智能翻译方法、装置、终端设备及计算机可读存储介质

技术领域

本申请属于机器学习技术领域，尤其涉及一种智能翻译方法、装置、终端设备及计算机可读存储介质。

背景技术

随着机器学习技术的不断发展，机器翻译的应用也越来越广泛。

传统机器翻译系统重点工作在于语句的流畅性和对应语句的准确性，对待翻译文本是进行逐句翻译的，也即源语言有多少内容，就翻译出多少内容出来。但是，这对于想要快速浏览不同语言文章而不是去学习外语的用户而言是不够方便的。很多用户在浏览外文文献的目的在于想快速地知道文章概要，大体内容，关键信息等。所以即使全文翻译过来以后也需要全文浏览，再自己提取核心信息，获取文章中心内容。并且在阅读新闻的时候，大部分新闻标题会为了吸引眼球而写出并不符合核心的内容，这就让读者无法直接捕获重要信息。而且，论文的摘要通常涵盖的信息又过少，过于笼统，无法通过摘要获取论文的精华部分。

也就是说，现有的机器翻译方式只是对源文本一对一冗余翻译，导致用户阅读体验较差。

发明内容

本申请实施例提供一种智能翻译方法、装置、终端设备及计算机可读存储介质，以解决现有机器翻译方式对源文本一对一冗余翻译，导致用户阅读体验较差的问题。

第一方面，本申请实施例提供一种智能翻译方法，包括：

获取待翻译文本数据；

将所述待翻译文本数据翻译为目标文本数据；

将所述目标文本数据输入至文本摘要提取网络模型，获得所述文本摘要提取网络模型输出的摘要数据，所述摘要数据为所述目标文本数据的摘要信息。

结合第一方面，在一种可能的实现方式中，所述文本摘要提取网络模型为包括双向门控循环单元和注意力单元的HSSAS模型，所述HSSAS模型包括词编码层、句子编码层和分类层，所述词编码层包括词向量层、词编码器和词注意力层，所述句子编码层包括句子向量层、句子编码器和句子注意力层；

将所述目标文本数据输入至文本摘要提取模型，获得所述文本摘要提取模型输出的摘要数据，包括：

通过所述词编码层计算所述目标文本数据中的每个句子的句子向量；

根据所述句子向量，通过所述句子编码层计算所述目标文本数据的文本向量；

根据所述文本向量，通过所述分类层提取所述目标文本数据的摘要数据。

结合第一方面，在一种可能的实现方式中，所述通过所述词编码层计算所述目标文本数据中的每个句子的句子向量，包括：

通过所述双向门控循环单元计算所述目标文本数据中的每个词的前向词向量和后向词向量；

分别将各个词的所述前向词向量和所述后向词向量进行拼接，得到每个句子的隐藏层表示向量；

将每个句子的所述隐藏层表示向量进行拼接，获得所述目标文本数据的隐藏层表示向量；

根据所述目标文本数据的隐藏层表示向量，通过所述注意力单元计算词层级的权重系数矩阵；

根据所述词层级的权重系数矩阵计算每个句子的句子向量。

结合第一方面，在一种可能的实现方式中，所述根据所述句子向量，通过所述句子编码层计算所述目标文本数据的文本向量，包括：

根据所述句子向量，通过所述双向门控循环单元计算所述目标文本数据中的每个句子的前向句子向量和后向句子向量；

分别将每个句子的所述前向句子向量和所述后向句子向量进行拼接，得到所述目标文本数据的隐藏层表示向量；

根据所述目标文本数据的隐藏层表示向量，通过所述注意力单元计算句子层级的权重系数矩阵；

根据所述句子层级的权重系数矩阵计算所述目标文本数据的文本向量。

结合第一方面，在一种可能的实现方式中，将所述待翻译文本数据翻译为目标文本数据，包括：

将所述待翻译文本数据输入至翻译模型，获得所述翻译模型输出的目标文本数据，所述目标文本数据为所述待翻译文本数据的翻译结果。

结合第一方面，在一种可能的实现方式中，所述翻译模型为包括自适应注意力单元的Transformer模型，所述Transformer模型包括嵌入层、编码层、解码层和输出层，所述编码层的编码器包括自适应注意力单元和前馈神经网络，所述解码层的解码器包括自适应注意力单元、Masked多头注意力单元和前馈神经网络；

