《翻译：人脑与计算机》第8章英译汉翻译报告
发布时间：2021-01-26 08:07
本翻译实践内容选自《翻译:人脑和计算机》（Translation,Brains and the Computer）一书的第八章。该书于2018年由斯普林格（Springer）出版社出版。全书分为两个部分,第一部分共八个章节,以逻格斯模型（Logos Model）为切入点,详细探讨了机器翻译所面临的困境;第二部分仅一个章节,系统地阐释了本书所提及的语义-句法抽象化语言（SAL,Semantico-syntactic Abstraction Language）。所翻译的第八章题为“Deep Learning MT and Logos Model”,围绕着深度学习翻译模型与逻格斯模型展开,指出了机器学习的“学习”不应该仅仅是单纯地统计和模仿,更需要像人脑一样通过概括性来达到持续学习目的。翻译实践项目以功能对等理论为指导,针对文本中的不同问题采取不同的翻译策略,做到尽可能实现译文与原文的功能对等。对翻译过程的重点案例进行分析时,主要从功能对等的三个层面展开。在词汇层面,主要概述了翻译过程中译者运用增词、减词、转换词性、意译这四种翻译技巧,对中英文用词的差异进行了处理。在句法层面,由于英文一些成...
【文章来源】：重庆邮电大学重庆市
【文章页数】：112 页
【学位级别】：硕士
【部分图文】：
图8.1层级化的卷积神经网络的图
重庆邮电大学硕士学位论文AppendixBSourceTextandTargetText51inimplementation,theworkofthetwomodelsisessentiallythesame:connectinganinputsequencetostoredexperience;useofinputsequencehistoryineffectingconnectivity;transformingfeatures;concatenatingsiblingunitsandprojectingtomoreabstractparentunitsinthenextlayer.将输入序列连接到历史存储单元；使用输入序列历史记录来实现连接；转换特征;串联同级单元，并投射到下一层中更抽象的父单元。Fig.8.2Processingofmulti-unitinputinaconvolutionalneuralnet.Graphicshowsweights,aggregation,activationandoutputtothenextlayer.FunctionsparallelthoseofLM.NotethatweightsinLMareafunctionofsemantico-syntacticspecificity.(BasedonimagebyChristophBugmerappearingonDeepLearning4jDevelopmentTeam(2016),web)图8.2卷积神经网络中多单元输入的处理。图中显示了对下一层的权重、聚合、激活和输出的操作。这些函数与逻格斯模型中的函数并行。注意，逻格斯模型中有权重的是语义-句法特质性的函数。（此图出自深度学习研发团队成员克里斯托夫·布格默（2016），来源于网络）k.ThemostadvancedDLTMarerecursiveandconvolutional(Mengetal.2015).k.最高级的深度学习翻译模型是递归和卷积相结合的网络(Mengetal.
重庆邮电大学硕士学位论文AppendixBSourceTextandTargetText54Fig.8.3DetailillustratingmiddlelayerconnectivityinLMnet.V4andV5areI/Olayers.TheSALnoun-prep-nounpatternshownhasconsiderablymorefeaturesthangraphicallows.Thesynapse-likeconnectivityeffectedbysemantico-syntacticcodesmimicsthefunctionofneurotransmitters.Notethat,becauseoftheAspectiveSALcodeforthenounpiece,thenouncakebecomesheadofresultantNP图8.3详细说明在逻格斯模型网络的中间层连接。V4和V5处于I/O层。SAL的名-介-名模式比图片所能体现的特征更多。由语义-句法编码实现的类突触连接模仿了神经介质的功能。请注意，由于对名词piece采用了体性SAL编码形式，所以名词cake就成为输出的NP结构的中心语。–InLM,incremental,so-called“sweeps”ofinputsegmentsagainsthiddenlayersarealsooverlapped(convoluted).ConvolutionisachievedinLMbyback-spacingbyoneunitofthecurrentsearchsegmentbeforecommencingthenextsweep.Segmentoverlappingcanbegreaterthanbyoneunitwhencalledfor.在逻格斯模型中，针对隐藏层的输入段的增量，即所谓的“扫描”也是重叠的（卷积的）。下一次扫描开始之前，在当前搜索段利用一个回间距来实现卷积。必要时，数据段重叠可以大于一个单元。
【参考文献】：
期刊论文
[1]从功能对等视角看英汉语篇差异及翻译策略[J]. 李久红. 海外英语. 2019(23)
[2]基于深度神经网络学习的机器翻译[J]. 韦韬. 工业技术创新. 2018(03)
[3]深度学习时代下的机器翻译[J]. 肖桐,李垠桥,陈麒,朱靖波. 人工智能. 2018(01)
[4]论科技文本英译汉的翻译策略[J]. 徐东. 语文学刊(外语教育教学). 2015(12)
[5]重复译法的衔接功能探究[J]. 徐莉娜. 山东外语教学. 2012(06)
[6]英汉科技翻译特点及其翻译策略[J]. 李伟. 黑龙江科技信息. 2012(11)
