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。

另外，应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

图1为本公开所述文本翻译方法实施例的流程图。如图1所示，包括以下具体实现方式。

在步骤101中，针对待翻译的第一句子，获取对应的K个句子对，K为大于一的正整数，每个句子对中分别包括源语言句子和对应的目标语言句子，源语言为第一句子对应的语言，目标语言为第一句子的翻译结果对应的语言。

在步骤102中，分别根据各句子对生成一个翻译结果，将得到的K个翻译结果作为第一句子的翻译结果。

可以看出，上述方法实施例所述方案中，针对待翻译的第一句子，可获取对应的K个句子对，并可根据每个句子对，分别生成一个对应的翻译结果，从而可得到K个第一句子的翻译结果，进而提升了翻译结果的多样性等。

为便于表述，将待翻译的句子称为第一句子。本公开的一个实施例中，为获取第一句子对应的K个句子对，可对作为选择对象的各句子对进行分组，其中，同一分组中的各句子对中的源语言句子的长度相同，或者，同一分组中的各句子对中的源语言句子的长度位于相同的取值范围内，相应地，可按照第一句子的长度确定出与第一句子相匹配的分组，进而可从相匹配的分组中选出K个句子对。

作为选择对象的句子对可为机器翻译模型的训练数据。每个句子对中分别包括源语言句子和对应的目标语言句子。

假设共存在1万个句子对，那么可对这1万个句子对进行分组，假设分为了20组，分别为分组1～分组20，以分组1为例，其中的各句子对中的源语言句子的长度相同，或者，其中的各句子对中的源语言句子的长度位于相同的取值范围内，如长度均位于(a，b)的取值范围内，b大于a，具体取值可根据实际需要而定。也就是说，可采用两种分组方式，一种是同一分组中的各句子对中的源语言句子的长度相同，另一种是同一分组中的各句子对中的源语言句子的长度相近。具体采用哪种方式可根据实际需要而定。

可按照第一句子的长度确定出与第一句子相匹配的分组，即确定出第一句子的长度对应的分组或第一句子的长度所在的取值范围对应的分组，进而可从相匹配的分组中选出K个句子对。

通过上述方式，确保了选出的K个句子对中的句子与第一句子的长度尽可能的接近，从而便于进行后续处理，即为后续处理奠定了良好的基础等。

本公开的一个实施例中，在从相匹配的分组中选出K个句子对时，可采用以下方式：

1)按照使得每两个不同句子对中的源语言句子之间的余弦相似度的平均值最小的原则，从相匹配的分组中选出K个句子对；

2)从相匹配的分组中随机选出K个句子对。

为确保后续生成的K个翻译结果既能够准确地表达出第一句子的语义，互相之间又能够具有明显的多样性，可采用上述方式1)来选出K个句子对，从而使得选出的K个句子对中的句子在隐状态空间上尽可能地互相之间区分开。

相应地，方式1)中引入了余弦相似度正则项，来约束选出的K个句子对中的句子之间的余弦相似度，具体地，可按照使得每两个不同句子对中的源语言句子之间的余弦相似度的平均值最小的原则，从相匹配的分组中选出K个句子对。

即有：

其中，x表示第一句子的嵌入表示(embedding)，xⁱ表示选出的K个句子对中的第i个句子对中的源语言句子的embedding，句子的embedding可通过将句子中的各token的word embedding求平均得到，xⁱ-x是为了将xⁱ归一化至以x为原点的坐标空间下，x^j同样，X¹～X^K表示选出的K个句子对中的源语言句子。

方式2)的实现方式比较简单，在确定出相匹配的分组后，可直接从相匹配的分组中随机选出K个句子，从而可减少运算开销，并可提升选取效率等。

针对K个句子对，可分别生成对应的翻译结果。本公开的一个实施例中，针对任一句子对，可分别通过基于编码+解码架构的翻译算法，根据该句子对及第一句子生成一个翻译结果。其中，在编码和解码阶段，可分别在embedding层面进行数据混合。

