优化软件工程英语翻译使用增强的灰狼优化与自我注意力和Bi-LSTM模型

科学领域:

• 自然语言处理自然语言处理.
• 人工智能的人工智能
• 计算语言学 计算语言学

背景情况:

• 传统的神经机器翻译模型,如变压器和LSTM在动态超参数优化和域适应方面面临挑战.
• 低于最佳的准确性和效率阻碍了现有模型在软件工程等专业领域的应用.
• 有效地弥合语言差距需要先进的机器翻译解决方案.

研究的目的:

• 提出一个增强的机器翻译模型,自适应灰狼优化与自我注意和LSTM (AGWO-SALSTM),以改进中英翻译.
• 为了动态优化超参数和增强语境理解,以提高翻译准确性和效率.
• 在专业领域解决传统模型的局限性.

主要方法:

• 开发了AGWO-SALSTM模型,集成自适应灰狼优化 (AGWO) 进行超参数调整 (学习速率,注意力权重,网络配置).
• 集成的自我注意力机制和双向长期短期记忆 (LSTM) 网络,以改善上下文理解和顺序数据处理.
• 使用PARACRAWL,WMT,UM-Corpus和OPUS数据集对变压器,LSTM-Seq2Seq和MT5基线进行了AGWO-SALSTM模型的验证.

主要成果:

• 在所有测试的数据集中,AGWO-SALSTM在基线模型中表现出优异的性能.
• 实现了95.56%的平均翻译准确度,明显优于MT5 (90.94%).
• 与变压器模型相比 (57次) 需要更少的代 (16-20次) 来实现融合,这表明效率提高.

结论:

• AGWO-SALSTM 模型在机器翻译的准确性和效率方面提供了显著的进步,特别是在专门领域的中英翻译中.
• 通过AGWO动态超参数优化和通过自我注意力和LSTM增强的上下文处理是模型性能改善的关键.
• 拟议的模型有效地克服了传统神经机器翻译方法的局限性,为更强大,更有效的语言桥梁解决方案铺平了道路.