将所述待翻译文本数据输入至翻译模型，获得所述翻译模型输出的目标文本数据，包括：

通过所述嵌入层计算所述待翻译文本数据中每个句子的嵌入向量；

根据所述嵌入向量，通过所述编码层对每个句子进行编码，获得编码结果；

通过所述解码层对所述编码结果进行解码，得到解码结果；

根据所述解码结果，通过所述输出层输出所述目标文本数据。

结合第一方面，在一种可能的实现方式中，在所述获取待翻译文本数据之后，还包括：

检测所述待翻译文本数据是否合法；

若所述待翻译文本数据合法，进入所述将所述待翻译文本数据翻译为目标文本数据的步骤；

若所述待翻译文本数据不合法，输出告警信息。

结合第一方面，在一种可能的实现方式中，所述检测所述待翻译文本数据是否合法，包括：

统计所述待翻译文本数据中的非法字符数量和所述待翻译文本数据的长度；

若所述非法字符数量大于预设数量阈值和/或所述长度小于或等于预设阈值，判定所述待翻译文本数据不合法；

若所述非法字符数量小于或等于所述预设数量阈值和所述长度大于所述预设阈值，判定所述待翻译文本数据合法。

第二方面，本申请实施例提供一种智能翻译装置，包括：

获取模块，用于获取待翻译文本数据；

翻译模块，用于将所述待翻译文本数据翻译为目标文本数据；

摘要提取模块，用于将所述目标文本数据输入至文本摘要提取网络模型，获得所述文本摘要提取网络模型输出的摘要数据，所述摘要数据为所述目标文本数据的摘要信息。

第三方面，本申请实施例提供一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面任一项所述的方法。

第四方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面任一项所述的方法。

第五方面，本申请实施例提供一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的方法。

本申请实施例通过对输入的待翻译文本数据进行翻译，再利用文本摘要提取网络模型，从翻译后的目标文本数据中提取出摘要数据，即在对源文本进行翻译之后再进行核心内容提取，抽取出文本的主要信息，缩短文本内容，以提升阅读效率，缩短阅读时间，让用户快速了解到其他语种文本的关键信息，从而提高用户阅读体验。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种智能翻译方法的流程示意框图；

图2为本申请实施例提供的改进后的Transformer模型的结构示意框图；

图3为本申请实施例提供的翻译流程示意框图；

图4为本申请实施例提供的改进后的HSSAS模型的示意图；

图5为本申请实施例提供的文本摘要过程的流程示意框图；

图6为本申请实施例提供的词编码层的流程示意框图；

图7为本申请实施例提供的智能翻译装置的结构框图；

图8为本申请实施例提供的终端设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。

然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

本申请实施例提供的智能翻译方法可以应用于手机、平板电脑、可穿戴设备、车载设备、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、个人数字助理(personal digital assistant，PDA)等终端设备上，本申请实施例对终端设备的具体类型不作任何限制。

该智能翻译方案的输入为源语种的长文本，输出为翻译后的目标语种的短文本，例如，输入为英语的一篇论文，输出为中文的短文本，该短文本是英语论文的文本摘要。通过本申请实施例的智能翻译方案对输入的源语种长文本进行机器翻译后，再通过文本摘要提取网络模型对翻译后的目标文本数据进行摘要提取，获得摘要信息。其中，本申请实施例中的机器翻译模型和文本摘要提取网络模型均为深度神经网络模型。

下面将结合具体实施例对本申请实施例提供的技术方案进行介绍。

请参加图1，为本申请实施例提供的一种智能翻译方法的流程示意框图，该方法可以包括以下步骤：

步骤S101、获取待翻译文本数据。

可以理解的是，上述待翻译文本数据可以是任意语种、任意类型的文本数据。例如，上述待翻译文本数据为日文的新闻文章。该待翻译文本数据一般是长文本，即待翻译的源语种文本的内容和字数均较多。

