[发明专利]基于双向循环神经网络的口译评测方法、系统及设备

说明书

本发明公开了基于双向循环神经网络的口译评测方法、系统及设备，该方法包括：将口译的声学特征进行向量转化；输出等维度的特征向量；获取特征向量的统一概率分布；利用概率分布结果分别得出口译结果的质量向量以及语境词向量；将语境词向量转化为连续的语境特征句向量；将质量向量以及语境特征句向量输入双向循环神经网络，获得口译结果文本的文本对照程度向量和文本联系程度向量，然后获得口译结果整体特征向量；将得到的整体特征向量用于计算口译质量得分。本发明通过提取特征语境句向量，能够更好地识别口译结果的语义和语序信息，通过引入双向的循环神经网络，提高了对上下文信息的利用效率和训练效率以及对翻译结果流利程度的特征识别能力。

技术领域

本发明涉及人工智能口译评测技术领域，尤其涉及一种基于双向循环神经网络的口译评测方法、系统及设备。

背景技术

随着国际性交流的增加，使用不同语种的语言沟通也越来越频繁，口译作为一种重要的实时交流方式，在一些涉外商务交流和外交工作中显得尤为重要，因此，口译工作者的口译可靠性以及准确性对交流双方的沟通畅达性至关重要。为了提高口译工作者的口译可靠性和准确性，在口译工作者的日常训练以及口译工作中，通常需要对其口译结果进行质量评测。

在这一领域，陈志明等人提出了基于QuEst技术和神经网络的质量估计模型，其通过提取目标语句的质量向量来达到对于神经机器翻译质量的检测；秦文杰等人提出利用RNN模型的注意力机制来解决机器翻译质量检测中的转化方法有效性问题；周瀚章对于现有的语音识别模型进行了梳理，并且提出了Transformer模型的声学建模思路。

上述方法虽然能一定程度上对口译结果的质量进行评测估计，但是仍然存在相应的缺陷。具体地：

1、在使用QuEst技术时，其需要利用大规模的语料库，并且对于指标的设定缺乏统一的标准，从而导致对于翻译质量的估计容易出现偏差。而在模型训练的过程中，现阶段研究往往选择将目标词向量和源词向量分开进行训练，从而忽略了两种词向量之间的联系；

2、在使用神经译文质量估计方法时，主要是针对翻译结果与参考译文的对照程度进行衡量，但目前的研究主要使用翻译结果的特征词向量来进行对于语义的获取，忽略了其上下文之间的联系程度；

3、基于RNN模型的语音识别方法对于语义信息的获取效率和模型的训练速度皆不如Transformer模型。而基于Transformer模型中的注意力机制(Attention)的声学建模的语音识别系统表达能力仍有待提高。

发明内容

为解决上述技术问题，本发明实施例提供一种可识别口译准确性和口译流利度的基于双向循环神经网络的口译评测方法、系统及设备。

一种基于双向循环神经网络的口译评测方法，包括如下步骤：

将口译结果的声学特征进行音节的向量转化；

输出等维度的特征向量；

获取特征向量的统一概率分布；

利用概率分布的结果分别得出口译结果的质量向量以及语境词向量；

将语境词向量转化为连续的语境特征句向量；

将质量向量以及语境特征句向量输入双向循环神经网络，获得口译结果文本的文本对照程度向量和文本联系程度向量，然后通过向量连接操作获得口译结果整体特征向量；

将得到的口译结果整体特征向量用于计算口译质量得分QE_{INTERPRETATION}，其中，y^*表示为口译结果整体特征向量，w_qe为全连接神经网络层的权重矩阵。

优选地，在上述的基于双向循环神经网络的口译评测方法中，所述将口译结果的声学特征进行音节的向量转化包括步骤：