Nothing Special   »   [go: up one dir, main page]

KR20200075615A - 기계 번역 방법 및 장치 - Google Patents

기계 번역 방법 및 장치 Download PDF

Info

Publication number
KR20200075615A
KR20200075615A KR1020180164484A KR20180164484A KR20200075615A KR 20200075615 A KR20200075615 A KR 20200075615A KR 1020180164484 A KR1020180164484 A KR 1020180164484A KR 20180164484 A KR20180164484 A KR 20180164484A KR 20200075615 A KR20200075615 A KR 20200075615A
Authority
KR
South Korea
Prior art keywords
language
source
machine translation
target language
target
Prior art date
Application number
KR1020180164484A
Other languages
English (en)
Other versions
KR102699828B1 (ko
Inventor
나휘동
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020180164484A priority Critical patent/KR102699828B1/ko
Priority to US16/445,660 priority patent/US11151335B2/en
Publication of KR20200075615A publication Critical patent/KR20200075615A/ko
Application granted granted Critical
Publication of KR102699828B1 publication Critical patent/KR102699828B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/40—Processing or translation of natural language
    • G06F40/58—Use of machine translation, e.g. for multi-lingual retrieval, for server-side translation for client devices or for real-time translation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/40—Processing or translation of natural language
    • G06F40/42—Data-driven translation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/40—Processing or translation of natural language
    • G06F40/55—Rule-based translation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Machine Translation (AREA)

Abstract

기계 번역 방법 및 장치가 개시된다. 개시된 기계 번역 방법은 소스 언어의 인코더를 이용하여 소스 언어로 표현된 소스 문장으로부터 특징 벡터를 결정하고, 타겟 언어의 어텐션 모델을 이용하여 상기 특징 벡터로부터 상기 소스 문장에 대한 문맥 정보를 결정하며, 타겟 언어의 디코더를 이용하여, 상기 문맥 정보로부터 타겟 언어로 표현된 타겟 문장을 결정한다.

