一隐状态向量通过索引检索接口发送给索引库。索引库可以在其中的多个参考隐状态向量中进行匹配，得到至少一个第二隐状态向量。可以将第一隐状态向量被预测为目标语言的预设词汇表中各语素的第一概率分布以及所述第二隐状态向量被预测为所述预设词汇表中各词的第二概率分布进行融合，得到融合概率分布。根据融合概率分布来确定出的翻译结果为“我们都是正确案例”。
[0111]
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了信息处理装置的一些实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0112]
如图5所示，本实施例的信息处理装置包括：第一获取单元501、第二获取单元502、融合单元503以及翻译模型504。其中，第一获取单元501，用于获取将使用源语言表达的待翻译信息输入到预训练的第一翻译模型得到的第一隐状态向量，和所述第一隐状态向量被预测为预设词汇表中各词的第一概率分布；第二获取单元502，用于从目标语言的向量索引库中，获取与所述第一隐状态向量满足预设条件的至少一个目标索引项，所述目标索引项包括第二隐状态向量；确定所述第二隐状态向量被预测为所述预设词汇表中各词的第二概率分布；融合单元503，用于融合所述第一概率分布和所述第二概率分布，得到融合概率分布；翻译单元504，用于将所述融合概率分布返回所述第一翻译模型，以由所述第一翻译模型根据所述融合概率分布确定翻译结果。
[0113]
在一些可选的实现方式中，融合单元503进一步用于：利用预先训练的融合比例确定模型确定所述第一概率分布和所述第二概率分布各自对应的第一融合比例和第二融合比例；按照所述第一融合比例和第二融合比例融合所述第一概率分布和所述第二概率分布，得到融合概率分布。
[0114]
在一些可选的实现方式中，融合单元503进一步用于：将第一概率分布与第一融合比例的乘积与第二概率与第二融合比例的乘积之和作为融合概率分布。
[0115]
在一些可选的实现方式中，所述第二概率分布对应的第二融合比例由如下公式确定：
[0116]
其中
[0117][0118][0119]
q
t
为第一隐状态向量；k
i
为第i个第二隐状态向量；i大于等于1，小于等于k，k为满足预设条件目标索引项的数量；
[0120]
k(q,k；σ)为以σ为参数的核函数。
[0121]
在一些可选的实现方式中，所述向量索引库基于如下步骤建立：将预设平行语料输入到预先训练的第二翻译模型，由所述第二翻译模型进行解码，得到所述预设语料中目标语言的多个语素对应的参考隐状态向量，所述预设平行预料包括同语义的源语言预设语
料和目标语言预设语料；基于多个所述参考隐状态向量建立所述向量索引库；其中，所述第二翻译模型为第一翻译模型为相同的翻译模型，且使用相同的训练方案训练得到。
[0122]
在一些可选的实现方式中，第一获取单元501进一步用于：利用第一预设远程调用接口获取所述第一隐状态向量和所述第一概率分布。
[0123]
在一些可选的实现方式中，第二获取单元502进一步用于：利用第二预设远程调用接口从目标语言的向量索引库中，获取与所述第一隐状态向量满足预设条件的至少一个目标索引项。
[0124]
请参考图6，图6示出了本公开的一个实施例的显示信息生成方法、信息显示方法可以应用于其中的示例性系统架构。
[0125]
如图6所示，如图6所示，系统架构可以包括终端设备601、602、603，网络604，服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
[0126]
终端设备601、602、603可以通过网络604与服务器605交互，以接收或发送消息等。终端设备601、602、603上可以安装有各种客户端应用，例如网页浏览器应用、搜索类应用、新闻资讯类应用。终端设备601、602、603中的客户端应用可以接收用户的指令，并根据用户的指令完成相应的功能，例如根据用户指令将待翻译信息发送给服务器605。
[0127]
终端设备601、602、603可以是硬件，也可以是软件。当终端设备601、602、603为硬件时，可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、mp3播放器(moving picture experts group audio layer iii，动态影像专家压缩标准音频层面3)、mp4(moving picture experts group audio layer iv，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备601、602、603为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
[0128]
服务器605可以是提供各种服务的服务器，例如对由终端设备601、602、603发送的待翻译信息进行分析处理，得到翻译结果，并将翻译结果发送给终端设备601、602、603。
[0129]
需要说明的是，本公开实施例所提供的信息处理方法可以由服务器604执行，相应地，信息处理装置可以设置在服务器604中。另外信息处理方法可以也可以由终端设备601、602、603执行，相应地，信息处理装置可以设置在终端设备601、602、603中
[0130]
应该理解，图6中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
[0131]
下面参考图7，其示出了适于用来实现本公开实施例的电子设备(例如图6中的服务器或终端设备)的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
[0132]
如图7所示，电子设备可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(rom)702中的程序或者从存储装置708加载到随机访问存储器
(ram)703中的程序而执行各种适当的动作和处理。在ram 703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、rom 702以及ram 703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。
[0133]
通常，以下装置可以连接至i/o接口705：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
[0134]
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置708被安装，或者从rom 702被安装。在该计算机程序被处理装置701执行时，执行本公开实施例的方法中限定的上述功能。
[0135]
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd
‑
rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
[0136]
在一些实施方式中，客户端、服务器可以利用诸如http(hypertext transfer protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
[0137]
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
[0138]
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取将使用源语言表达的待翻译信息输入到预训练的第
一翻译模型得到的第一隐状态向量，和所述第一隐状态向量被预测为预设词汇表中各词的第一概率分布；从目标语言的向量索引库中，获取与所述第一隐状态向量满足预设条件的至少一个目标索引项，所述目标索引项包括第二隐状态向量；确定所述第二隐状态向量被预测为所述预设词汇表中各词的第二概率分布；融合所述第一概率分布和所述第二概率分布，得到融合概率分布；将所述融合概率分布返回所述第一翻译模型，以由所述第一翻译模型根据所述融合概率分布确定翻译结果。
[0139]
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如java、smalltalk、c ，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0140]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0141]
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。
[0142]
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。
[0143]
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。
[0144]
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术
方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
[0145]
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
[0146]
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。