一种机器翻译痕迹检测方法与流程

1.本发明涉及机器翻译程度检测技术领域，尤其涉及一种机器翻译痕迹检测方法。


背景技术：

2.翻译作为一种信息转换与传播行为，是指把一种语言信息转变成另一种语言信息的过程，且为提高翻译的效率以及普及率，机器翻译逐渐应用于各种翻译场合。但是由于目前的机翻结果存在一定的错误率且与源语言所表达的意思不够匹配，使其依然无法完全取代人工翻译。
3.在语言服务行业验收翻译稿件，或者学校教师指导翻译学生作业时，其中一个常见的需求是识别并评估机器翻译的痕迹，即评估待验文本来自于机器翻译引擎的可能性。目前常见的评估方式是使用正向机器翻译引擎译文与待测译稿进行对比，并以待测译稿与机译译文之间的相似度作为评估指标，或者使用语言模型进行评分。但是上述两种方式均存在无法识别往返翻译的机译痕迹，且由于深度学习模型的非线性特点，最终打分阈值也难以判定。


技术实现要素：

4.有鉴于此，本发明提供一种机器翻译痕迹检测方法，以解决目前检测方式检测结果不够准确，无法识别往返翻译痕迹的技术问题。
5.为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
6.本发明采用如下技术方案：
7.本发明提供一种机器翻译痕迹检测方法，包括：
8.获取双语语料数组中各个句对的目标语言文本相对于正向译文数组的相似度，所述目标语言文本相对于往返译文数组的相似度，以及所述往返译文数组与所述正向译文数组的相似度；
9.将获取的三个相似度数值求取平均值作为机器翻译程度的评分。
10.其中，所述正向译文数组，是由所述双语语料数组中各个句对的源语言文本经正向翻译引擎阵列中各个机器翻译所述源语言文本所得到的多个正向译文文本组成。
11.其中，将所述双语语料数组中各个句对的目标语言文本，经反向翻译引擎阵列中各个机器翻译所述目标语言文本得到的多个反向译文文本，组成反向译文数组；所述往返译文数组，是由所述反向译文数组中各个反向译文文本经正向翻译引擎阵列中各个机器翻译所述反向译文文本所得到的多个往返译文文本组成。
12.进一步的，获取所述目标语言文本相对于所述正向译文数组的相似度的过程包括：计算所述目标语言文本与所述正向译文数组中各个正向译文文本的编辑距离或翻译修订率；计算编辑距离或翻译修订率的平均值，并将该平均值作为所述目标语言文本相对于
所述正向译文数组的相似度数值。
13.进一步的，获取所述目标语言文本相对于所述往返译文数组的相似度的过程包括：计算所述目标语言文本与所述往返译文数组中各个往返译文文本的编辑距离或翻译修订率；计算编辑距离或翻译修订率的平均值，并将该平均值作为所述目标语言文本相对于所述往返译文数组的相似度数值。
14.进一步的，获取所述往返译文数组与所述正向译文数组的相似度的过程包括：计算所述往返译文数组中各个往返译文文本与所述正向译文数组中各个正向译文文本的编辑距离或翻译修订率；计算编辑距离或翻译修订率的平均值，并将该平均值作为所述往返译文数组与所述正向译文数组的相似度数值。
15.进一步的，所述的一种机器翻译痕迹检测方法，还包括：将(e，f，s，s1)元组形式作为结果数组输出，其中，e为所述双语语料数组中各个句对的源语言文本；f为所述双语语料数组中各个句对的目标语言文本；s为三个相似度数值求取的平均值；s1为所述目标语言文本相对于所述正向译文数组的相似度数值，且s1的数值用于评估译后编辑工作量。
16.进一步的，所述的一种机器翻译痕迹检测方法，还包括：将全部的所述结果数组进行排序，且排序规则为按照每一个结果数组中的s数值进行升序排序；将排名在前10％且s数值小于预设的相似度阈值的结果数组作为类似机器翻译的部分输出。
17.进一步的，所述的一种机器翻译痕迹检测方法，还包括：遍历所述双语语料数组中的全部句对，并判断各个句对中的源语言文本长度与目标语言文本长度是否均达到预设的长度阈值；若均达到预设的长度阈值，则进行获取三个相似度数值的过程，否则舍弃该句对。