[7]科技英语翻译中长句处理的有效策略[J]. 左立. 襄樊职业技术学院学报. 2011(04)
[8]对翻译中“词性转换”的新认识[J]. 叶子南. 中国翻译. 2007(06)
[9]科技英语增译原则[J]. 李银芳. 中国科技翻译. 2007(02)
[10]谈科技英语中被动语态的翻译技巧[J]. 陈美莲. 辽宁行政学院学报. 2006(06)
硕士论文
[1]基于神经网络的机器翻译模型[D]. 陈蒙洁.浙江大学 2018
本文编号：3000768
【文章来源】：重庆邮电大学重庆市
【文章页数】：112 页
【学位级别】：硕士
【部分图文】：
图8.1层级化的卷积神经网络的图
重庆邮电大学硕士学位论文AppendixBSourceTextandTargetText51inimplementation,theworkofthetwomodelsisessentiallythesame:connectinganinputsequencetostoredexperience;useofinputsequencehistoryineffectingconnectivity;transformingfeatures;concatenatingsiblingunitsandprojectingtomoreabstractparentunitsinthenextlayer.将输入序列连接到历史存储单元；使用输入序列历史记录来实现连接；转换特征;串联同级单元，并投射到下一层中更抽象的父单元。Fig.8.2Processingofmulti-unitinputinaconvolutionalneuralnet.Graphicshowsweights,aggregation,activationandoutputtothenextlayer.FunctionsparallelthoseofLM.NotethatweightsinLMareafunctionofsemantico-syntacticspecificity.(BasedonimagebyChristophBugmerappearingonDeepLearning4jDevelopmentTeam(2016),web)图8.2卷积神经网络中多单元输入的处理。图中显示了对下一层的权重、聚合、激活和输出的操作。这些函数与逻格斯模型中的函数并行。注意，逻格斯模型中有权重的是语义-句法特质性的函数。（此图出自深度学习研发团队成员克里斯托夫·布格默（2016），来源于网络）k.ThemostadvancedDLTMarerecursiveandconvolutional(Mengetal.2015).k.最高级的深度学习翻译模型是递归和卷积相结合的网络(Mengetal.
重庆邮电大学硕士学位论文AppendixBSourceTextandTargetText54Fig.8.3DetailillustratingmiddlelayerconnectivityinLMnet.V4andV5areI/Olayers.TheSALnoun-prep-nounpatternshownhasconsiderablymorefeaturesthangraphicallows.Thesynapse-likeconnectivityeffectedbysemantico-syntacticcodesmimicsthefunctionofneurotransmitters.Notethat,becauseoftheAspectiveSALcodeforthenounpiece,thenouncakebecomesheadofresultantNP图8.3详细说明在逻格斯模型网络的中间层连接。V4和V5处于I/O层。SAL的名-介-名模式比图片所能体现的特征更多。由语义-句法编码实现的类突触连接模仿了神经介质的功能。请注意，由于对名词piece采用了体性SAL编码形式，所以名词cake就成为输出的NP结构的中心语。–InLM,incremental,so-called“sweeps”ofinputsegmentsagainsthiddenlayersarealsooverlapped(convoluted).ConvolutionisachievedinLMbyback-spacingbyoneunitofthecurrentsearchsegmentbeforecommencingthenextsweep.Segmentoverlappingcanbegreaterthanbyoneunitwhencalledfor.在逻格斯模型中，针对隐藏层的输入段的增量，即所谓的“扫描”也是重叠的（卷积的）。下一次扫描开始之前，在当前搜索段利用一个回间距来实现卷积。必要时，数据段重叠可以大于一个单元。
【参考文献】：
期刊论文
[1]从功能对等视角看英汉语篇差异及翻译策略[J]. 李久红. 海外英语. 2019(23)
[2]基于深度神经网络学习的机器翻译[J]. 韦韬. 工业技术创新. 2018(03)
[3]深度学习时代下的机器翻译[J]. 肖桐,李垠桥,陈麒,朱靖波. 人工智能. 2018(01)
[4]论科技文本英译汉的翻译策略[J]. 徐东. 语文学刊(外语教育教学). 2015(12)
[5]重复译法的衔接功能探究[J]. 徐莉娜. 山东外语教学. 2012(06)
[6]英汉科技翻译特点及其翻译策略[J]. 李伟. 黑龙江科技信息. 2012(11)
[7]科技英语翻译中长句处理的有效策略[J]. 左立. 襄樊职业技术学院学报. 2011(04)
[8]对翻译中“词性转换”的新认识[J]. 叶子南. 中国翻译. 2007(06)
[9]科技英语增译原则[J]. 李银芳. 中国科技翻译. 2007(02)
[10]谈科技英语中被动语态的翻译技巧[J]. 陈美莲. 辽宁行政学院学报. 2006(06)
硕士论文
[1]基于神经网络的机器翻译模型[D]. 陈蒙洁.浙江大学 2018
本文编号：3000768
本文链接：https://www.wllwen.com/waiyulunwen/yingyulunwen/3000768.html
