陈敏

（咸阳师范学院，陕西咸阳 712000）

机器翻译作为自然语言处理和人工智能研究领域的研究方向，主要是利用计算机来实现不同语言间的相互转化[1-3]。目前，较多互联网企业提供了多语言在线翻译服务，如谷歌翻译、微软Bing 翻译、百度翻译等，但机器翻译质量与专业译文间依然存在较大差异，尤其是在翻译一些长语句方面，对源语言和目标语言间的语序差异，难以进行准确描述[4-7]。为解决长距离调序问题，相关学者进行了多方面研究[8-10]。如基于最大熵的调序模型，通过句子中不同词汇间的相互关系完成语句的精确翻译[11]；一些学者将源语言句法信息植入到翻译模型，有效提升了长距离调序的描述准确度，但容易造成翻译解码时间延长的问题[12]；一些学者提出一种预调序方式，直接将源语言段转化为目标语言语序，有效解决了长语句翻译中的调序问题[13]。

在相关研究基础上，文中基于语言翻译中长距离调序问题，提出了一种基于神经网络的语言翻译预调取模型，通过建立线性排序框架来建立神经网络模型，实现在多样本语句和语义的有效信息抽取，预测语言翻译中存在的语序差异，提高翻译准确度。

1 英语语义参数处理

1.1 语义词汇的向量化表示

在传统自然语言处理系统中，通常将词汇当作高维稀疏特征。该文在相关研究基础上，为提升高维词汇推广能力，通过建立神经网络模型实现高维词汇的低维稠密转化，利用映射关系将相似词汇量转为低维相似点，建立负抽样快速学习算法，如图1所示。……