百度翻译研发500天幕后：团队一经苍茫一个月

　　7月12日音尘，百度自决加入、研发的正在线翻译产物——百度翻译不日寂静上线，受到了业界和用户集体合怀。不日百度翻译研发有劲人日前独家披露产物背后的故事，称这款历时一年多岁月打造的最新翻译用具，也曾际遇过长达一个月的渺茫期。

　　据理解，互联网的崭露为呆板翻译的研发和利用带来了空前的时机和挑拨。正在中文寻找范围处于当先身分的百度，也认识到呆板翻译的紧张性。2010岁首，百度组修了由天下级呆板翻译专家王海峰博和吴华博士领衔的呆板翻译主题研发团队。

　　他们二人皆有着10年以上的呆板翻译研发经历，曾得胜开垦过呆板翻译产物，也曾正在国际呆板翻译评测中以绝对上风得回第一，并揭晓过数十篇高水准呆板翻译论文。王海峰更是天然发言执掌范围天下上影响力最大、也最具生机的国际学术机合ACL（Association for Computational Linguistics）50年史册上独一录取副主席的华人。

　　正在王海峰和吴华博士的机合下，一个由3名正式员工和1名操练生构成的百度初始呆板翻译主题研发团队造造。随后一年，团队打开了百度呆板翻译的研发。调研、谋划、语料抓取、陶冶用具、解码器等事情也由此周至摊开。

　　正在百度做呆板翻译，一个紧张上风就正在于，百度宏大的海量谋划平台和丰裕的海量互联网数据执掌经历，可能撑持呆板翻译团队从海量互联网数据中开掘超大范畴的双语语料。

　　行动呆板翻译范围资深专家，王海峰极端理会这些双语资源正在呆板翻译中的价钱。于是，双语语料的探测、抓取和执掌，就成了百度呆板翻译团队初期的紧张事情之一。

　　跟着事情的展开，双语语料数目也疾捷增添，当抵达1000万句对的范畴时，团队成员们都特别高昂，从事呆板翻译事情多年的他们，从未利用这么大范畴的双语语料陶冶过体例。只是，看到基于这1000万语料陶冶体例翻译结果时，行家冷静了，由于翻译质料远比预期要低。

　　仔 细明白后察觉，固然这1000万语料依然是从更多的语料当选出的质料较高的片面，却仍有一泰半的低质句对，比如：“how old are you”这么常用而单纯的英文正在网上却被大批地翻译为“如何总是你”，“好好研习、天天向上”这句行家耳熟能详的中文，正在抓取回来的语料中，大大都都被翻 为了“good good study， day day up”。

　　如许的句对，应用依然利用的常例双语执掌工夫很痛苦滤掉。而假设不管理这个题目，语料范畴再大也没无意义。于是，语料事情的核心疾捷转到了低质语料执掌。

　　接 下来的一个月，行家一再地明白、开垦及实习，但又一次次陷耽溺茫和猜疑，大批被同业表明行之有用的法子临时间都失灵了，得胜过滤的低质语料亏折10%。经 过这个经过，行家渐渐看清了一点，解铃还须系铃人，要念有用执掌与守旧的文本数据不同极端大的互联网数据，还要更多地将守旧文本执掌工夫与互联网工夫相结 合。

　　于是1个月后，一套全新的互联网双语语料开掘工夫计划出炉。基于这套技 术，1000万句对被有用过滤到约400万。令行家兴奋的是，过滤过的400万语料陶冶出来的体例，其质料远远好于基于1000万句对陶冶的体例。新的互 联网双语语料开掘工夫得胜。之后的岁月里，高质料双语语料不竭增添，翻译体例质料得以擢升。

　　仅一年多岁月，百度翻译即上线揭橥。百度方面以为，与业界同类产物比拟，百度翻译有四大工夫亮点：呆板翻译主题工夫、语料开掘和过滤工夫、海量谋划工夫、牢靠的web前端工夫。

　　依托于百度正在中文互联网工夫上的上风，百度翻译对中文搜集发言有着奇异的应对才能。如翻译“有木有、我勒个去、神马都是浮云”等搜集大作语，百度都能切实翻译。