2018年6月16俄罗斯足球世界杯，冰岛用“很吓人”的防守技术逼平阿根廷！
2018年6月17杭州语言服务世界杯，出现一种“很吓人”的技术，能够瞬间切换世界杯各个国家的语言，那速度那精准度，堪比场上的“C罗”！
近日在杭州举办的语言服务行业国际研讨会上，新译科技田亮博士分享了一种新的机器翻译技术——限定性神经网络技术，正好能满足世界杯那么多术语翻译需求。
如果能用这个神器，一边看球一边精准的用各国专业足球术语，在社交媒体上发言、吐槽、晒见识，你会不会瞬间成为朋友圈里的“C罗”？
 
要实现这样的拉风时刻，你需要这样一款智能翻译工具——新译科技的在线智能翻译。
你一定看过有些机械翻译的稿子，简直就不在“说人话”。莫名的译文、头痛的数字、关键术语的翻译错误，我们还能愉快地玩耍嘛？
 
翻译工具，要选对。
 
翻译是艺术和技术的完美结合。机器翻译从上世纪四十年代开始至今，经历了基于规则的、实例的、统计的和神经网络算法的几个过程。
 
今日，神经网络算法正处于不断完善过程中。它比起传统的统计机器翻译，译文质量有极大提高，不过，一旦涉及到术语等关键信息，译文往往是这样的：
 
今天我们吃了宫保鸡丁。它会翻译成：
Today we ate the palace chicken.
 
palace chicken是什么鬼？难道不应该是KungPao Chicken吗？
 
事实上，语言服务从业人员希望用更少的工程脑力，来实现最终的准确译文——
 
Today we had KungPao Chicken.
 
在翻译的过程中，包括口译和笔译，如果把一句话中的关键信息（主从关系、数字、日期、人名、地名、机构名、货币等）表达出来，就能基本达到沟通的目的。如果把原文中的关键词（算法工程师称其为：命名实体）替换成想要的准确译文，不就能实现准确翻译的目的吗
 
小编也从事翻译十几年，曾几何时也是这么想的，因为以前就这样做的。但是不知何时起，这种“聪明的”技巧，已经在主流机器翻译中不起作用了。
 
曾经，想翻译一句话，比如：
澳门皇冠假日酒店委托我来翻译这篇文章。
 
只需要把“澳门皇冠假日酒店”替换成我准备的术语“Crowne Plaza Macau”，就大功告成，稍作修改就得到我想要的译文：
Crowne Plaza Macau委托我来翻译这篇文章。
Crowne Plaza Macau commissioned me to translate this article.
 
但是现在的结果是：
Crowne Plaza Macao commissioned me to translate this article.
系统“悄悄地”修改了译文，没有实现我指定的译文！！！！！
 
文科生小编把脑袋想爆炸了之后，终于明白，在传统基于短语的统计机器翻译等系统中，可以简单地把数字或者专有名词，原封不动复制到翻译句子中，但在神经网络机器翻译中，这样的操作无法有效进行。
 
要理解这些，小编带大伙先看看机器翻译的进程和简单的原理。
 
翻译进化小史，首先了解一下：

1．基于规则的机器翻译

真正的规则系统始于上世纪70年代。规则的原理很简单，最初就直观地认为，找很多语言学家，集中写一些语法规则，并辅助一些双语词典和转写规则就能实现精准翻译。
 
在一些特定的场景，如天气预报、时间预测等，规则系统在形态的准确性、结果的可复现性、针对特定领域进行调整的能力还是非常强的，但是要创造一个理想的基于规则的系统，就算让语言学家尽力穷尽一切拼写规则来增强它，也总会遇到例外。英语有不规则动词、德语有可分离前缀、俄语有不规则的后缀，在人们说话的时候又会有各自的特点，别忘了有些词根据上下文还会产生不同的意思。

2．基于实例的机器翻译

后来，基于语料库的方法走上舞台。1981年，日本的长尾真教授首先提出了这种思路：直接用已经准备好的短语，不用重复翻译。
 

这种方法，在现有的平行语料库中找出与待翻译部分最相似的翻译实例，再对实例的译文通过替换、删除或者增加等系列操作，实现翻译。相似的例句越多，翻译的效果越好。

它的缺点是，系统性能依赖于语料库，数据稀疏问题严重，语料库中不容易活动大颗粒度的高概括性知识。
 

3．基于统计的机器翻译

上世纪90年代早期，IBM研究中心首次展示了对规则和语言学一无所知的机器翻译系统。
 
这种方法，将两种语言中同义的句子切分成词进行匹配，然后去计算某些片段会翻译成多少种可能，最后统计出来频率高的，就认为正确译文的可能性较大。
 

2006年，基于统计的机器翻译方法开始普及。Google翻译、Yandex、微软必应等在线翻译工具都用上了基于短语的机器翻译。直到2016年，它都被视为最先进的机器翻译方法。
 
我们给机器更多的文本，它就给我们更好的翻译。但是！！设定的各种特征值，以及需要N多种自然语言处理的技术（分词、词性标注、句法分析等），每一步的错误率，像滚雪球一样，将导致最终的结果有很大偏差。而且最大的问题是调序模型的不完善，覆盖不到全局特征，导致统计机器翻译一直阅读的流畅性不是很好。
 

4．基于神经网络的机器翻译

 
终于，当当当当！在2016年9月，Google宣布了一个颠覆性的进展。这就是神经机器翻译。
 
神经网络机器翻译(Neural Machine Translation, NMT)相比于传统的统计机器翻译（SMT）而言，能够训练一张可以从一个序列映射到另一个序列的神经网络，输出的可以是一个变长的序列，这在翻译、对话和文字概括方面能够获得非常好的表现。
 
这里就需要专业的人员设计并找出一些特征值，能够描述并转换成目标语言。
 
这个大神，简直有点像媒婆！想象媒婆在给A介绍对象B的场景，A（原文）虽然没有见过B（译文），但是只要媒婆能够大致的描述B的特征（包括身高、长相、身材、年龄等），A就能根据这些描述大致勾勒出这个目标恋人B（译文）的样子。
 

“神经网络”一出，谁与争锋。
 
两年来，神经网络超过了翻译界过去几十年的一切。神经翻译的单词错误减少了50%，词汇错误减少17%，语法错误减少19%。
 
但是！神经网络翻译机器，有时候会“发神经”！它有时候会出现漏译、过译、缺少语义信息等问题。
 
举几个