英语太难了,孩子学不会,怎么办?
还好,聪明的莉沫酱发明了不会翻译机!它可以把世界上所有的语言都翻译成中文!
-
优点
- 不依赖第三方库,可以轻松移植到网页和手机上
- 无需网络,防止资本主义的走狗偷窥你的隐私
- 速度快,推理时间复杂度好像是
O(n)
的(我也不确定) - 体积小,节省硬盘空间
-
缺点
- 是音译
我们先来翻译国家的名字吧!
America
啊吗啦咖
看起来效果不错,我翻译的比美利坚好嘛!
再试试俄国/德国/波兰——
Russia, Deutsch and Poland.
啦下, 多一起 俺得 伯懒得.
发音非常标准!
好,接下来我们来翻译一些名言,先从长颈鹿开始,因为「长颈鹿是无情的动物」——
Giraffes are heartless creatures.
樵夫丝 二 哈特啦丝 苛礼条丝.
还有「信任他人很好,但是不信任更好」——
It is good to trust others, but, not to do so is much better.
一得 乙巳 歌舞得 度 得啦丝特 俄饿死, 八得, 娜得 度 度 所 乙巳 吗七 八得.
其实原理非常简单。因为中文是拼音拼出来的,而英文是音标拼出来的,所以只要找到它们之间的对应关系,就可以把英文翻译成中文啦。
举个例子,兰斯(lance),英语读作/ˈɫæns/
,中文读作lansi
。那很显然,我们只要把ɫ
变成l
,æ
变成a
,s
变成si
,就好了嘛!
但是这个规则往往不是那么靠谱,比如s
显然不能都变成si
,至少是s
在结尾的时候才能变成si
。以及前面的什么情况下ɫ
变成l
,æ
变成a
,也不是很好确定,所以我想,可以用机器学习来解决这个问题。
于是我收集了1300个英文人名,以及它们对应的音译,让机器从其中学习转换的规则。
我们学习的目标是得到一串转换规则,每个规则即str.replace(a, b)
中的两个参数。
代价函数是读音经过转换后与目标的编辑距离。
那么,显然有一个非常简单的思路——就随机从英文读音中挑一个子串a
,随机从中文读音中挑一个子串b
,然后所有读音全部s = s.replace(a, b)
。如果这样使代价降低了,就把这个规则保存下来,如果没有降低,就把replace操作回滚。
这样理论上是可行的,但是实际效果很差,因为收敛太慢了。
接下来我把它适当地改进一下:
还记得我们现在的每个人名都是一个对(pair),对吧。那现在我们让每个人名随机从它自己中挑出子串a
和b
,如果它自己replace(a, b)
会让它自己的代价降低,它就会把(a, b)
提交给议会。
每个人都提交之后,议会将最多的(a, b)
作为这一轮的规则,把所有读音全部s = s.replace(a, b)
。如果代价降低了,就把这个规则保存下来,如果没有降低,就把replace操作回滚,同时,直到下一个规则通过之前,不再考虑这一轮所用的规则。
嗯对,就这么简单。然后把这个代码放在宿舍里跑半天,你就可以得到一组不错的规则了。
接下来,我们根据得到的规则把音标变成拼音了之后,如何把拼音还原回汉字呢?
只需要用一个简单的O(n)
DP——
我们的目标是把一组拼音尽可能地变成汉字,也就是说,我们的目标是尽可能把拼音一字不剩地用完。
因此我们以当进行到第i
个位置时,无法被消耗掉的拼音为代价,可以写出这样的转移方程——
代价[i] = min([代价[j] + f(s[j:i]) for j in range(i-k, i)])
其中函数f
定义为,如果子串s
是一个合法的拼音,返回0
,否则返回len(s)
。k
为最长的拼音的长度,如果长度超过k
,那么s[j:i]
显然不合法。
好,就是这样,最后把方程跑过一遍,就可以把拼音还原回汉字了。
首先你需要有一个Python3.7以上版本,然后把这个仓库clone回去,再from not_translator import translate
,就行了。
好累啊我先休息一会,等下发pip包吧
接口是这样的——
def translate(s: str) -> str: ...
好,我回去睡觉了,大家88!