在一些实施例中，输入的待翻译文本数据可能是不合法的，从而导致后续的翻译效果较差，为了进一步提高翻译效果，在获取输入的待翻译文本数据之后，还可以对输入的待翻译文本数据进行合法性校验，校验通过之后，才将待翻译文本数据翻译为目标文本数据。也就是说，在上述获取待翻译文本数据之后，还可以包括：检测待翻译文本数据是否合法；若待翻译文本数据合法，进入将待翻译文本数据翻译为目标文本数据的步骤；若待翻译文本数据不合法，输出警告信息。

进一步地，检测待翻译文本数据是否合法的过程可以包括：统计待翻译文本数据中的非法字符数量和统计待翻译文本数据的长度；若非法字符数量大于预设数量阈值和/或长度小于或等于预设阈值，判定待翻译文本数据不合法；若非法字符数量小于或等于预设数量阈值和长度大于预设阈值，判定待翻译文本数据合法。

可以理解的是，上述预设数量阈值和预设阈值均可以根据实际应用需要设定。例如，预设数量阈值为总文本字符数量的三分之一，即当待翻译文本数据中的非法字符数量超过总文本字符数量的三分之一时，则认为该待翻译文本数据为非法输入。又例如，上述预设阈值为10个字符，即当输入的文本长度小于或等于10个字符时，则认为输入文本的长度过短，难以结合上下文提取关键字，则将输入的待翻译文本数据判定为非法输入。反之，如果非法字符数量小于预设数量阈值，且长度大于预设阈值，则认为输入合法，将合法的待翻译文本数据输入至机器翻译模型。

当然，也可以仅通过统计非法字符数量，或者是文本输入长度来判断输入文本是否合法。

步骤S102、将待翻译文本数据翻译为目标文本数据。

需要说明的是，将待翻译文本数据翻译为目标文本数据的方式可以是任意的。在一些实施例中，可以将待翻译文本数据输入至翻译模型，获得该翻译模型输出的目标文本数据。其中，上述翻译模型可以是现有任意模型，例如，上述翻译模型为Transformer模型，该模型包括self-Attention。但是，包括self-Attention的Transformer模型的不能自主的抉择上下文场地的大小，计算速度和上下文关联的力度较差。为了使得模型可以自主地抉择上下文长度的大小，降低计算力，提升计算速度，增加上下文关联的长度，本申请实施例提供一种改进后的Transformer模型。改进后的Transformer模型将原有模型中的self-Attention替换为自适应注意力(Adaptive Attention)单元。

在一些实施例中，参见图2示出的改进后的Transformer模型的结构示意框图，上述翻译模型为包括自适应注意力单元的Transformer模型，Transformer模型包括嵌入(Embedding)层21、编码(Encoder)层22、解码层(Decoder)23和输出层24。编码层22的编码器221包括自适应注意力(Adaptive-Attention)2211单元和前馈神经网络2212，解密层23的解码器231包括自适应注意力(Adaptive-Attention)单元2311、Masked多头注意力(Masked Multi-Headed Attention)单元2312和前馈神经网络2313。输出层24包括全连接层241和softmax层242。

其中，编码层22中包括6个编码器221，每个编码器均包括两个子层，分别为前馈神经网络和Adaptive-Attention。解码层23包括6个解码器231，每个解码器均包括3个子层，分别为前馈神经网络、Adaptive-Attention和(Masked Multi-Headed Attention。

嵌入(Embedding)层21可以对输入的待翻译文本数据进行一个Embedding操作。具体地，输入的每个句子为一个词的序列，通过Embedding操作将其变成一嵌入向量。Embedding操作后得到的向量会输入至编码层22。