所述翻译算法具体为何种算法不作限制，比如，可为现有的基于编码+解码架构的机器翻译算法。

本公开的一个实施例中，针对任一句子对，在编码阶段，可针对第一句子中的每个词例(token)，分别进行以下处理：将该token作为待处理token，将待处理token的词嵌入表示(word embedding)与该句子对中的源语言句子中的对应token的word embedding进行加权相加，将加权相加结果作为后续处理所需的待处理token的word embedding。

即有：

其中，e(x_t)表示第一句子中的第t个token的word embedding，即1≤t≤L，L表示句子中包括的token数量，i表示K个句子对中的第i个句子对，即1≤i≤K，表示第i个句子对中的源语言句子中的第t个token的word embedding，λ_i表示权重，表示得到的后续处理所需的第t个token的word embedding。

在实际应用中，若第一句子和第i个句子对中的源语言句子的长度不同，如包括的token数量不同，那么可通过长度补齐等操作将长度较短的句子的长度补齐至长度较长的句子的长度。

本公开的一个实施例中，针对任一句子对，在解码阶段，针对每次最新生成的token，可分别进行以下处理：将该最新生成的token的word embedding与该句子对中的目标语言句子中的对应token的word embedding进行加权相加，将加权相加结果作为后续处理所需的该最新生成的token的word embedding。

即有：

其中，e(y_t-1)表示第t-1步生成的token的word embedding，i表示K个句子对中的第i个句子对，表示表示第i个句子对中的目标语言句子中的第t-1个token的wordembedding，λ_i表示权重，表示得到的后续处理所需的第t-1个token的wordembedding。另外，e(y₀)可为句子的起始符<bos>的word embedding。

通过上述处理，在编码阶段和解码阶段，可分别实现在embedding层面的数据混合，从而可提升得到的翻译结果的多样性等。

本公开的一个实施例中，还可按照预定原则分别设置各句子对对应的加权相加时所用的权重，所述预定原则可包括：其中的源语言句子与第一句子之间的距离越近，对应的权重越大，反之，对应的权重越小。

即提出了一种基于距离的插值权重选择方法，根据K个句子对中的源语言句子与第一句子之间的距离的远近来选择合适的权重，距离越近对应的权重越大，反之，距离越远对应的权重越小。

如可有：

λ_i＝Beta(α_i,α_i)； (5)

其中，τ表示设定的参数，具体取值可根据实际需要而定，x表示第一句子的embedding，xⁱ表示选出的K个句子对中的第i个句子对中的源语言句子的embedding，句子的embedding可通过将句子中的各token的word embedding求平均得到，d(x,xⁱ)表示x和xⁱ的embedding之间的欧几里得距离，Beta表示贝塔分布，其中包括两个参数，本公开所述方案中，两个参数均为式4)中得到的α_i。

在实际应用中，对于同一句子中的不同token来说，对应的λ_i可以相同，也可以不同，只要符合上述贝塔分布即可。另外，对于不同的句子对来说，对应的权重总体上需要符合“距离越近对应的权重越大，反之，距离越远对应的权重越小”的原则。

通过上述处理，可准确设置不同句子对对应的权重，从而提升了数据混合结果的准确性等。

基于上述编码阶段和解码阶段的处理，具体如何进行编码和解码以及如何生成对应的翻译结果为现有技术。

综合上述介绍，图2为本公开所述文本翻译方法的结果示意图。如图2所示，左边的大圆圈表示源语言句子的隐状态空间，右边的大圆圈表示目标语言句子的隐状态空间，左边的大圆圈中，正方形表示待翻译的第一句子，四个菱形分别表示4(K＝4)个句子对，四个小圆形分别表示进行数据混合后的结果，通过翻译算法，可得到4个对应的翻译结果，分别如右边的大圆圈中的各长方形所示，按照现有处理方式，只会得到第一句子对应的一个翻译结果，如右边的大圆圈中的椭圆形所示，而采用本公开所述方法后，可得到4个翻译结果。

