陶媛媛，陶 丹

(1.西安交通大学城市学院，西安 710000; 2.西安市曲江第一中学，西安 710000)

0 引言

随着翻译需求的增加，信息技术与语言学理论以及人工智能研究中自然语言理解模型的蓬勃发展，使得机器翻译逐渐受到了各领域专业技术人员瞩目[1-3]。Liu等[1]报道并系统地探索使用针对统计机器翻译(SMT)的深度(多层)神经网络(DNN)学习新功能的可能性。为了解决深度信念网络中特征学习的输入原始特征太简单，每个短语对的4个短语特征有限的问题，作者将一些简单但有效的短语特征作为新的DNN特征学习的输入特征进行了调整和扩展，并且这些特征已显示出SMT的显著改进，例如短语对相似性等。此外，在传统SMT和神经机器翻译(NMT)中，学习源语言的连续空间表示法已经引起了广泛的关注。目前已经提出了各种模型，主要是基于神经网络的模型来表示源句子，主要用作编码器-解码器框架中的编码器部分。在解码过程中仅对源句子的“相关”部分进行编码，Devlin等[4]提出的神经网络联合模型(NNJM)，该模型扩展了n元语法目标语言模型，通过额外增加源句的固定长度窗口，实现统计机器翻译的最新性能。实验结果表明，与比较模型算法相比，基于深度神经网络与规则学习的统计机器翻译模型具有更好的效果，更快的收敛速度和更高的可靠性。深度神经网络作为一种新的机器学习方法，可以自动学习抽象特征表示并在输入和输出信号之间建立复杂的映射关[5-6]。

本文提出了一种新的卷积架构，以动态编码源语言中的相关信息。……