内容简介:我们目前已发布了11期分析内容,具体如下:机器翻译(Machine Translation)是利用计算机将一种自然语言(源语言)转换为另一种自然语言(目标语言)的过程。随着经济全球化及互联网的飞速发展,机器翻译技术在促进政治、经济、文化交流等方面起到越来越重要的作用。下面我们将用Trend analysis分析机器翻译技术领域内的研究热点。
我们目前已发布了11期分析内容,具体如下:
机器翻译(Machine Translation)是利用计算机将一种自然语言(源语言)转换为另一种自然语言(目标语言)的过程。随着经济全球化及互联网的飞速发展,机器翻译技术在促进政治、经济、文化交流等方面起到越来越重要的作用。
下面我们将用Trend analysis分析机器翻译技术领域内的研究热点。
下图是当前该领域的热点技术趋势分析,通过Trend analysis分析挖掘可以发现当前该领域的热门研究话题有:
-
speech recognition
-
hidden markov models
-
language model
-
statistical machine translation
-
word error rate
-
pattern recognition
根据Trend analysis的分析我们可以发现,无论是从早期还是到现在,speech recognition的话题热度都较为稳定;20世纪80年代到21世纪初,pattern recognition研究热度再逐渐下降,21世纪初期热度迅速回升后又开始下降,近期则是出现了逐渐上升的趋势。
早期的模式识别研究着重在数学方法上。20世纪50年代末,F.罗森布拉特提出了一种简化的模拟人脑进行识别的数学模型——感知器,初步实现了通过给定类别的各个样本对识别系统进行训练,使系统在学习完毕后具有对其他未知类别的模式进行正确分类的能力。
1957年,周绍康提出用统计决策理论方法求解模式识别问题,促进了从50年代末开始的模式识别研究工作的迅速发展。1962年,R.纳拉西曼提出了一种基于基元关系的句法识别方法。1982年和1984年,J.荷甫菲尔德发表了两篇重要论文,深刻揭示出人工神经元,网路所具有的联想存储和计算能力,进一步推动了模式识别的研究工作,短短几年在很多应用方面就取得了显著成果,从而形成了模式识别的人工神经元网络方法的新的学科方向。
宾夕法尼亚大学的Chris Callison-Burch教授是该领域的代表学者之一,出版过100多部作品,被引用次数超过10000次。他于2013年发表的“Semi-Markov Phrase-based Monolingual Alignment”一文中引入了一种新的判别模型,用于使用半马尔可夫CRF进行基于短语的单语对齐。这种模型在两个基于短语的对齐数据集(RTE和释义)上实现了最先进的对齐精度,同时在非相同对齐和仅短语对齐方面明显优于其他强基线。
随着互联网的出现和普及,数据量激增,统计方法得到充分应用。互联网公司纷纷成立机器翻译研究组,研发了基于互联网大数据的机器翻译系统,从而使机器翻译真正走向实用,例如“百度翻译”,“谷歌翻译”等。近年来,随着深度学习的进展,机器翻译技术的到了进一步的发展,促进了翻译质量的快速提升,在口语等领域的翻译更加地道流畅。
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持 码农网
猜你喜欢:- 第一届机器学习会议与机器学习的五大趋势
- 全球技术宏观趋势:云、机器学习与其他
- 盘点2019年机器学习和人工智能行业的发展趋势
- 让所有功能自动化,六大机器学习趋势拯救IT运维
- 从 Stack Overflow 2018 调查报告看机器学习发展趋势
- 「机器学习基础与趋势」系列丛书最新成员:140页《深度强化学习入门》发布
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
LINUX与UNIX Shell编程指南
David Tansley / 徐炎、张春萌 / 机械工业出版社 / 2000-6 / 38.00元
本书共分五部分,详细介绍了shell编程技巧,各种UNIX命令及语法,还涉及了UNIX下的文字处理以及少量的系统管理问题。本书内容全面、文字简洁流畅,适合Shell编程人员学习、参考。一起来看看 《LINUX与UNIX Shell编程指南》 这本书的介绍吧!