针对现有机器翻译模型翻译质量低的问题，通过结合多粒度特征融合与基于ELMo模型的动态词向量，并以采用多粒度位置编码和多粒度自注意力机制改进的Transformer模型作为主干网络，构建了一种基于多粒度与动态词向量的机器翻译模型。仿真结果表明，所提模型提高了机器翻译模型性能，在WMT2019Zh-En数据集上和NIST数据集上分别BLEU值分别达到31.53和42.61,相较于单一粒度特征输入和静态词向量嵌入，平均提高了1.1和1.39,具有一定的有效性和优越性。
科研之友
微信
新浪微博
Facebook
分享链接
