In order to effectively optimize the machine online translation system and improve its translation efficiency and translation quality, this study uses the deep separable convolution neural network algorithm to construct a machine online translation model and evaluates the quality on the basis of pseudo data learning. In order to verify the performance of the model, the regression performance experiment of the model, the method performance experiment of generating pseudo data for specific tasks, the sorting task performance experiment of the model, and the machine translation quality comparison experiment are designed. RMSE and MAE were used to evaluate the regression task performance of the model. Spearman rank correlation coefficient and delta AVG value were used to evaluate the sorting task performance of the model. The experimental results show that the MAE and RMSE values of the model are decreased by 2.28% and 1.39%, respectively, compared with the baseline system under the same experimental conditions, and the Spearman and delta AVG values are increased by 132% and 100.7%, respectively, compared with the baseline system. The method of generating pseudo data for specific tasks needs less data and can make the translation system reach a better level faster. When the number of instances is more than 10, the quality score of the model output is higher than that of Google translation whose similarity is more than 0.8.

/pdf/optimization-of-machine-online-translation-system-based-on-b4ne7n48b5.pdf

Optimization of Machine Online Translation System Based on Deep Convolution Neural Network Algorithm.

У роботі досліджено графові згорткові нейронні мережі, як перспективний напрямок аналізу емоційного забарвлення текстів. Детально описано конструкції емоцій, їх природу та сутність. Зазначено основні способи класифікації емоцій такі як бінарна класифікація емоцій, класифікація емоцій з кількома мітками та багатокласова класифікація емоцій. Окреслено принцип формування нейронних мереж графів та наголошено, що моделі побудовані на графових нейронних мережах зазвичай не враховують семантичне значення тексту, що стосується значення, визначеного відношеннями між словами в реченні, що є важливим для класифікації емоцій тексту, що аналізується. Відокремлено поняття семантичного та синтаксичного аналізу тексту, описано підходи до реалізації. Наголошено, що семантичне представлення відображає зміст тексту в досить структурованій формі з виділенням різних представлень: представлення абстрактного значення, універсальна концептуальна когнітивна анотація, дволексичні семантичні залежності та універсальна декомпозиційна семантика. Зазначається, що модель синтаксичного аналізатора являє собою семантичний аналізатор на основі графів, який вирішує проблему синтаксичного аналізу конституентів. Охарактеризовано рівні моделі та наведено принцип роботи. Математично представлено ациклічний орієнтовний граф системи аналізу емоційного забарвлення тексту, описано матрицю ознак та матрицю суміжності. Наведено модель нейронної мережі, яка працює з графоструктурованими даними, яка складається з трьох основних шарів. Запропоновано підхід до навчання такої нейронної мережі. Наголошено, що модель використовує конкатенацію вбудованих слів і синтаксичних вбудованих елементів у якості вхідних даних. Як результат отримано згорткову нейронну мережу для аналізу емоційного забарвлення текстів та проаналізовано її характеристики порівняно з іншими типами нейронних мереж. Зроблено висновок, що хоча й точність розробленого методу є досить високою, інші архітектури нейронних мереж краще підходять для задачі сентимент аналізу. 

Метод аналізу емоційного забарвлення текстів за допомогою графових згорткових нейронних мереж

An important area of research involving Artificial Intelligence (AI) is Natural Language Processing (NLP). The objective of training a machine is to imitate and manipulate text and speech of humans. Progressive research is undertaken to find connections between humans and their usage of language commonly used being referred as Natural Language. Various tools for different languages have been developed for operating the natural languages widely used by public. NLP integrates various disciplines and works cohesively for processing text, Information Retrieval, AI and so on. One such tool used for checking the accuracy of a given sentence in any language is referred to as a Grammar Checker. So a Grammar checker of a particular language explores grammatical errors (if any) and provides remedial suggestions for correction of the same. Such feature is imbibed by virtue of Natural Language Processing using Computational Linguistics. We have justified the need of an emerging Machine Learning technique by critically evaluating the existing Punjabi Grammar checker that was developed earlier in light of certain real-time cases. This process is accomplished by critically evaluating the output of each phase and identifying the component accountable for generating maximum errors and false alarms. Based on this analysis, we have proposed a hybrid framework as an efficient way of analyzing correction in sentences. This is attainable through the said booming technique of Machine Learning explicitly using Deep Neural Networks in combination with the existing rule-based approach. It's a novel approach as no work using machine learning has been done earlier in Punjabi Grammar Checker.

Critical Analysis of Existing Punjabi Grammar Checker and a Proposed Hybrid Framework Involving Machine Learning and Rule-Base Criteria

A Research on Online Grammar Checker System Based on Neural Network Model

Handle everyday research tasks with reliable, citation-backed results

Your personal Research Agent to handle research tasks with citation-backed results

Popular Tasks used by Researchers

How can I help with your research?

Meet SciSpace

Get more enhanced response by uploading the PDFs you want me to reference.

No relevant PDFs in your library

SciSpace is the AI research assistant for academics. Run systematic literature reviews on 280M+ papers, and write papers with cited sources. Trusted by 1M+ students, PhDs & researchers.

SciSpace | AI for Research

Analyze PDFs

Code & Manuscripts

Funding & Grants

Literature & Patents

Medical & Clinical Data

Systematic Review

Visualize & Present

Web & Data

Build a Google Scholar-like website for your research.

Build a website

Create charts and images for your research

Create a Chart

Write a paper for submission to a journal

Draft a manuscript

Patent Search

Design eye-catching scientific posters in minutes.

Scientific Poster Generation

Systematic Literature Review

One task is running at the moment. Your messages will be shown right after.

Drag and drop or click here to browse

Loved by <highlight>1 million+</highlight> researchers

Extract a list of specific topics and their sources from unstructured text

Topics

Compare and analyze relevant papers that matches with your search

Papers

Get insights from PDFs and bookmarked papers from your library

My library

Recent searches

Try searching for:

Catch AI-generated content in scholarly and non-scholarly content

{ai} Detector

Ai Writer

Get PDF Summaries, highlighted text explanations 

Chat with PDF

Effortlessly create in-text citations and bibliographies in APA and 2,500 other formats

Citation generator

Get explanations, summaries, and answers on academic papers

Ease up your research workflow with {scispace}'s cohort of exciting AI tools

Elevate your academic writing skills and convey your ideas the way you want

Paraphraser

Explore our range of reading and writing tools

Your file is being prepared and should be ready in a few minutes. If it's a large file, it might take a bit longer. You can close this window, and we'll email you the file when it's done.

You have reached a maximum limit of <strong>{limit}</strong> columns in the table. Remove at least <strong>1</strong> column to add or create another one.

Gang Hao

Author Tools

Chat about Author

Papers

A Research on Online Grammar Checker System Based on Neural Network Model