Description

기계 번역 방법 및 장치{METHOD AND APPARATUS FOR MACHINE TRANSLATION}
아래 기계 번역 방법 및 장치에 관한 것이다.
사용자는 모국어가 아닌 다른 언어의 문장, 절, 구, 또는 워드를 기계 번역을 이용하여 번역할 수 있다. 기계 번역 시 인코더, 어텐션 모델, 디코더가 이용되는 데, 소스 언어 및 타겟 언어 쌍이 다양해짐에 따라 많은 개수의 모델들이 요구될 수 있다.
일실시예에 따른 기계 번역 방법은 소스 언어의 인코더를 이용하여, 상기 소스 언어로 표현된 소스 문장으로부터 특징 벡터를 결정하는 단계; 타겟 언어의 어텐션 모델(attention model)을 이용하여, 상기 특징 벡터로부터 상기 소스 문장에 대한 문맥 정보(context information)를 결정하는 단계; 및 상기 타겟 언어의 디코더를 이용하여, 상기 문맥 정보로부터 타겟 언어로 표현된 타겟 문장을 결정하는 단계를 포함한다.
일실시예에 따른 기계 번역 방법에서 상기 소스 언어의 인코더는 상기 소스 언어의 디코더와 동일한 모델일 수 있다.
일실시예에 따른 기계 번역 방법에서 상기 타겟 언어의 디코더는 상기 타겟 언어의 인코더와 동일한 모델일 수 있다.
일실시예에 따른 기계 번역 방법에서 상기 타겟 언어의 어텐션 모델은 상기 타겟 언어로 번역하고자 하는 소스 언어에 무관할 수 있다.
일실시예에 따른 기계 번역 방법에서 상기 타겟 언어의 어텐션 모델 또는 디코더는 상기 타겟 언어의 하이퍼 네트워크(hyper network)에서 결정된 파라미터를 포함할 수 있다.
일실시예에 따른 기계 번역 방법에서 상기 타겟 언어의 어텐션 모델은 상기 타겟 언어가 아닌 다른 언어의 인코더에서 출력된 데이터가 입력된 상기 하이퍼 네트워크에서 결정된 파라미터를 포함할 수 있다.
일실시예에 따른 기계 번역 방법에서 상기 타겟 언어의 디코더는 상기 타겟 언어의 어텐션 모델에서 출력된 데이터가 입력된 상기 하이퍼 네트워크에서 결정된 파라미터를 포함할 수 있다.
일실시예에 따른 기계 번역 방법에서 상기 소스 언어의 인코더는 상기 소스 언어의 하이퍼 네트워크에서 결정된 파라미터를 포함할 수 있다.
일실시예에 따른 기계 번역 방법에서 상기 소스 언어의 인코더는 상기 소스 언어로 표현된 데이터가 입력된 상기 하이퍼 네트워크에서 결정된 파라미터를 포함할 수 있다.
일실시예에 따른 기계 번역 방법에서 상기 타겟 언어로 번역하고자 하는 소스 언어의 인코더는 상기 타겟 언어의 하이퍼 네트워크에 의해 결정될 수 있다.
일실시예에 따른 기계 번역 장치는 소스 언어 및 타겟 언어에 대한 하나 이상의 모델을 저장하는 메모리; 및 소스 언어의 인코더를 이용하여 상기 소스 언어로 표현된 소스 문장으로부터 특징 벡터를 결정하고, 타겟 언어의 어텐션 모델을 이용하여 상기 특징 벡터로부터 상기 소스 문장에 대한 문맥 정보를 결정하며, 상기 타겟 언어의 디코더를 이용하여, 상기 문맥 정보로부터 타겟 언어로 표현된 타겟 문장을 결정하는 프로세서를 포함한다.
도 1은 일실시예에 따른 인코더(encoder), 어텐션 모델(attention model) 및 디코더(decoder)를 설명하기 위한 도면이다.
도 2 및 도 3은 일실시예에 따른 기계 번역을 수행하는 과정을 설명하기 위한 도면이다.
도 4 및 도 5는 일실시예에 따라 하이퍼 네트워크(hyper network)를 이용하여 기계 번역을 수행하는 과정을 설명하기 위한 도면이다.
도 6은 다른 일실시예에 따라 하이퍼 네트워크를 이용하여 기계 번역을 수행하는 과정을 설명하기 위한 도면이다.
도 7은 일실시예에 따라 서버를 이용하여 기계 번역을 수행하는 과정을 설명하기 위한 도면이다.
도 8 및 도 9는 또 다른 일실시예에 따라 하이퍼 네트워크를 이용하여 기계 번역을 수행하는 과정을 설명하기 위한 도면이다.
도 10은 일실시예에 따른 기계 번역 방법을 나타낸 도면이다.
도 11은 일실시예에 따른 기계 번역 장치를 나타낸 도면이다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 아래의 특정한 구조적 내지 기능적 설명들은 단지 실시예들을 설명하기 위한 목적으로 예시된 것으로, 실시예의 범위가 본문에 설명된 내용에 한정되는 것으로 해석되어서는 안된다. 관련 기술 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 또한, 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타내며, 공지된 기능 및 구조는 생략하도록 한다.
도 1은 일실시예에 따른 인코더(encoder), 어텐션 모델(attention model) 및 디코더(decoder)를 설명하기 위한 도면이다.
