融合圖文預訓練的漢越多模態神經機器翻譯
電子技術應用
韋浩翔1，2，高盛祥1，2，余正濤1，2，王曉聰1，2
1.昆明理工大學 信息工程與自動化學院；2.云南省人工智能重點實驗室
摘要： 由于漢語和越南語之間存在顯著的語法差異及語料稀缺，漢越神經機器翻譯任務面臨名詞翻譯不準確的挑戰。提出了一種新穎的多模態神經機器翻譯方法，該方法融合了文本預訓練模型和視覺語言聯合預訓練模型。通過文本預訓練模型，能夠捕獲深層的語言結構和語義；而視覺語言聯合訓練模型則提供了與文本相關聯的視覺上下文，這有助于模型更準確地理解和翻譯名詞。兩種模型通過一個簡潔高效的映射網絡結合，并通過Gumbel門控模塊動態地整合多模態信息，以優化翻譯輸出。在漢越及越漢翻譯任務中，該方法相比傳統Transformer模型分別提升了7.13和4.27的BLEU值。
中圖分類號：TP391 文獻標志碼：A DOI: 10.16157/j.issn.0258-7998.245391
中文引用格式： 韋浩翔，高盛祥，余正濤，等. 融合圖文預訓練的漢越多模態神經機器翻譯[J]. 電子技術應用，2024，50(12)：48-54.
英文引用格式： Wei Haoxiang，Gao Shengxiang，Yu Zhengtao，et al. Chinese-Vietnamese multimodal neural machine translation with integrated image-text pre-training[J]. Application of Electronic Technique，2024，50(12)：48-54.
中文引用格式： 韋浩翔，高盛祥，余正濤，等. 融合圖文預訓練的漢越多模態神經機器翻譯[J]. 電子技術應用，2024，50(12)：48-54.
英文引用格式： Wei Haoxiang，Gao Shengxiang，Yu Zhengtao，et al. Chinese-Vietnamese multimodal neural machine translation with integrated image-text pre-training[J]. Application of Electronic Technique，2024，50(12)：48-54.
Chinese-Vietnamese multimodal neural machine translation with integrated image-text pre-training
Wei Haoxiang1，2，Gao Shengxiang1，2，Yu Zhengtao1，2，Wang Xiaocong1，2
1.Faculty of Information Engineering and Automation， Kunming University of Science and Technology；2.Yunnan Key Laboratory of Artificial Intelligence
Abstract： Due to significant grammatical differences and a scarcity of linguistic resources between Chinese and Vietnamese, the task of Chinese-Vietnamese neural machine translation faces challenges in the accurate translation of nouns. This paper proposes a novel multimodal neural machine translation method that integrates a text-based pre-trained model with a visual-linguistic joint pre-training model. The text-based model captures deep linguistic structures and semantics, while the visual-linguistic joint training model provides visual context related to the text, which helps the model understand and translate nouns more accurately. The two models are combined through a streamlined and efficient mapping network and dynamically integrate multimodal information via a Gumbel gating module to optimize translation outputs. In both Chinese-Vietnamese and Vietnamese-Chinese translation tasks, this method has achieved improvements of 7.13 and 4.27 BLEU points, respectively, compared to the traditional Transformer model.
Key words : Chinese-Vietnamese neural machine translation；vision-language joint pre-training；multimodal；attention
引言
機器翻譯是利用計算機程序將一種自然語言的文本自動轉換成另一種自然語言。隨著中國的“一帶一路”倡議的不斷推進，中越兩國在經濟和文化領域的交流與合作日益增強，高效且準確的翻譯服務變得尤為關鍵。尤其是神經機器翻譯技術的應用，極大提升了翻譯的速度和質量，有效地促進了兩國之間的信息交流與理解，為雙邊關系的深化提供了堅實的語言支持。
由于漢語-越南語語言對屬于低資源語言對，語料資源稀缺，且漢語和越南語語法差異巨大，名詞翻譯錯誤一直是漢越神經機器翻譯的一個難點，這個問題的存在導致了漢越神經機器翻譯模型的翻譯不準確。
為了解決漢越神經機器翻譯中名詞翻譯不準確和在少量語料下翻譯模型性能不佳的問題，本文提出融合圖文預訓練的漢越多模態神經機器翻譯方法。通過Gumbel門控機制，將視覺-文本聯合預訓練模型M-CLIP和多語言翻譯預訓練模型mBART進行有效結合。借助視覺信息，解決名詞翻譯錯誤問題；引入mBART預訓練模型，提升稀缺語料下的翻譯性能；通過Gumbel門控機制，融合多模態信息，排除無關視覺信息對翻譯模型的干擾。
本文詳細內容請下載：
http://m.viuna.cn/resource/share/2000006247
作者信息：
韋浩翔1，2，高盛祥1，2，余正濤1，2，王曉聰1，2
（1.昆明理工大學 信息工程與自動化學院，云南 昆明 650500；
2.云南省人工智能重點實驗室，云南 昆明 650500）
此內容為AET網站原創，未經授權禁止轉載。