嵌入向量输入至编码层后，Adaptive-Attention先进行数据处理，之后再将数据传输至前馈神经网络，前馈神经网络的计算可以是并行的，其得到输出会输入到下一个编码器中。Adaptive-Attention的作用可以关联起文本中每个词的上下文信息，并自动关联扩展长度，使得在预测当前词时可以结合较长的上下文信息，同时又不增加计算量。此外，并行的前馈神经网络磨练可以使得模型能够更快地逼近目标函数。

编码层的输出作为解码层的输入，解码层中的Adaptive-Attention和前馈神经网络的作用与编码层中的Adaptive-Attention和前馈神经网络的作用相同，在此不再赘述。解码层中的Masked Multi-Headed Attention可以对某些值进行掩盖，使其在参数更新时不产生效果。

解码层的输出作为输出层的输入，输出层包括一个全连接层和softmax层。全连接层的作用是整合特征，以减少分类位置带来的影响。Softmax层的作用是分类，取概率最大的作为预测结果，例如，一共有一万个词，softmax层输入一万个词的概率，选取概率最大的词作为最终的结果。

基于图2中示出的模型，参见图3示出的翻译流程示意框图，上述将待翻译文本数据输入至翻译模型，获得翻译模型输出的目标文本数据的过程具体包括：

步骤S301、通过嵌入层计算待翻译文本数据中每个句子的嵌入向量。

步骤S302、根据嵌入向量，通过编码层对每个句子进行编码，获得编码结果。

步骤S303、通过解码层对编码结果进行解码，得到解码结果。

步骤S304、根据解码结果，通过输出层输出目标文本数据。

可以看出，使用本申请实施例提供的改进后的Transformer模型进行机器翻译，可以提高翻译效果。

应当理解，机器翻译可以将源语种的长文本翻译为目标语种的长文本，其一般是一对一翻译的。例如，输入的待翻译文本数据为英文的论文，经过机器翻译之后，得到中文的译文。目前的智能翻译方式在得到机器翻译结果之后，直接呈现给用户。这样，还需要用户花费大量的时间阅读翻译后的全文，获取全文的关键信息，这对于一些想快速了解外语文本的关键信息的用户来说，阅读体验较差。为了提高用户的阅读体验，本申请实施例在机器翻译之后，再利用深度神经网络，从翻译后的文本中提取出译文的摘要信息。

步骤S103、将目标文本数据输入至文本摘要提取网络模型，获得文本摘要提取网络模型输出的摘要数据，摘要数据为目标文本数据的摘要信息。

需要说明的是，上述文本摘要提取网络模型可以是现有任意的摘要模型，例如，HSSAS模型，该HSSAS模型包括biLSTM(bidirection Long Short-Term Memory)和Attention。

在一些实施例中，提供一种改进后的HSSAS模型，该改进后的HSSAS模型将原来的biLSTM替换为双向门控循环单元(bidirection gated recurrent unit，BiGRU)，biGRU相较于biLSTM，其网络结构更加简单，计算速度更快。

参见图4示出的改进后的HSSAS模型的示意图，上述文本摘要提取网络模型为包括双向门控循环单元和注意力单元的HSSAS模型，HSSAS模型包括词编码层、句子编码层和分类层。

基于图4示出的模型，参见图5示出的文本摘要过程的流程示意框图，上述将目标文本数据输入至文本摘要提取模型，获得文本摘要提取模型输出的摘要数据的过程可以包括：

步骤S501、通过词编码层计算目标文本数据中的每个句子的句子向量。

需要说明的是，词编码层包括词向量层、词编码器和词注意力层。词编码层可以对输入的目标文本数据进行处理。编码器包括前向GRU和后向GRU，通过前向GRU和后向GRU对句子中的每个词进行编码，以提取出两个方向的语义信息。然后将得到的前向词向量和后向词向量进行拼接，得到整个句子的隐藏层表示向量。再将每个句子的隐藏层表示向量进行拼接，得到整个文档的词隐藏层表示向量。最后根据整个文档的词隐藏层向量求的词层级的权重系数矩阵，将权重系数矩阵和整个文档的词隐藏层表示向量相乘，得到每个句子的句子向量。