18.进一步的，所述的一种机器翻译痕迹检测方法，还包括：检测所述双语语料数组的对齐程度，若对齐程度低于预设的对齐阈值，则将所述双语语料数组中的各个语句对齐。
19.本发明所带来的有益效果：基于给定的待测译文、原文的正向译文数组与往返译文数组的相似度来检测机器翻译的痕迹，且相似度的计算采用经典算法，易于通过实践确定阈值，可检测出机器往返翻译的痕迹，使得检测结果更加准确，即可准确的表征出待验文本来自于机器翻译引擎的可能性。
附图说明
20.为了更清楚地说明本发明实施例或现有技术中的技术方案，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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
21.图1是本发明一种机器翻译痕迹检测方法的流程图。
具体实施方式
22.下面结合附图对本发明实施例进行详细描述。应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
23.下面对本文所提到的术语进行解释：
24.语言方向，是指语言翻译的方向，例如需要将中文翻译成英文，则语言方向为中文至英文。
25.文本长度，是指文本的词数量或者字数量(取决于具体案例)，文本t的长度表示为|t|。
26.正向翻译，是指将源语言文本翻译为目标语言文本的动作。
27.正向译文文本，是指通过正向翻译生成的文本。
28.回译(反向翻译)，是指目标语言文本翻译为源语言文本的动作。
29.反向译文文本，是指通过反向翻译生成的文本。
30.往返翻译，是指将源语言文本先正向翻译再回译，或目标语言文本先回译再正向翻译的动作。
31.往返译文文本，是指通过往返翻译生成的文本。
32.编辑距离，是指一个文本x最少经历多少次修改变为文本y，修改包括删除、增加、替换，可用ed(x，y)表示，该值越小说明x和y越相近。其中，本发明针对两个文本的编辑距离的计算方式采用现有任一一种字符串差异程度的量化量测方式即可，本文不再赘述。
33.翻译修订率，是指评估译文x与参考译文y的编辑距离除以参考译文y的文本长度，同样可用ed(x，y)进行表示。
34.平均值，是指一个数组的平均值，例如，数组[x1，x2，x3...xn]的平均值表示为avg([x1，x2，x3...xn])。
[0035]
由于译员可能采取多次往返翻译的策略规避是否为机译的检测，即先使用机器翻译将源语言翻译为目标语言，而后使用机器翻译再将该译文回译到源语言，然后再次将回译的源语言翻译为目标语言，可多次重复上述流程，直到目标语言译稿与最初的正向机译译稿相似度足够低，因此目前的检测机制无法准确的识别往返翻译痕迹，导致检测结果不够准确。
[0036]
针对上述技术问题，如图1所示，在一些说明性的实施例中，本发明提供一种机器翻译痕迹检测方法，包括如下步骤：
[0037]
101：获取原文以及待测译文，并确定语言方向。例如原文为中文，则与其对应的英文文本则为待测译文，本实施例的目的即为对待测译文来自于机器翻译引擎的程度进行评估。
[0038]
102：将原文与待测译文按照行文顺序进行平行排列，即可得到双语语料数组c。检测双语语料数组c的对齐程度，判断当前语句的对齐程度是否低于预设的对齐阈值。
[0039]
103：若对齐程度低于预设的对齐阈值，则将双语语料数组c中的各个语句对齐。给定互为译文的双语文本，在其句子间按照翻译关系建立对应关系的过程、技术和方法称为语句对齐，本发明对于语句对齐程度的检测以及语句对齐的操作方式采用现有的文本检测与序列对齐工具即可。
[0040]
对齐后，提取出双语语料数组c中的各个语句，并按照对应关系组成多个句对，即双语语料数组c中包含有多个句对(e，f)，每个句对均是由源语言文本以及与该源语言文本对应的目标语言文本组成，对于任一句对(e，f)，e是指源语言文本，f是指该源语言文本翻译出的目标语言文本。
[0041]
104：遍历双语语料数组c中的全部句对(e，f)，并判断各个句对(e，f)中的源语言