도 1을 참조하면, 일실시예에 따른 인코더 E(110), 어텐션 모델 A(120), 디코더 D(130)가 도시된다.
일실시예에 따른 기계 번역 장치는 인코더-디코더 기반의 뉴럴 네트워크(neural network)를 이용하여, 소스 언어 X로 표현된 소스 문장을 타겟 언어 Y로 표현된 타겟 문장으로 번역할 수 있다. 여기서, 뉴럴 네트워크는 복수의 레이어들을 포함할 수 있고, 레이어들 각각은 복수의 뉴런들을 포함할 수 있다. 이웃한 레이어들의 뉴런들은 시냅스들로 연결될 수 있다. 학습에 따라 시냅스들에는 가중치들이 부여될 수 있고, 파라미터들은 이러한 가중치들을 포함할 수 있다.
뉴럴 네트워크의 복수의 레이어들에는 입력 레이어, 히든 레이어 및 출력 레이어가 포함될 수 있다. 예를 들어, 입력 레이어는 학습 또는 인식을 수행하기 위한 입력을 수신하여 히든 레이어로 전달할 수 있고, 출력 레이어는 히든 레이어의 뉴런들로부터 수신한 신호에 기초하여 뉴럴 네트워크의 출력을 생성할 수 있다. 히든 레이어는 입력 레이어와 출력 레이어 사이에 위치한 중간 레이어로서, 입력 레이어를 통해 전달된 학습 데이터 또는 인식의 대상이 되는 데이터를 예측하기 쉬운 값으로 변화시킬 수 있다.
일실시예에 따르면, 인코더 E(110)는 입력된 타겟 문장으로부터 타겟 문장의 특징 벡터를 결정할 수 있다. 예를 들어, 인코더 E(110)는 타겟 문장의 각 단어를 실수 벡터로 변환할 수 있다. 또한, 어텐션 모델 A(120)은 입력된 타겟 문장의 특징 벡터로부터 타겟 문장의 문맥 정보(context information)를 결정할 수 있다. 예를 들어, 어텐션 모델 A(120)은 타겟 문장에 포함된 각 단어의 가중치 합으로 문맥 정보를 표현할 수 있다. 또한, 디코더 D(130)는 타겟 문장의 문맥 정보로부터 타겟 언어 Y로 표현된 타겟 문장을 결정할 수 있다. 예를 들어, 디코더 D(130)는 문맥 정보를 바탕으로 타겟 언어 Y 상의 적절한 번역 단어를 생성할 수 있다.
이하 도면들을 참조하여 기계 번역 장치가 소스 문장을 타겟 문장으로 번역할 때 이용되는 모델들에 대해서 상세히 설명한다.
도 2 및 도 3은 일실시예에 따른 기계 번역을 수행하는 과정을 설명하기 위한 도면이다.
도 2를 참조하면, 일실시예에 따른 기계 번역 장치가 다국어 뉴럴 머신 번역(multilingual NMT(neural machine translation))을 수행하는 예시가 도시된다. 예를 들어, 기계 번역 장치는 다국어 X, Y, Z 중에서 선택된 2개 언어들 간 기계 번역을 수행할 수 있다. 도 2에서는 설명의 편의를 위해 3개 언어들이 도시되었으나, 실시예가 이에 한정되지 않으며 다양한 개수의 언어들이 제한없이 적용될 수 있다.
도 3을 참조하면, 일실시예에 따라 기계 번역을 수행하는 과정을 설명하기 위한 예시가 도시된다.
일실시예에 따른 인코더는 디코더와 동일한 모델일 수 있다. 예를 들어, 하나의 모델이 제1 언어 X의 인코더 EX 겸 디코더 DX로 이용될 수 있다.
또한, 기계 번역 시 타겟 언어의 어텐션 모델이 이용될 수 있다. 다시 말해, 기계 번역 시 이용되는 어텐션 모델은 타겟 언어로 번역하고자 하는 소스 언어에 무관할 수 있다. 예를 들어, 타겟 언어 X로 표현된 타겟 문장을 소스 언어 Y로 표현된 소스 문장으로 기계 번역 시, 타겟 언어 Y의 어텐션 모델 AY이 이용되며, 어텐션 모델 AY은 소스 언어 X와 무관할 수 있다.
설명의 편의를 위해 소스 언어 X로 표현된 소스 문장을 타겟 언어 Y로 표현된 타겟 문장으로 기계 번역하는 상황을 가정한다. 기계 번역 장치는 소스 언어 X의 인코더 EX를 이용하여, 소스 언어 X로 표현된 소스 문장으로부터 특징 벡터를 결정할 수 있다. 그리고, 기계 번역 장치는 타겟 언어 Y의 어텐션 모델 AY을 이용하여 특징 벡터로부터 소스 문장에 대한 문맥 정보를 결정할 수 있다. 그리고, 기계 번역 장치는 타겟 언어 Y의 디코더 DY를 이용하여 문맥 정보로부터 타겟 언어 Y로 표현된 타겟 문장을 결정할 수 있다.
반대로, 소스 언어 Y의 소스 문장을 타겟 언어 X의 타겟 문장으로 기계 번역하는 상황을 가정하면, 기계 번역 장치는 소스 언어 Y의 인코더 EY, 타겟 언어 X의 어텐션 모델 AX 및 디코더 DX를 이용하여, 소스 문장을 타겟 문장으로 번역할 수 있다.
이처럼, 기계 번역 장치는 소스 언어의 인코더, 타겟 언어의 어텐션 모델 및 디코더를 이용하여 번역을 수행할 수 있으며, 이 때 이용되는 모델들은 소스 언어의 어텐션 모델 및 디코더, 소스 언어의 인코더에 무관할 수 있다.
도 4 및 도 5는 일실시예에 따라 하이퍼 네트워크(hyper network)를 이용하여 기계 번역을 수행하는 과정을 설명하기 위한 도면이다.