具体地，参见图6示出的词编码层的流程示意框图，上述通过词编码层计算目标文本数据中的每个句子的句子向量的过程可以包括：

步骤S601、通过双向门控循环单元计算目标文本数据中的每个词的前向词向量和后向词向量。

步骤S602、分别将各个词的前向词向量和后向词向量进行拼接，得到每个句子的隐藏层表示向量。

具体地，对于某一个词v，前向词向量具体为：h

步骤S603、将每个句子的隐藏层表示向量进行拼接，获得目标文本数据的隐藏层表示向量。

具体地，将每一个句子的隐藏层表示向量进行拼接，得到多句向量的隐藏层表示向量，即H

步骤S604、根据目标文本数据的隐藏层表示向量，通过注意力单元计算词层级的权重系数矩阵。

步骤S605、根据词层级的权重系数矩阵计算每个句子的句子向量。

可以理解的是，注意力机制可以针对每个词对句子语义贡献度的不同，来实现或多或少的编码表示。具体将H

步骤S502、根据句子向量，通过句子编码层计算目标文本数据的文本向量。

需要说明的是，上述句子编码层包括句子向量层、句子编码器和句子注意力层。

在抽取出每个句子向量S

在一些实施例中，上述根据句子向量，通过句子编码层计算目标文本数据的文本向量的过程可以包括：根据句子向量，通过双向门控循环单元计算目标文本数据中的每个句子的前向句子向量和后向句子向量；分别将每个句子的前向句子向量和后向句子向量进行拼接，得到目标文本数据的隐藏层表示向量；根据目标文本数据的隐藏层表示向量，通过注意力单元计算句子层级的权重系数矩阵；根据句子层级的权重系数矩阵计算目标文本数据的文本向量。

具体地，前向句子向量h

步骤S503、根据文本向量，通过分类层提取目标文本数据的摘要数据。

具体地，采用逻辑分类层生成每个句子的二值标签，来判断每个句子是否属于最终的摘要文本，分类判断标准取决于一系列摘要特征，包括句子的内容丰度、对于文档的重要度、对于累积摘要文本的新颖度以及位置向量等

可以看出，使用本申请实施例提供的改进的HSSAS模型进行摘要提取，可以提高计算速度和摘要提取效果。

在得出翻译结果和摘要结果之后，可以将得到的结果进行输出。其中，输出结果可以为目标文本数据和摘要数据，即可以同时输出机器翻译得到的目标文本数据和摘要提取得到的摘要数据；也可以仅为摘要数据，即可以单独输出摘要数据。

可见，本申请实施例对源文本进行翻译之后再进行核心内容提取，抽取出文本的主要信息，以提升阅读效率，缩短阅读时间，让用户快速了解到其他语种文本的关键信息，从而提高用户阅读体验。另外，通过改进的机器翻译模型和改进的文本摘要提取网络模型，提高翻译效果和摘要效果。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

对应于上文实施例所述的智能翻译方法，图7示出了本申请实施例提供的智能翻译装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。

参照图7，该装置包括：

获取模块71，用于获取待翻译文本数据；

翻译模块72，用于将待翻译文本数据翻译为目标文本数据。摘要提取模块73，用于将目标文本数据输入至文本摘要提取网络模型，获得文本摘要提取网络模型输出的摘要数据，摘要数据为目标文本数据的摘要信息。

在一种可能的实现方式中，文本摘要提取网络模型为包括双向门控循环单元和注意力单元的HSSAS模型，HSSAS模型包括词编码层、句子编码层和分类层，词编码层包括词向量层、词编码器和词注意力层，句子编码层包括句子向量层、句子编码器和句子注意力层；