文本长度与目标语言文本长度是否均达到预设的长度阈值。具体的，设定源语言文本长度的阈值为k，目标语言文本长度的阈值为z，则判断是否满足条件：|e|≥k且|f|≥z。
[0042]
105：若不满足条件：|e|≥k且|f|≥z，则将当前句对(e，f)舍弃，即抽样过滤掉过短的句段，以提高检测效率。
[0043]
若当前句对(e，f)内的源语言文本长度与目标语言文本长度均达到预设的长度阈值，即满足|e|≥k且|f|≥z，则进行获取三个相似度数值的流程，该流程包括步骤106、107以及108。
[0044]
106：获取双语语料数组c中各个句对(e，f)的目标语言文本f相对于正向译文数组o＝[o1，o2，o3...on]的相似度。
[0045]
其中，正向译文数组o＝[o1，o2，o3...on]，是由双语语料数组c中各个句对(e，f)的源语言文本e经正向翻译引擎阵列中各个机器翻译源语言文本e所得到的多个正向译文文本组成。
[0046]
设定正向翻译引擎阵列中具有n个可进行正向翻译的翻译引擎，因此，对于每一个句对(e，f)中的源语言文本e，经n个正向翻译引擎翻译后可得到n个正向译文文本，分别标记为o1，o2，o3...on，将o1，o2，o3...on组成正向译文数组o，即o＝[o1，o2，o3...on]。
[0047]
其中，获取目标语言文本f相对于正向译文数组o＝[o1，o2，o3...on]的相似度的过程包括：
[0048]
首先，计算目标语言文本f与正向译文数组o＝[o1，o2，o3...on]中各个正向译文文本的编辑距离或翻译修订率，即分别计算目标语言文本f与正向译文文本o1、正向译文文本o2直至正向译文文本on之间的编辑距离或翻译修订率，即可得到n个编辑距离或翻译修订率数值，分别记为ed(f，o1)、ed(f，o2)、ed(f，o3)...ed(f，on)。
[0049]
然后，计算上一步骤计算出的n个编辑距离或翻译修订率的平均值，即计算avg([ed(f，o1)，ed(f，o2)，ed(f，o3)...ed(f，on)])，记为s1，即s1的数值作为目标语言文本f相对于正向译文数组的相似度数值。
[0050]
107：获取双语语料数组c中各个句对(e，f)的目标语言文本f相对于往返译文数组g＝[g1，g2，g3...gm]的相似度。
[0051]
将双语语料数组c中各个句对(e，f)的目标语言文本f，经反向翻译引擎阵列中各个机器翻译目标语言文本f得到的多个反向译文文本，组成反向译文数组h＝[h1，h2，h3...hn]。
[0052]
设定反向翻译引擎阵列中具有n个可进行反向翻译的翻译引擎，因此，对于每一个句对(e，f)中的目标语言文本f，经n个反向翻译引擎翻译后可得到n个反向译文文本，分别标记为h1，h2，h3...hn，将h1，h2，h3...hn组成反向译文数组h，即h＝[h1，h2，h3...hn]。
[0053]
其中，往返译文数组，是由反向译文数组h＝[h1，h2，h3...hn]中各个反向译文文本h1，h2，h3...hn经正向翻译引擎阵列中各个机器翻译反向译文文本h1，h2，h3...hn所得到的多个往返译文文本组成。
[0054]
具体的，对于每一个反向译文文本h1，h2，h3...hn，经正向翻译引擎阵列(n个正向翻译引擎)翻译后可得到m个正向译文文本，分别标记为g1，g2，g3...gm，且m≥n，将g1，g2，g3...gm组成往返译文数组g，即g＝[g1，g2，g3...gm]。
[0055]
如果往返译文数组g和反向译文数组h的元素一一对应，即只利用一个正向翻译引
擎进行正向翻译，则m＝n；如果反向译文数组h中每一项都有n个正向译文文本，即利用正向翻译引擎阵列进行正向翻译，则m＝n2；具体的选择根据实际需求而定。
[0056]
其中，获取目标语言文本f相对于往返译文数组g＝[g1，g2，g3...gm]的相似度的过程，包括：
[0057]
