摘要:该文将深度学习技术应用于汉藏机器翻译任务中,采用了编码器-解码器结构.在编码阶段,首先将汉语句子中的每个词映射为定长的词向量,并通过循环神经网络压缩整个句子的全部信息.在解码过程中引入注意机制,使得解码器更集中的去注意当前翻译词的上下文依赖词,并每次选择概率最大的翻译词生成目标句子.该文使用上述方法在以法律文本、政府公文、新闻为主的书面语语料和口语类语料上进行实验.实验数据表明,在书面语语料上,NIST 和BLEU 值分别达到了6.39 和0.296,在口语语料上,NIST和BLEU 值分别达到了5.41 和0.222.在相同的语料上,以短语为基本单元的Moses 翻译模型的性能,书面语语料NIST 和BLEU 值为6.98 和0.335,口语语料NIST 和BLEU 值为6.24 和0.272.