도 4를 참조하면, 일실시예에 따라 하이퍼 네트워크를 통해 필요한 인코더, 어텐션 모델 및 디코더를 생성하여 기계 번역을 수행하는 과정을 설명하기 위한 예시가 도시된다.
일실시예에 따르면, 기계 번역 시 요구되는 모델들은 하이퍼 네트워크를 통해 생성될 수 있다. 하이퍼 네트워크는 모델 파라미터를 결정하는 모델로서, 주어진 입력 데이터에 따라 특정 모델에서 이용되는 파라미터가 결정될 수 있다.
예를 들어, 도 5에 도시된 첫 번째 예시(510)에서, 제1 언어 X로 표현된 데이터가 제1 언어의 하이퍼 네트워크 MX에 입력되면, 하이퍼 네트워크 MX는 인코더 EX의 모델 파라미터를 결정할 수 있다. 따라서, 기계 번역 장치는 하이퍼 네트워크 MX에서 결정된 모델 파라미터로 인코더 EX를 생성해서 기계 번역에 이용할 수 있다.
또한, 도 5에 도시된 두 번째 예시(520)에서, 먼저 제1 언어 X가 아닌 다른 언어 *로 표현된 데이터가 다른 언어 *의 인코더 E*에 입력될 수 있다. 그리고, 인코더 E*에서 출력된 데이터가 제1 언어의 하이퍼 네트워크 MX에 입력되면, 하이퍼 네트워크 MX는 어텐션 모델 AX의 모델 파라미터를 결정할 수 있다. 따라서, 기계 번역 장치는 하이퍼 네트워크 MX에서 결정된 모델 파라미터로 어텐션 모델 AX를 생성해서 기계 번역에 이용할 수 있다.
또한, 도 5에 도시된 세 번째 예시(530)에서, 먼저 제1 언어 X가 아닌 다른 언어 *로 표현된 데이터가 다른 언어 *의 인코더 E*에 입력될 수 있다. 그리고, 인코더 E*의 출력 데이터가 어텐션 모델 AX에 입력될 수 있다. 그리고, 어텐션 모델 AX에서 출력된 데이터가 제1 언어 X의 하이퍼 네트워크 MX에 입력되면, 하이퍼 네트워크 MX는 디코더 DX의 모델 파라미터를 결정할 수 있다. 따라서, 기계 번역 장치는 하이퍼 네트워크 MX에서 결정된 모델 파라미터로 디코더 DX를 생성해서 기계 번역에 이용할 수 있다.
이하에서는 하이퍼 네트워크를 이용하여 기계 번역을 수행하는 과정을 상세히 설명한다. 설명의 편의를 위해 소스 언어 X로 표현된 소스 문장을 타겟 언어 Y로 표현된 타겟 문장으로 기계 번역하는 상황을 가정한다.
기계 번역 장치는 언어마다 하이퍼 네트워크를 포함할 수 있다. 예를 들어, 기계 번역 장치는 하이퍼 네트워크들 MX, MY, MZ를 포함할 수 있다. 소스 언어 X의 소스 문장을 타겟 언어 Y의 타겟 문장으로 기계 번역할 경우, 소스 언어 X의 인코더 EX, 타겟 언어 Y의 어텐션 모델 AY, 디코더 DY가 요구된다. 기계 번역 장치는 소스 언어 X의 하이퍼 네트워크 MX에서 결정된 파라미터로 인코더 EX를 생성할 수 있다. 그리고, 기계 번역 장치는 타겟 언어 Y의 하이퍼 네트워크 MY에서 결정된 파라미터로 어텐션 모델 AY, 디코더 DY를 생성할 수 있다.
다시 말해, 기계 번역 장치는 소스 언어의 하이퍼 네트워크에서 결정된 파라미터를 이용하여 소스 언어의 인코더를 생성할 수 있으며, 타겟 언어의 하이퍼 네트워크에서 결정된 파라미터를 이용하여 타겟 언어의 어텐션 모델 또는 디코더를 생성할 수 있다.
도 6은 다른 일실시예에 따라 하이퍼 네트워크를 이용하여 기계 번역을 수행하는 과정을 설명하기 위한 도면이다.
일반적으로 사용자는 하나의 모국어 X를 사용하고, 모국어를 제1 외국어 Y 또는 제2 외국어 Z로 번역하거나, 제1 외국어 Y 또는 제2 외국어 Z를 모국어 X로 번역하기를 원한다. 따라서, 기계 번역 시 소스 언어 및 타겟 언어 중 어느 하나의 언어가 모국어 X일 확률이 제1 외국어 Y 또는 제2 외국어 Z일 확률보다 월등히 높다. 다시 말해, 모국어 X의 모델을 사용할 빈도가 제1 외국어 Y 또는 제2 외국어 Z의 모델보다 높다고 할 수 있다.
따라서, 기계 번역 장치는 자주 사용되는 모국어 X의 모델(다시 말해, 인코더 EX 겸 디코더 DX 및 어텐션 모델 AX)을 메모리에 저장하여 필요 시 바로 이용할 수 있다. 반면, 기계 번역 장치는 자주 사용되지 않는 제1 외국어 Y 또는 제2 외국어 Z의 모델을 메모리에 저장하지 않고, 필요 시에만 하이퍼 네트워크로부터 생성하여 이용할 수 있다.
인코더 겸 디코더와 어텐션 모델의 메모리 용량이 하이퍼 네트워크의 메모리 용량보다 크다면, 잘 사용하지 않는 외국어의 경우 하이퍼 네트워크만을 메모리에 저장하다가 필요시에 하이퍼 네트워크로부터 인코더 겸 디코더 및 어텐션 모델 중 적어도 하나를 생성하여 기계 번역을 수행함으로써, 메모리 용량을 효율적으로 사용할 수 있다.
도 6에 도시된 예시에서, 테두리가 실선으로 표시된 모델은 기계 번역 장치의 메모리에 저장된 모델을 나타내고, 테두리가 점선으로 표시된 모델은 기계 번역 장치의 메모리에 저장되지는 않으나, 하이퍼 네트워크로부터 생성 가능한 모델을 나타낼 수 있다.