首先，计算目标语言文本f与往返译文数组g＝[g1，g2，g3...gm]中各个往返译文文本的编辑距离或翻译修订率，即分别计算目标语言文本f与往返译文文本g1、往返译文文本g2直至往返译文文本gm之间的编辑距离或翻译修订率，即可得到m个编辑距离或翻译修订率数值，分别记为ed(f，g1)、ed(f，g2)、ed(f，g3)...ed(f，gm)。
[0058]
然后，计算上一步骤计算出的m个编辑距离或翻译修订率的平均值，即计算avg([ed(f，g1)，ed(f，g2)，ed(f，g3)...ed(f，gm)])，记为s2，即s2的数值作为目标语言文本f相对于往返译文数组g的相似度数值。
[0059]
108：获取往返译文数组g＝[g1，g2，g3...gm]与正向译文数组o＝[o1，o2，o3...on]的相似度，具体过程包括：
[0060]
首先，计算往返译文数组g＝[g1，g2，g3...gm]中各个往返译文文本与正向译文数组o＝[o1，o2，o3...on]中各个正向译文文本之间的编辑距离或翻译修订率。具体的，分别计算往返译文文本g1与正向译文文本o1、正向译文文本o2直至正向译文文本on之间的编辑距离或翻译修订率；再分别计算往返译文文本g2与正向译文文本o1、正向译文文本o2直至正向译文文本on之间的编辑距离或翻译修订率；直至计算出往返译文文本gm与正向译文文本o1、正向译文文本o2直至正向译文文本on之间的编辑距离或翻译修订率，即可得到m
×
n个编辑距离或翻译修订率数值，分别记为ed(g1，o1)、ed(g1，o2)、ed(g1，o3)...ed(g1，on)、ed(g2，o1)、ed(g2，o2)...ed(g2，on)...ed(gm，on)。
[0061]
然后，计算上一步骤计算出的编辑距离或翻译修订率的平均值，即计算avg([ed(g1，o1)、ed(g1，o2)、ed(g1，o3)...ed(g1，on)、ed(g2，o1)、ed(g2，o2)...ed(g2，on)...ed(gm，on)])，记为s3，即s3的数值作为往返译文数组g相对于正向译文数组o的相似度数值。
[0062]
109：将获取的三个相似度数值s1、s2、s3求取平均值作为机器翻译程度的评分。如果ed为编辑距离函数，则当前句的机器翻译程度评分如下式：
[0063]
s＝(s1+s2+s3)/(|f|
×
3)；
[0064]
如果ed为翻译修订率函数，则当前句的机器翻译程度评分如下式：
[0065]
s＝(s1+s2+s3)/3。
[0066]
110：将(e，f，s，s1)元组形式作为结果数组r输出，即结果以(e，f，s，s1)元组形式推入r，其中，e为双语语料数组c中各个句对的源语言文本；f为双语语料数组c中各个句对的目标语言文本；s为三个相似度数值求取的平均值；s1为目标语言文本f相对于正向译文数组o的相似度数值，且s1的数值用于评估译后编辑工作量，即本发明在评估机译痕迹程度的同时实现译后编辑工作量的评估，使得结果数据更加丰富。
[0067]
111：将全部的结果数组r进行排序，且排序规则为按照每一个结果数组中的s数值进行升序排序，并将排名在前10％且s数值小于预设的相似度阈值p的结果数组作为类似机器翻译的部分输出。
[0068]
在实践中，相似度阈值p的取值由具体语向、领域的经验数据给出，最终，将每一项的s作为机译检测的分数，s1作为译后编辑工作量的依据。本发明实现评估机译痕迹程度以
及译后编辑工作量的评估的同时，还可筛选出类似机器翻译的部分，并独立输出，使得检测结果更加客观、准确，避免全文误判的情况出现。
[0069]
由于译员能够使用的机器翻译引擎主要是主流机器翻译供应商的公开引擎，大多数主流机器翻译供应商的引擎所使用的模型、数据、策略趋同，即对于一家机器翻译供应商而言，任何一个语对(s，t)的训练语料是双向共用的，即正向引擎s-t和反向引擎t-s的语料是相同的。以统计翻译的角度看，两者的语言模型、对齐模型和调序模型也是相一致的，这在神经网络翻译角度也成立。