上述摘要提取模块具体用于：

通过词编码层计算目标文本数据中的每个句子的句子向量；

根据句子向量，通过句子编码层计算目标文本数据的文本向量；

根据文本向量，通过分类层提取目标文本数据的摘要数据。

在一种可能的实现方式中，上述摘要提取模块具体用于：

通过双向门控循环单元计算目标文本数据中的每个词的前向词向量和后向词向量；

分别将各个词的前向词向量和后向词向量进行拼接，得到每个句子的隐藏层表示向量；

将每个句子的隐藏层表示向量进行拼接，获得目标文本数据的隐藏层表示向量；

根据目标文本数据的隐藏层表示向量，通过注意力单元计算词层级的权重系数矩阵；

根据词层级的权重系数矩阵计算每个句子的句子向量。

在一种可能的实现方式中，上述摘要提取模块具体用于：

根据句子向量，通过双向门控循环单元计算目标文本数据中的每个句子的前向句子向量和后向句子向量；

分别将每个句子的前向句子向量和后向句子向量进行拼接，得到目标文本数据的隐藏层表示向量；

根据目标文本数据的隐藏层表示向量，通过注意力单元计算句子层级的权重系数矩阵；

根据句子层级的权重系数矩阵计算目标文本数据的文本向量。

在一种可能的实现方式中，上述翻译模块具体用于：

将待翻译文本数据输入至翻译模型，获得翻译模型输出的目标文本数据，目标文本数据为待翻译文本数据的翻译结果。

在一种可能的实现方式中，翻译模型为包括自适应注意力单元的Transformer模型，Transformer模型包括嵌入层、编码层、解码层和输出层，编码层的编码器包括自适应注意力单元和前馈神经网络，解码层的解码器包括自适应注意力单元、Masked多头注意力单元和前馈神经网络；

上述翻译模块具体用于：

通过嵌入层计算待翻译文本数据中每个句子的嵌入向量；

根据嵌入向量，通过编码层对每个句子进行编码，获得编码结果；

通过解码层对编码结果进行解码，得到解码结果；

根据解码结果，通过输出层输出目标文本数据。

在一种可能的实现方式中，上述装置还可以包括合法性检测模块，具体用于：

检测待翻译文本数据是否合法；

若待翻译文本数据合法，进入将待翻译文本数据翻译为目标文本数据的步骤；

若待翻译文本数据不合法，输出告警信息。

进一步地，上述合法性检测模块具体用于：

统计待翻译文本数据中的非法字符数量和待翻译文本数据的长度；

若非法字符数量大于预设数量阈值和/或长度小于或等于预设阈值，判定待翻译文本数据不合法；

若非法字符数量小于或等于预设数量阈值和长度大于预设阈值，判定待翻译文本数据合法。

需要说明的是，上述智能翻译装置与上文的智能翻译方法一一对应，相关介绍可参加上文相应内容，在此不再赘述。

上述智能翻译装置具有实现上述智能翻译方法的功能，该功能可以通过硬件实现，也可以通过硬件执行相应的软件实现，硬件或软件包括一个或多个与上述功能相对应的模块，模块可以是软件和/或硬件。

需要说明的是，上述装置、模块之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

图8为本申请一实施例提供的终端设备的结构示意图。如图8所示，该实施例的终端设备8包括：至少一个处理器80、存储器81以及存储在所述存储器81中并可在所述至少一个处理器80上运行的计算机程序82，所述处理器80执行所述计算机程序82时实现上述任意各个方法实施例中的步骤。

所述终端设备8可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括，但不仅限于，处理器80、存储器81。本领域技术人员可以理解，图8仅仅是终端设备8的举例，并不构成对终端设备8的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。

所称处理器80可以是中央处理单元(Central Processing Unit，CPU)，该处理器80还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器81在一些实施例中可以是所述终端设备8的内部存储单元，例如终端设备8的硬盘或内存。所述存储器81在另一些实施例中也可以是所述终端设备8的外部存储设备，例如所述终端设备8上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器81还可以既包括所述终端设备8的内部存储单元也包括外部存储设备。所述存储器81用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。

本申请实施例提供一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现可实现上述各个方法实施例中的步骤。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置、设备和方法，可以通过其它的方式实现。例如，以上所描述的装置、设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。