도 7은 일실시예에 따라 서버를 이용하여 기계 번역을 수행하는 과정을 설명하기 위한 도면이다.
일실시예에 따르면, 서버(720)에 하이퍼 네트워크들 MX, MY, MZ이 저장될 수 있다. 사용자 단말(710)로부터 기계 번역 요청이 수신되면, 서버(720)는 필요한 모델들을 생성하여 기계 번역을 수행하고, 그 결과를 사용자 단말(710)로 전송할 수 있다. 언어마다 하나의 하이퍼 네트워크만을 저장하고 있더라도 기계 번역이 수행 가능하므로, 서버(720)에서 번역 가능한 언어 쌍이 많을수록 서비스 운용 관점에서 상당한 비용 절감 효과가 기대될 수 있다.
도 8 및 도 9는 또 다른 일실시예에 따라 하이퍼 네트워크를 이용하여 기계 번역을 수행하는 과정을 설명하기 위한 도면이다.
도 8을 참조하면, 또 다른 일실시예에 따라 하이퍼 네트워크를 이용하여 기계 번역이 사용자 단말(810)에서 수행되는 예시가 도시된다. 도 8에서는 설명의 편의를 위해, 제1 소스 언어 Y 또는 제2 소스 언어 Z를 타겟 언어 X로 번역하는 상황을 가정한다. 사용자 단말(810)에는 타겟 언어 X의 하이퍼 네트워크 MX가 저장될 수 있다. 하이퍼 네트워크 MX는 타겟 언어 X의 인코더 EX 겸 디코더 DX과 어텐션 모델 AX뿐만 아니라, 타겟 언어 X로 번역하고자 하는 소스 언어들 Y, Z의 인코더들 EY, EZ의 파라미터도 결정할 수 있다. 다시 말해, 타겟 언어 X로 번역하고자 하는 소스 언어들 Y, Z의 인코더들 EY, EZ도 타겟 언어 X의 하이퍼 네트워크 MX에 의해 결정될 수 있다. 이로써, 사용자 단말(810)은 충분한 메모리를 기대하기 어려운 제한된 환경(예컨대, 모바일 환경 등)에서도 타겟 언어 X의 하이퍼 네트워크 MX만으로도 기계 번역을 수행할 수 있다.
도 9은 타겟 언어 X의 하이퍼 네트워크 MX를 통해, 타겟 언어 X의 인코더 EX 겸 디코더 DX와 어텐션 모델 AX뿐만 아니라, 소스 언어들 Y, Z의 인코더들 EY, EZ도 결정되어, 기계 번역에 이용되는 예시를 도시한다.
도 10은 일실시예에 따른 기계 번역 방법을 나타낸 도면이다.
도 10을 참조하면, 기계 번역 장치에 구비된 프로세서에 의해 수행되는 기계 번역 방법이 도시된다.
단계(1010)에서, 기계 번역 장치는 소스 언어의 인코더를 이용하여, 소스 언어로 표현된 소스 문장으로부터 특징 벡터를 결정한다. 소스 언어의 인코더는 소스 언어의 디코더와 동일한 모델일 수 있다.
단계(1020)에서, 기계 번역 장치는 타겟 언어의 어텐션 모델을 이용하여, 특징 벡터로부터 소스 문장에 대한 문맥 정보를 결정한다. 타겟 언어의 어텐션 모델은 타겟 언어로 번역하고자 하는 소스 언어에 무관할 수 있다.
단계(1030)에서, 기계 번역 장치는 타겟 언어의 디코더를 이용하여, 문맥 정보로부터 타겟 언어로 표현된 타겟 문장을 결정한다. 타겟 언어의 디코더는 타겟 언어의 인코더와 동일한 모델일 수 있다.
소스 언어의 인코더는 소스 언어의 하이퍼 네트워크에서 결정된 파라미터를 포함할 수 있다. 타겟 언어의 어텐션 모델 또는 디코더는 타겟 언어의 하이퍼 네트워크에서 결정된 파라미터를 포함할 수 있다. 실시예에 따라서는, 타겟 언어로 번역하고자 하는 소스 언어의 인코더가 타겟 언어의 하이퍼 네트워크에 의해 결정될 수 있다.
도 10에 도시된 각 단계들에는 도 1 내지 도 9를 통하여 전술한 사항들이 그대로 적용되므로, 보다 상세한 설명은 생략한다.
도 11은 일실시예에 따른 기계 번역 장치를 나타낸 도면이다.
도 11을 참조하면, 일실시예에 따른 기계 번역 장치(1100)는 메모리(1110) 및 프로세서(1120)를 포함한다. 메모리(1110) 및 프로세서(1120)는 버스(bus)(1130)를 통하여 서로 통신할 수 있다.
메모리(1110)는 컴퓨터에서 읽을 수 있는 명령어를 포함할 수 있다. 프로세서(1120)는 메모리(1110)에 저장된 명령어가 프로세서(1120)에서 실행됨에 따라 앞서 언급된 동작들을 수행할 수 있다. 메모리(1110)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.
프로세서(1120)는 소스 언어의 인코더를 이용하여 소스 언어로 표현된 소스 문장으로부터 특징 벡터를 결정하고, 타겟 언어의 어텐션 모델을 이용하여 특징 벡터로부터 소스 문장에 대한 문맥 정보를 결정하며, 타겟 언어의 디코더를 이용하여, 문맥 정보로부터 타겟 언어로 표현된 타겟 문장을 결정한다.
그 밖에, 기계 번역 장치(1100)에 관해서는 상술된 동작을 처리할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