[0070]
因此，可以粗略的认为：
[0071]
给定语对(s，t)，语料对(e，f)，如果一个t语言文本t是典型的机器翻译输出，其必然趋近于引擎的目标语训练语料f，即t～f，此处“趋近”指的是语言模型上接近f的分布，用词风格上接近f，甚至于在f中存在原文。
[0072]
如果一个语言文本t趋近于f，其必然也有n个典型的反向译文s'趋近于e，即s'～e，这一规律也适用于s到t。如果语言文本t并不趋近于训练语料的目标语文本，其不能被认为类似机器翻译，也必然不存在任何上述的s'。换而言之，一个机器翻译译文t的往返译文文本和自身也是相似的，一个机器翻译译文t的原文s在机器翻译之后和t是相似的，一个机器翻译译文t在多次往返翻译中，每次的往返结果t'都互相相似。
[0073]
因此，本发明利用给定的待测译文、给定原文的正向译文数组o与往返译文数组g的相似度来检测机器翻译痕迹，即给定原文与待测译文的文本对，得到多个句对(e，f)。使用正向翻译引擎阵列将e翻译为o，使用反向翻译引擎阵列将f翻译为h，再使用正向翻译引擎阵列将h翻译为g，最后计算出三个相似度s1、s2、s3，求各个相似度的均值作为机器翻译痕迹的依据，检测结果更加准确。同时，为了增强检测效果，对任意语向的机器翻译，本发明采用多个翻译引擎组成翻译阵列。
[0074]
下面举例说明：
[0075]
记待测译文为f，即目标语言文本为f；正向译文文本为o；往返译文文本为g；总相似度为s；以ter(x，y)作为文本x和文本y的翻译修订率函数，其中y为参考译文。为方便展示，此处没有使用翻译阵列。
[0076]
组一：不知王公子可在里面？
[0077]
a版：
[0078]
[0079]
ter(f，o)＝0.75；
[0080]
ter(f，g)＝0.4；
[0081]
ter(g，o)＝0.5；
[0082]
s＝(0.75+0.4+0.5)/3＝0.550。
[0083]
b版：
[0084][0085][0086]
ter(f，o)＝0.0；
[0087]
ter(f，g)＝0.333；
[0088]
ter(g，o)＝0.375；
[0089]
s＝(0.0+0.333+0.375)/3＝0.236。
[0090]
组二：文学作品的存在方式、传播手段的变化也势必影响到文学本身。a版：
[0091][0092]
ter(f，o)＝0.632；
[0093]
ter(f，g)＝0.333；
[0094]
ter(g，o)＝0.632；
[0095]
s＝(0.632+0.333+0.632)/3＝0.532。
[0096]
b版：
[0097][0098]
所有句对都相同，因此翻译修订率皆为0。
[0099]
组三：向上提起溜板箱右侧的操纵杆手柄，主轴正转；操纵杆手柄回到中间位置，主轴停止转动；操纵杆手柄下压，主轴反转。
[0100]
a版：
[0101][0102]
ter(f，o)＝0.306；
[0103]
ter(f，g)＝0.292；
[0104]
ter(g，o)＝0.070；
[0105]
s＝(0.306+0.292+0.070)/3＝0.223。
[0106]
注意这里往返翻译得到的原始译文和正向译文的翻译修订率已经较高了，而ter(g，o)将分数拉了下去，这是往返翻译检测的典型案例。
[0107]
b版：
[0108][0109]
ter(f，o)＝0.347；
[0110]
ter(f，g)＝0.25；
[0111]
ter(g，o)＝0.449；
[0112]
s＝(0.347+0.25+0.449)/3＝0.349。
[0113]
对比a版的情况，人工译文得到的ter(g，o)更高，最终能得到较大的翻译修订率，证明该文不像是机器翻译。
[0114]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

技术特征：
