ТЕХНОЛОГИЯ СТИЛИСТИЧЕСКОЙ АДАПТАЦИИ НЕЙРОННОГО МАШИННОГО ПЕРЕВОДА

Елисеева Н.В. Петров В. Е

Об авторах

Елисеева Н.В. Петров В. Е

Елисеева Наталья Владимировна – доцент, ФГБОУ ВО "МГТУ "СТАНКИН", 127055, Москва, Вадковский пер. д. 1. Область научных интересов: нейронные сети, экспертные системы, онтологии. ORCID 0009-0004-1240-4552

Петров Валерий Евгеньевич – доцент, ФГБОУ ВО "МГТУ "СТАНКИН", 127055, Москва, Вадковский пер. д. 1. Область научных интересов: математическое моделирование систем искусственного интеллекта, нейронные сети, экспертные системы. ORCID 0009-0006-9112-8182

Скачать PDF

УДК: 004.85
DOI: 10.24412/2413-7383-2026-1-40-150-158
Язык: Русский

Аннотация: Нейронный машинный перевод является ключевой технологией для автоматизации перевода текста. Крупные корпорации активно внедряют технологии нейронного машинного перевода в корпоративные процессы, используя их для глобальной коммуникации и локализации контента. В процессе внедрения и эксплуатации таких технологий у пользователей возникают новые требования к качеству машинного перевода, выходящие за рамки точной передачи содержания. Статья посвящена исследованию методов и технологий повышения качества нейронного машинного перевода. Предложенная в статье технология и результаты апробации показывают, что ее применение позволяет более точно передавать смысл и словарный запас оригинальных фраз.

Ключевые слова: нейронный машинный перевод, тональность текста, механизм внимания, сингулярная декомпозиция, оптимизация.

Список литературы

1. Wang Y. Sun Z. Cheng S. Zheng W. Wang M. Controlling styles in neural machine translation with activation prompt // Findings of the Association for Computational Linguistics. 2023. P. 163–172.
2. Tan Z. Wang S. Yang Z. Chen G. Huang X. Sun M. Liu Y. Neural machine translation: a review of methods, resources, and tools. 2019. 112 p.
3. Servan C. Crego J. Senellart J. Domain specialization: a post-training domain adaptation for neural machine translation [Электронный ресурс]. arXiv:1612.06141, 2016. Режим доступа: https://arxiv.org/abs/1612.06141 (дата обращения: 11.10.2024).
4. Moslem Y. Way A. Haque R. Kelleher J. D. Domain-specific text generation for machine translation // AMTA-2022 – MT Research Track. 2022. P. 14–30.
5. Mukherjee S. Dusek O. Text style transfer: an introductory overview [Электронный ресурс]. arXiv:2407.14822, 2024. Режим доступа: https://arxiv.org/abs/2407.14822 (дата обращения: 22.01.2025)
6. Перевод и искусственный интеллект: проблемы и пути развития / С.А. Лосева. 2022.
7. Тагушева Н.Ю. (2015). Машинный перевод [Tagusheva N.Y. A Machine translation] // Материалы научно-практической конференции «Ломоносов 2015». Москва: МГУ.
8. Wang, X. Tu, Z. & Zhang, M. (2018). Incorporating statistical machine translation word knowledge into neural machine translation. IEEE/ACM Transactions on Audio, Speech, and Language Processing, 26 (12), 2255–2266.
9. Kingma, D. P. and Ba, J. "Adam: A method for stochastic optimization." arXiv preprint arXiv:1412.6980 (2014). E Елисеева Н.В. Петров В.Е.
10. Kudo, T. and Richardson, J. "SentencePiece: A simple and language-independent subword tokenizer and detokenizer for neural text processing." EMNLP (2018): 66-71.
11. Бондаренко, В. И. Анализ эффективности глубоких языковых моделей для задачи определения тональности русскоязычных текстов // В. И. Бондаренко, В. О. Елисеев, Т. В. Ермоленко // Проблемы искусственного интеллекта. - 2024. № 1 (32). - С. 51-62.
12. Харламов, А. Семантический анализ текста с использованием искусственных нейронных сетей на основе нейроподобных элементов с временным суммированием сигналов // А. Харламов, Е. Самаев, Д. Кузнецов и др. // Проблемы искусственного интеллекта. 2023. № 3 (30).
13. Ниценко А. В. Шелепов В. Ю. Об использовании семантической информации для снятия омонимии именительного и винительного падежа (как элемента создания онтологии) // Проблемы искусственного интеллекта. 2024. № 4 (34). С. 16-24
14. Zhang, Z. Liu, S. Li, M. Zhou, M. & Chen, E. (2018). Bidirectional generative adversarial networks for neural machine translation. In Proceedings of the 22nd Conference on Computational Natural Language Learning, pp. 190–199, Brussels, Belgium. Association for Computational Linguistics.
15. Stern, M. Chan, W. Kiros, J. R. & Uszkoreit, J. (2019). Insertion Transformer: Flexible sequence generation via insertion operations. arXiv preprint arXiv:1902.03249.
16. Stahlberg, F. Saunders, D. de Gispert, A. & Byrne, B. (2019). In Proceedings of the Fourth Conference on Machine Translation: Shared Task Papers. Association for Computational Linguistics.
17. Medina, J. R. & Kalita, J. (2018). Parallel attention mechanisms in neural machine translation. In 2018 17th IEEE International Conference on Machine Learning and Applications (ICMLA), pp. 547–552.
18. McCandlish, S. Kaplan, J. Amodei, D. & Team, O. D. (2018). An empirical model of large-batch training. arXiv preprint arXiv:1812.06162.
19. Junczys-Dowmunt M. Grundkiewicz R. Dwojak T. Hoang H. Heafield K. Neckermann T. Seide F. Germann U. Aji A. Bogoychev N. Martins A. Birch A. Marian: fast neural machine translation in C++ // Proc. 56th Annual Meeting of the Association for Computational Linguistics: System Demonstrations. Melbourne: Association for Computational Linguist ics, 2018. P. 116 –121.
20. Булатов М.И. Елисеева Н.В. Петров В.Е. Технология повышения качества обучения искусствен-

Выпуск: 1(40)'2026
Раздел: СИСТЕМНЫЙ АНАЛИЗ, УПРАВЛЕНИЕ И ОБРАБОТКА ИНФОРМАЦИИ, СТАТИСТИКА
Как цитировать: Елисеева Н.В. Петров В. Е. ТЕХНОЛОГИЯ СТИЛИСТИЧЕСКОЙ АДАПТАЦИИ НЕЙРОННОГО МАШИННОГО ПЕРЕВОДА // Проблемы искусственного интеллекта. - 2026. - № 1 (40). - С. 150-158. - https://paijournal.guiaidn.ru/ru/2026/1(40)-13.html

Назад к выпуску 1(40)'2026