Claims (18)

  1. 소스 언어의 인코더를 이용하여, 상기 소스 언어로 표현된 소스 문장으로부터 특징 벡터를 결정하는 단계;
    타겟 언어의 어텐션 모델(attention model)을 이용하여, 상기 특징 벡터로부터 상기 소스 문장에 대한 문맥 정보(context information)를 결정하는 단계; 및
    상기 타겟 언어의 디코더를 이용하여, 상기 문맥 정보로부터 타겟 언어로 표현된 타겟 문장을 결정하는 단계
    를 포함하는 기계 번역 방법.
  2. 제1항에 있어서,
    상기 소스 언어의 인코더는 상기 소스 언어의 디코더와 동일한 모델인, 기계 번역 방법.
  3. 제1항에 있어서,
    상기 타겟 언어의 디코더는 상기 타겟 언어의 인코더와 동일한 모델인, 기계 번역 방법.
  4. 제1항에 있어서,
    상기 타겟 언어의 어텐션 모델은 상기 타겟 언어로 번역하고자 하는 소스 언어에 무관한, 기계 번역 방법.
  5. 제1항에 있어서,
    상기 타겟 언어의 어텐션 모델 또는 디코더는
    상기 타겟 언어의 하이퍼 네트워크(hyper network)에서 결정된 파라미터를 포함하는, 기계 번역 방법.
  6. 제5항에 있어서,
    상기 타겟 언어의 어텐션 모델은
    상기 타겟 언어가 아닌 다른 언어의 인코더에서 출력된 데이터가 입력된 상기 하이퍼 네트워크에서 결정된 파라미터를 포함하는, 기계 번역 방법.
  7. 제5항에 있어서,
    상기 타겟 언어의 디코더는
    상기 타겟 언어의 어텐션 모델에서 출력된 데이터가 입력된 상기 하이퍼 네트워크에서 결정된 파라미터를 포함하는, 기계 번역 방법.
  8. 제1항에 있어서,
    상기 소스 언어의 인코더는
    상기 소스 언어의 하이퍼 네트워크에서 결정된 파라미터를 포함하는, 기계 번역 방법.
  9. 제8항에 있어서,
    상기 소스 언어의 인코더는
    상기 소스 언어로 표현된 데이터가 입력된 상기 하이퍼 네트워크에서 결정된 파라미터를 포함하는, 기계 번역 방법.
  10. 제1항에 있어서,
    상기 타겟 언어로 번역하고자 하는 소스 언어의 인코더는 상기 타겟 언어의 하이퍼 네트워크에 의해 결정되는, 기계 번역 방법.
  11. 제1항 내지 제10항 중에서 어느 하나의 항의 방법을 실행시키기 위한 프로그램이 기록된 컴퓨터 판독 가능한 저장 매체.
  12. 기계 번역 장치에 있어서,
    소스 언어 및 타겟 언어에 대한 하나 이상의 모델을 저장하는 메모리; 및
    소스 언어의 인코더를 이용하여 상기 소스 언어로 표현된 소스 문장으로부터 특징 벡터를 결정하고, 타겟 언어의 어텐션 모델을 이용하여 상기 특징 벡터로부터 상기 소스 문장에 대한 문맥 정보를 결정하며, 상기 타겟 언어의 디코더를 이용하여, 상기 문맥 정보로부터 타겟 언어로 표현된 타겟 문장을 결정하는 프로세서
    를 포함하는 기계 번역 장치.
  13. 제12항에 있어서,
    상기 소스 언어의 인코더는 상기 소스 언어의 디코더와 동일한 모델인, 기계 번역 장치.
  14. 제12항에 있어서,
    상기 타겟 언어의 디코더는 상기 타겟 언어의 인코더와 동일한 모델인, 기계 번역 장치.
  15. 제12항에 있어서,
    상기 타겟 언어의 어텐션 모델은 상기 타겟 언어로 번역하고자 하는 소스 언어에 무관한, 기계 번역 장치.
  16. 제12항에 있어서,
    상기 타겟 언어의 어텐션 모델 및 디코더는
    상기 타겟 언어의 하이퍼 네트워크(hyper network)에서 결정된 파라미터를 포함하는, 기계 번역 장치.
  17. 제12항에 있어서,
    상기 소스 언어의 인코더는
    상기 소스 언어의 하이퍼 네트워크에서 결정된 파라미터를 포함하는, 기계 번역 장치.
  18. 제12항에 있어서,
    상기 타겟 언어로 번역하고자 하는 소스 언어의 인코더는 상기 타겟 언어의 하이퍼 네트워크에 의해 결정되는, 기계 번역 장치.
KR1020180164484A 2018-12-18 2018-12-18 어텐션 모델과 하이퍼네트워크를 이용한 기계 번역 방법 및 장치 KR102699828B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020180164484A KR102699828B1 (ko) 2018-12-18 2018-12-18 어텐션 모델과 하이퍼네트워크를 이용한 기계 번역 방법 및 장치
US16/445,660 US11151335B2 (en) 2018-12-18 2019-06-19 Machine translation using attention model and hypernetwork