1.一种机器翻译痕迹检测方法，其特征在于，包括：获取双语语料数组中各个句对的目标语言文本相对于正向译文数组的相似度，所述目标语言文本相对于往返译文数组的相似度，以及所述往返译文数组与所述正向译文数组的相似度；将获取的三个相似度数值求取平均值作为机器翻译程度的评分。2.根据权利要求1所述的一种机器翻译痕迹检测方法，其特征在于，所述正向译文数组，是由所述双语语料数组中各个句对的源语言文本经正向翻译引擎阵列中各个机器翻译所述源语言文本所得到的多个正向译文文本组成。3.根据权利要求2所述的一种机器翻译痕迹检测方法，其特征在于，将所述双语语料数组中各个句对的目标语言文本，经反向翻译引擎阵列中各个机器翻译所述目标语言文本得到的多个反向译文文本，组成反向译文数组；所述往返译文数组，是由所述反向译文数组中各个反向译文文本经正向翻译引擎阵列中各个机器翻译所述反向译文文本所得到的多个往返译文文本组成。4.根据权利要求3所述的一种机器翻译痕迹检测方法，其特征在于，获取所述目标语言文本相对于所述正向译文数组的相似度的过程包括：计算所述目标语言文本与所述正向译文数组中各个正向译文文本的编辑距离或翻译修订率；计算编辑距离或翻译修订率的平均值，并将该平均值作为所述目标语言文本相对于所述正向译文数组的相似度数值。5.根据权利要求4所述的一种机器翻译痕迹检测方法，其特征在于，获取所述目标语言文本相对于所述往返译文数组的相似度的过程包括：计算所述目标语言文本与所述往返译文数组中各个往返译文文本的编辑距离或翻译修订率；计算编辑距离或翻译修订率的平均值，并将该平均值作为所述目标语言文本相对于所述往返译文数组的相似度数值。6.根据权利要求5所述的一种机器翻译痕迹检测方法，其特征在于，获取所述往返译文数组与所述正向译文数组的相似度的过程包括：计算所述往返译文数组中各个往返译文文本与所述正向译文数组中各个正向译文文本的编辑距离或翻译修订率；计算编辑距离或翻译修订率的平均值，并将该平均值作为所述往返译文数组与所述正向译文数组的相似度数值。7.根据权利要求6所述的一种机器翻译痕迹检测方法，其特征在于，还包括：将(e，f，s，s1)元组形式作为结果数组输出，其中，e为所述双语语料数组中各个句对的源语言文本；f为所述双语语料数组中各个句对的目标语言文本；s为三个相似度数值求取的平均值；s1为所述目标语言文本相对于所述正向译文数组的相似度数值，且s1的数值用于评估译后编辑工作量。8.根据权利要求7所述的一种机器翻译痕迹检测方法，其特征在于，还包括：
将全部的所述结果数组进行排序，且排序规则为按照每一个结果数组中的s数值进行升序排序；将排名在前10％且s数值小于预设的相似度阈值的结果数组作为类似机器翻译的部分输出。9.根据权利要求8所述的一种机器翻译痕迹检测方法，其特征在于，还包括：遍历所述双语语料数组中的全部句对，并判断各个句对中的源语言文本长度与目标语言文本长度是否均达到预设的长度阈值；若均达到预设的长度阈值，则进行获取三个相似度数值的过程，否则舍弃该句对。10.根据权利要求9所述的一种机器翻译痕迹检测方法，其特征在于，还包括：检测所述双语语料数组的对齐程度，若对齐程度低于预设的对齐阈值，则将所述双语语料数组中的各个语句对齐。

技术总结
本发明公开一种机器翻译痕迹检测方法，包括：获取双语语料数组中各个句对的目标语言文本相对于正向译文数组的相似度，所述目标语言文本相对于往返译文数组的相似度，以及所述往返译文数组与所述正向译文数组的相似度；将获取的三个相似度数值求取平均值作为机器翻译程度的评分。基于给定的待测译文、原文的正向译文数组与往返译文数组的相似度来检测机器翻译的痕迹，且相似度的计算采用经典算法，易于通过实践确定阈值，可检测出机器往返翻译的痕迹，使得检测结果更加准确，即可准确的表征出待验文本来自于机器翻译引擎的可能性。出待验文本来自于机器翻译引擎的可能性。出待验文本来自于机器翻译引擎的可能性。


技术研发人员：李光华 薛景元
受保护的技术使用者：甲骨易（北京）语言科技股份有限公司
技术研发日：2023.05.17
技术公布日：2023/8/24