基于神经网络的跨语言命名实体翻译中的音译与语义映射联合学习研究综述.docVIP

基于神经网络的跨语言命名实体翻译中的音译与语义映射联合学习研究综述

跨语言命名实体翻译（Cross-lingualNamedEntityTranslation,CLNET）是自然语言处理领域的核心任务之一，其目标是将源语言中的人名、地名、机构名等命名实体准确转换为目标语言的对应表达。相较于普通文本翻译，命名实体翻译具有更强的规则特殊性：一方面，大量实体尤其是外来人名、新兴地名的翻译高度依赖音译规则，需要捕捉源语言与目标语言之间的语音对应关系；另一方面，具有特定文化背景、语义约定的实体（如历史人名、传统机构名）又需要遵循固定的语义映射规则，单纯音译会导致信息丢失。传统的管道式方法将音译与语义映射作为两个独立阶段处理，容易产生错误传播问题，且难以应对两种机制交织的复杂实体翻译场景。近年来，随着神经网络技术的发展，音译与语义映射的联合学习框架逐渐成为研究热点，相关成果显著提升了跨语言命名实体翻译的准确率和鲁棒性。

一、跨语言命名实体翻译的核心挑战与传统方法局限

跨语言命名实体翻译的难点本质上来源于命名实体的双重属性：作为语言符号的“语音属性”和作为特定指称的“语义属性”。不同类型的实体对两种属性的依赖程度存在显著差异，例如普通外国人名翻译几乎完全依赖音译，而历史文化名人（如“Shakespeare”对应“莎士比亚”）、具有明确含义的机构名（如“WorldHealthOrgan