万能英语翻译器 万能翻译器

网上有很多关于万能英语翻译器的问题，也有很多人解答有关万能翻译器的知识，今天每日小编为大家整理了关于这方面的知识，让我们一起来看下吧!

内容导航：

一、万能英语翻译器

二、万能翻译机的发明

:

一、万能英语翻译器

2007 年2 月6 日。

木蚁社区专用的英汉万能翻译器，绿色软件下载，免费杀毒软件，

你平时的英语学习过程来自于中文和网络浏览英语万能英语翻译器：

二、万能翻译机的发明

二、6 大发展时期1.机器翻译的引入（1933-1949） 机器翻译的研究历史可以追溯到20世纪30年代。 1933年，法国科学家G.B.阿朱尼提出了利用机器进行翻译的想法。 1946年，世界上第一台现代电子计算机ENIAC诞生。此后不久，信息论先驱美国科学家沃伦韦弗于1947年提出了利用计算机进行自动语言翻译的想法。1949年，沃伦韦弗发表了《翻译备忘录》[1]，正式提出了这一想法的机器翻译。 2、开拓期（1949-1964） 1954年，美国乔治城大学与IBM合作，用IBM-701计算机完成了第一个英俄机器翻译实验。 IBM 701 计算机有史以来第一次自动将60 个俄语句子翻译成英语。但没有人提到这些翻译样本是经过精心挑选和测试的，以排除歧义。在此期间，美国和苏联出于军事需要，在机器翻译方面投入了大量资金。专注于英俄语言对翻译。翻译的主要目标是科技文献，例如科学期刊上的文章。粗略翻译足以理解文章的基本内容。由于经济需要，欧洲国家也相当重视。这一时期机器翻译蓬勃发展。 3、挫折时期（1964-1975） 然而，当一切都在有条不紊地推进时，尚处于起步阶段的“机器翻译”研究却遭遇了打击。 1964年，美国国家科学院成立了自动语言处理咨询委员会。经过2年的研究，该委员会于1966年11月发表了一份名为《语言与机器》（简称ALPAC报告）的报告[2]。该报告全面否定了机器翻译的可行性，宣称“在不久或可预见的将来开发出实用的机器翻译系统是没有希望的”。提议停止对机器翻译项目的资助。受这份报告影响，各类机器翻译项目大幅下降，机器翻译研究经历了前所未有的萧条。 4、复苏期（1975-1989） 20世纪70年代中后期，随着计算机技术和语言学的发展以及社会信息服务的需求，机器翻译开始复苏并蓬勃发展。业界已开发出多种翻译系统，如Weinder、URPOTRAA、TAUM-METEO等。其中TAUM-METEO系统是加拿大蒙特利尔大学与加拿大联邦政府翻译局于1976年联合开发的，是机器翻译史上的里程碑，标志着机器翻译从复苏走向繁荣。 5、发展期（1993-2006）这个时期主要是统计机器翻译。 1993年，IBM的Brown和Della Pietra提出了基于词对齐的翻译模型。它标志着现代统计机器翻译方法的诞生。 2003年，Franz Och提出了对数线性模型及其权重训练方法。本文提出了一种基于短语的翻译模型和最小错误率训练方法。对应的两篇文章是基于统计短语的翻译[3]和统计机器翻译中的最小错误率训练。 [4]标志着统计机器翻译的真正崛起。 6、繁荣期（2006年至今） 2006年，谷歌翻译作为免费服务正式发布，掀起了统计机器翻译研究的热潮。这项研究是Franz Och 于2004 年加入Google 领导Google Translate 所做的。正是由于一代又一代科学家的不懈努力，科幻小说才逐渐成为现实。 2013 年Recurrent Continuous Translation Models[5]，Nal Kalchbrenner 和Phil Blunsom 提出了一种新的机器翻译端到端编码器-解码器架构。

该模型使用卷积神经网络（CNN）将给定的源文本编码为连续向量，然后使用循环神经网络（RNN）作为解码器将状态向量转换为目标语言。他们的研究可视为神经机器翻译（NMT）的开端，2014 Sequence to Sequence Learning with Neural Network[6]。它是由Bengio 提出的，基于编码器-解码器架构，其中编码器和解码器都是RNN 结构，使用的是LSTM。这种架构也被推出到谷歌的翻译中，翻译质量可以超越人类。 2015 年联合学习对齐和翻译的神经机器翻译[7]。将注意力权重添加到之前的编码器-解码器框架中。 2017 年，注意力就是你所需要的[8]。 Transformer抛弃了传统的CNN和RNN，整个网络结构完全由Attention机制组成。 Transformer的主要创新点是多头和自注意力。基于此，Transformer可以并行运行，从而大大加快了训练过程。 2018 BERT: 用于语言理解的深度双向变换器的预训练[9]。BERT本质上是在大规模语料库上运行自监督方法来学习良好的特征表示。然后对于下游任务，可以将BERT训练好的词向量作为输入，进行一些fine-tune来完成任务。主要通过Mask Language Model（MLM）和Next Sentence Prediction（NSP）两个任务，得到词特征表示和句子特征表示。三、参考参考论文：[1]http://www.mt-archive.info/Weaver-1949.pdf[2]Thierry Poibeau，“1966 ALPAC 报告及其后果”，机器翻译，MITP，2017 年，第75 页-89.[1]Koehn P，Och FJ，Marcu D。基于统计短语的翻译[C]//计算语言学协会人类语言技术北美分会会议。计算语言学协会，2003 年。[4]Och，Franz Josef。 “统计机器翻译的最小错误率训练。” ACL，2003。 [5]Kalchbrenner, N.Blunsom, P.（2013 年10 月）。循环连续翻译模型。 InEMNLP（第3 卷，第39 期，第413 页）。[6]Sutskever, I. Vinyals, O. Le, Q. V. (2014)。使用神经网络进行序列到序列学习。神经信息处理系统的进展（第3104-3112 页）。[7]Bahdanau, D.Cho, K.Bengio, Y. (2014)。通过联合学习对齐和翻译进行神经机器翻译。arXiv 预印本arXiv:1409.0473。[8]Vaswani A 、Shazeer N 、Parmar N 等人。注意力就是你所需要的[J]. arXiv，2017。[9]Devlin J，Chang MW，Lee K，等。 BERT: 用于语言理解的深度双向变压器预训练[J]. 2018.参考答案：干货|关于机器翻译，看这篇文章《讯飞开放平台：机器翻译三大核心技术原理》就够了| AI知识科普神经机器翻译：历史与展望人工智能机器翻译的发展经历了哪些历程？重要阶段？

以上就是关于万能英语翻译器的知识，后面我们会继续为大家整理关于万能翻译器的知识，希望能够帮助到大家！