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180164484A KR102699828B1 (ko) 2018-12-18 2018-12-18 어텐션 모델과 하이퍼네트워크를 이용한 기계 번역 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20200075615A true KR20200075615A (ko) 2020-06-26
KR102699828B1 KR102699828B1 (ko) 2024-08-29

Family

ID=71071640

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180164484A KR102699828B1 (ko) 2018-12-18 2018-12-18 어텐션 모델과 하이퍼네트워크를 이용한 기계 번역 방법 및 장치

Country Status (2)

Country Link
US (1) US11151335B2 (ko)
KR (1) KR102699828B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022092445A1 (ko) * 2020-10-27 2022-05-05 삼성전자주식회사 전자 장치 및 그 제어 방법
CN114580442A (zh) * 2022-02-28 2022-06-03 北京百度网讯科技有限公司 一种模型训练方法、装置、电子设备及存储介质
WO2023169024A1 (zh) * 2022-03-11 2023-09-14 华为云计算技术有限公司 一种翻译系统及其训练、应用方法以及相关设备

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111738021B (zh) * 2019-03-25 2023-10-31 株式会社理光 神经机器翻译模型的词向量处理方法、装置及存储介质
WO2021037559A1 (en) * 2019-08-23 2021-03-04 Sony Corporation Electronic device, method and computer program
CN111967277B (zh) * 2020-08-14 2022-07-19 厦门大学 基于多模态机器翻译模型的翻译方法
US20220147818A1 (en) * 2020-11-11 2022-05-12 Microsoft Technology Licensing, Llc Auxiliary model for predicting new model parameters
CN112686059B (zh) * 2020-12-29 2024-04-16 中国科学技术大学 文本翻译方法、装置、电子设备和存储介质
CN112733556B (zh) * 2021-01-28 2024-04-05 何灏 同步交互式翻译方法及装置、存储介质、计算机设备
CN112749570B (zh) * 2021-01-31 2024-03-08 云知声智能科技股份有限公司 一种基于多语种机器翻译的数据增强方法及系统
CN114298061B (zh) * 2022-03-07 2022-12-06 阿里巴巴（中国）有限公司 机器翻译及模型训练质量评估方法、电子设备及存储介质

