机器翻译论文(用paperyy免费版查重后重复率高达35)

本文目录

1、机器翻译论文，用paperyy免费版查重后重复率高达35？
2、将自己的中文论文翻译成英文？
3、无监督学习机器翻译模型是如何在无双语平行语料下做到翻译的？
4、机器翻译越来越融入我们的现实生活？
5、论文英文文献翻译有什么比较好的翻译软件？

1、机器翻译论文，用paperyy免费版查重后重复率高达35？

毕业论文查重率太高，要采取以下几种方法降重。

方法一：外文文献翻译法

查阅研究领域外文文献，特别是高水平期刊的文献，比如Science，Nature，WaterRes等，将其中的理论讲解翻译成中文，放在自己的论文中。

它的优点是每个人语言习惯不同，翻译成的汉语必然不同。因此即使是同一段文字，不同人翻译了之后，也不会出现抄袭的情况。

外文文献的阅读，可以提升自身英语水平，拓展专业领域视野。

缺点：英文不好特别是专业英文不好的同学实施起来比较费劲。

方法二：变化措辞法

将别人论文里的文字，或按照意思重写，或变换句式结构，更改主被动语态，或更换关键词，或通过增减。当然如果却属于经典名句，还是按照经典的方法加以引用。

本方法优点是将文字修改之后，按照知网程序和算法，只要不出现连续13个字重复，以及关键词的重复，就不会被标红。

对论文的每字每句都了如指掌，烂熟于心，答辩时亦会如鱼得水。

缺点：逐字逐句的改，费时费力。

方法三：google等翻译工具翻译法

将别人论文里的文字，用google翻译成英文，再翻译回来，句式和结构就会发生改变，再自行修改下语病后，即可顺利躲过查重。本方法方便快捷，可以一大段一大段的修改。

如果以上方法都不可以，而且你认为自己的原创性很高，就需要作一个查重率过高的说明。

2、将自己的中文论文翻译成英文？

一、回答您的问题

对于您的问题，我有亲身经历，不知您的论文是哪个方向的，我的小论文是关于推荐算法的。虽然我过了公共英语六级，但将我的小论文翻译成英文还是没有信心。像你的想法一样，需要借助翻译软件，目前的翻译软件有很多，有道翻译，百度翻译等。我当时用的百度翻译，将整篇文章翻译完成之后，投稿结果中有一条说的就是语句表达有问题。后面请教了一位博士师兄，修改了之后，才成功。

二、总结与建议

翻译软件对于日常语句没有多大问题。但是对于某一个领域和专业语句，翻译还是不够的。对于这个问题，可以从两个方面解决。第一，就是临时性的解决办法，找和自己专业相关的人员帮忙修改。第二，自己多读自己领域的英文文献。多参加自己研究方向的活动，也有类似的英语培训。将自己的专业英语能力提升之后，才是解决问题的根本。

希望对你有帮助，祝生活愉快。

3、无监督学习机器翻译模型是如何在无双语平行语料下做到翻译的？

随便说说，错误之处大家指正。

目前的无监督，或者说极弱监督机器翻译模型主要做了两件事：

1. 学一个双语的word embedding 映射，即对齐两个语言的词向量空间。

做这个工作的有大量论文，但是名字不太一样，有的叫multilingual embedding transforming，有的叫bilingual lexicon induction 。言而总之就是先在各自语言的大规模单语数据上训embedding，然后利用数量极少的种子词库（比如双语中的阿拉伯数字是肯定对应的），基于的假设是双语对应的词周围经常出现的词也是对应的，用self-learning去不断地迭代，不断训练。

2. 有了一个映射的还不错的词向量空间了，那么此时无监督翻译模型就有一定性能了，毕竟翻译最简单的case就是有一个词典，一个词一个词地mapping，有一个还不错的模型对于无监督翻译是非常重要的，因为不能指望从真正的随机里学习到什么东西。

现在就可以采用一些看着很像梯云纵的方法去翻译，左脚踩右脚，然后爬的很高，当然能这么做是有前提的，这里面用到attention based seq2seq model的一个重要的sense，或者说经验，此话先按下不表，先说模型。

模型大致结构可见上图，结构很简单，就是两个语言L1，L2 共享一个encoder，用这个encoder把L1语言的某句话 L1_sent 编码成向量vector1，然后在用L2的decoder根据vector1生成L2_sent, 此时我们是不是有一个伪平行语料了？是不是感觉事情有了一点点转机？但是此时是不能直接用这个训练的，还得用L2 encoder --- L2 sent 编码成vector2，然后强制vector2 用L1 decoder生成最初始的句子L1_sent, 此时<x = L2_sent, y = L1_sent>就是我们要用来训练的instance。

Note：

1. 为什么要转换两次？因为得和所有的参数都相关啊，不然监督信号咋传递到所有的参数上面。2. 为什么是<x = L2_sent, y = L1_sent>，而不是反过来？因为y必须是gold的，不然会引入大量噪声，x有点噪音没关系，因为x端信息在seq2seq里是被attention抽取的，有点噪音也过滤掉了。其次就是y端的句子还有一个重要的目标就是训练decoder里面的language model，如果你是有噪音的数据，会导致language model生成的句子不流畅，这个很致命。x可以有点噪音也是我们前面按下不表的前提，要是没有这个特性，应该很难训好！

3. 作者用了一个类似加噪音的encoder-decoder去train shared encoder，这件事听着就很靠谱。

4. FAIR的工作和这个差不多，只是他们用了一种自己提出的word mapping，居然也投了ICLR，但个人觉得不能算salami slicing。

5. MSRA的nips17的dual learning我猜也想做的这件事，但是没有word mapping先把translation space搞的稍微好一点，想无监督应该是非常难的。