需要说明的是，对于前述的方法实施例，为了简单描述，将其表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本公开所必须的。

以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。

图3为本公开所述文本翻译装置实施例300的组成结构示意图。如图3所示，包括：获取模块301以及翻译模块302。

获取模块301，用于针对待翻译的第一句子，获取对应的K个句子对，K为大于一的正整数，每个句子对中分别包括源语言句子和对应的目标语言句子，源语言为第一句子对应的语言，目标语言为第一句子的翻译结果对应的语言。

翻译模块302，用于分别根据各句子对生成一个翻译结果，将得到的K个翻译结果作为第一句子的翻译结果。

本公开的一个实施例中，获取模块301可对作为选择对象的各句子对进行分组，同一分组中的各句子对中的源语言句子的长度相同，或者，同一分组中的各句子对中的源语言句子的长度位于相同的取值范围内，相应地，可按照第一句子的长度确定出与第一句子相匹配的分组，并可从相匹配的分组中选出K个句子对。

本公开的一个实施例中，获取模块301可按照使得每两个不同句子对中的源语言句子之间的余弦相似度的平均值最小的原则，从相匹配的分组中选出K个句子对，或者，获取模块301可从相匹配的分组中随机选出K个句子对。

另外，本公开的一个实施例中，翻译模块302可针对任一句子对，分别通过基于编码+解码架构的翻译算法，根据该句子对及第一句子生成一个翻译结果。

本公开的一个实施例中，针对任一句子对，翻译模块302可在编码阶段，针对第一句子中的每个token，分别进行以下处理：将该token作为待处理token；将待处理token的word embedding与该句子对中的源语言句子中的对应token的word embedding进行加权相加；将加权相加结果作为后续处理所需的待处理token的word embedding。

本公开的一个实施例中，针对任一句子对，翻译模块302可在解码阶段，针对每次最新生成的token，分别进行以下处理：将该最新生成的token的word embedding与该句子对中的目标语言句子中的对应token的word embedding进行加权相加；将加权相加结果作为后续处理所需的该最新生成的token的word embedding。

另外，本公开的一个实施例中，翻译模块302还可按照预定原则分别设置各句子对对应的加权相加时所用的权重，所述预定原则可包括：其中的源语言句子与第一句子之间的距离越近，对应的权重越大，反之，其中的源语言句子与第一句子之间的距离越近，对应的权重越小。

图3所示装置实施例的具体工作流程请参照前述方法实施例中的相关说明，不再赘述。

总之，采用本公开装置实施例所述方案，针对待翻译的第一句子，可获取对应的K个句子对，并可根据每个句子对，分别生成一个对应的翻译结果，从而可得到K个第一句子的翻译结果，进而提升了翻译结果的多样性等。

本公开所述方案可应用于人工智能领域，特别涉及自然语言处理和深度学习等领域。

人工智能是研究使计算机来模拟人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如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术，人工智能软件技术主要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机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

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示出了可以用来实施本公开的实施例的示例电子设备400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、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，个人数字助理、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4所示，设备400包括计算单元401，其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序，来执行各种适当的动作和处理。在RAM 403中，还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。

设备400中的多个部件连接至I/O接口405，包括：输入单元406，例如键盘、鼠标等；输出单元407，例如各种类型的显示器、扬声器等；存储单元408，例如磁盘、光盘等；以及通信单元409，例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400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401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401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401执行上文所描述的各个方法和处理，例如本公开所述的方法。例如，在一些实施例中，本公开所述的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408。在一些实施例中，计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时，可以执行本公开所述的方法的一个或多个步骤。备选地，在其他实施例中，计算单元401可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行本公开所述的方法。

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，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS)中，存在的管理难度大，业务扩展性弱的缺陷。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。云计算指的是通过网络接入弹性可扩展的共享物理或虚拟资源池，资源可以包括服务器、操作系统、网络、软件、应用和存储设备等，并可以以按需、自服务的方式对资源进行部署和管理的技术体系，通过云计算技术，可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。

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。