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8600731B2 (en) * 2009-02-04 2013-12-03 Microsoft Corporation Universal translator
US9201871B2 (en) * 2010-06-11 2015-12-01 Microsoft Technology Licensing, Llc Joint optimization for machine translation system combination
US10043512B2 (en) * 2015-11-12 2018-08-07 Google Llc Generating target sequences from input sequences using partial conditioning
US11238348B2 (en) * 2016-05-06 2022-02-01 Ebay Inc. Using meta-information in neural machine translation
WO2017210634A1 (en) * 2016-06-03 2017-12-07 Maluuba Inc. Iterative alternating neural attention for machine reading
KR102565275B1 (ko) 2016-08-10 2023-08-09 삼성전자주식회사 병렬 처리에 기초한 번역 방법 및 장치
KR102577584B1 (ko) 2016-08-16 2023-09-12 삼성전자주식회사 기계 번역 방법 및 장치
KR102589637B1 (ko) 2016-08-16 2023-10-16 삼성전자주식회사 기계 번역 방법 및 장치
US10713593B2 (en) 2016-11-04 2020-07-14 Google Llc Implicit bridging of machine learning tasks
CN107066453A (zh) 2017-01-17 2017-08-18 881飞号通讯有限公司 一种网络语音通信中实现多语言互译的方法
EP4156034A1 (en) * 2017-05-23 2023-03-29 Google LLC Attention-based sequence transduction neural networks

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
David Ha, Andrew Dai, Quoc V. Le, HyperNetworks, arXiv:1609.09106, 2016* *
Platanios, Emmanouil Antonios, et al., Contextual parameter generation for universal neural machine translation., arXiv preprint arXiv:1808.08493, Aug. 2018* *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022092445A1 (ko) * 2020-10-27 2022-05-05 삼성전자주식회사 전자 장치 및 그 제어 방법
CN114580442A (zh) * 2022-02-28 2022-06-03 北京百度网讯科技有限公司 一种模型训练方法、装置、电子设备及存储介质
WO2023169024A1 (zh) * 2022-03-11 2023-09-14 华为云计算技术有限公司 一种翻译系统及其训练、应用方法以及相关设备

Also Published As

Publication number Publication date
US11151335B2 (en) 2021-10-19
KR102699828B1 (ko) 2024-08-29
US20200192985A1 (en) 2020-06-18

Similar Documents

Publication Publication Date Title
KR102699828B1 (ko) 어텐션 모델과 하이퍼네트워크를 이용한 기계 번역 방법 및 장치
KR102589638B1 (ko) 문장 생성 장치 및 방법
KR102565275B1 (ko) 병렬 처리에 기초한 번역 방법 및 장치
KR102608469B1 (ko) 자연어 생성 방법 및 장치
US11403345B2 (en) Method and system for processing unclear intent query in conversation system
KR102424514B1 (ko) 언어 처리 방법 및 장치
US10909327B2 (en) Unsupervised learning of interpretable conversation models from conversation logs
KR102342066B1 (ko) 뉴럴 네트워크 모델을 이용한 기계 번역 방법, 장치 및 그 장치를 학습시키기 위한 방법
KR102589637B1 (ko) 기계 번역 방법 및 장치
US11755657B2 (en) Training a question-answer dialog system to avoid adversarial attacks
KR102117082B1 (ko) 음성 인식 방법 및 음성 인식 장치
JP2019511033A (ja) ニューラルネットワークを用いたテキストセグメントの係り受け解析の生成
US11669680B2 (en) Automated graph based information extraction
US12062365B2 (en) Apparatus and method for training dialogue summary model
KR20200056001A (ko) 인공신경망에서의 디코딩 방법 및 그 장치
US20230029759A1 (en) Method of classifying utterance emotion in dialogue using word-level emotion embedding based on semi-supervised learning and long short-term memory model
CN116324929A (zh) 回答跨度校正
KR20190136578A (ko) 음성 인식 방법 및 장치
JP2020537228A (ja) 意図認識のための抽象化および移植性
KR20210044559A (ko) 출력 토큰 결정 방법 및 장치
US10360401B2 (en) Privacy protection in network input methods
KR20210044003A (ko) 단어 임베딩 방법 및 장치와 단어 검색 방법
KR102183284B1 (ko) 교차언어 환경에서의 대화 상태 추적 방법 및 시스템
KR102520240B1 (ko) 비음수 행렬 인수분해를 이용하는 데이터 증강 방법 및 장치
KR20210042707A (ko) 음성 처리 방법 및 장치

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right