买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜厦门大学申请的专利一种基于语法树的多任务学习手语翻译方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114492796B 。

龙图腾网通过国家知识产权局官网在2025-03-25发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210122504.5，技术领域涉及：G06F40/253；该发明授权一种基于语法树的多任务学习手语翻译方法是由陈毅东;张国成;史晓东设计研发完成，并于2022-02-09向国家知识产权局提交的专利申请。

本一种基于语法树的多任务学习手语翻译方法在说明书摘要公布了：一种基于语法树的多任务学习手语翻译方法，涉及手语翻译。包括以下步骤：1获得口语句子的语法树，并构造数据集；2搭建神经网络，主要分为编码器和解码器两部分；在编码器得到输入的抽象特征表示后，将其输入到解码器中进行解码；3预测语法树的先序遍历序列、语法树每个节点的深度以及口语句子。通过多任务学习方式来提升模型的翻译性能。不仅适用于手语翻译的翻译过程，同样可以用于神经机器翻译任务。在翻译的鲁棒性上要好于基础Transformer模型。在模型解码过程中，不仅仅预测口语句子，还要预测其对应的语法树，通过硬参数共享，以便更充分的挖掘训练数据集中隐藏的深层信息，从而使得翻译模型的预测结果更加准确。

本发明授权一种基于语法树的多任务学习手语翻译方法在权利要求书中公布了：1.一种基于语法树的多任务学习手语翻译方法，其特征在于包括以下步骤：1获得口语句子的语法树，并构造数据集；所述获得口语句子的语法树，使用伯克利句法分析器获得语法树的先序遍历序列，由于先序遍历序列对应语法树的具体结构多，采用深度信息还原语法树的具体结构；所述构造数据集是构造多任务学习所需数据集，输入为手语词汇序列，输出包括语法树的先序遍历序列、语法树每个节点的深度以及口语句子共三部分内容；2搭建神经网络；所述神经网络基于开源的Transformer模型，分为编码器和解码器两部分；手语词汇序列首先经过词嵌入和位置编码，然后输入到编码器中；编码器由N个相同的层堆叠而成，每层由两个子层组成，分别是多头注意力机制和前馈神经网络，并且每个子层都加了残差连接和正则化，假设输入为x，则子层的输出表示为：sub_layer_out＝LayerNormx+SubLayerxx1所述多头注意力机制由注意力机制演化而来，所述注意力机制由以下形式表示： 其中，Q,K,V为注意力机制中涉及的三个向量，Q表示一个查询，计算它和每个K的相似度作为权重，然后使用softmax函数对权重进行归一化，最后对权重和对应的V进行加权求和；所述多头注意力机制通过h个不同的线性变换对Q,K,V进行投影，然后将不同的注意力机制结果拼接起来：MultiHeadQ,K,V＝Concathead1,…,headhWO3其中，headi表示为：headi＝AttentionQWiQ,KWiK,VWiV4所述前馈神经网络提供非线性变换，将前一层网络的输出转换为合适的维度；在编码器得到输入的抽象特征表示后，将其输入到解码器中进行解码；所述解码器的结构与编码器类似，区别在于还包括一个遮掩多头注意力机制，在解码器的多头注意力机制中，K,V来自编码器的输出，而Q则来自解码器的上一个输出；3预测语法树的先序遍历序列、语法树每个节点的深度以及口语句子；所述预测语法树的先序遍历序列、语法树每个节点的深度以及口语句子的具体步骤为：首先将解码器的输出经过线性层转换为词表大小的维度，然后经过softmax函数计算单词概率分布；针对语法树的先序遍历序列、语法树每个节点的深度和口语句子，需要三个分支进行预测，最终的损失函数为： 其中，α、β是两个超参数，因为语法树的节点和深度密不可分，所以将两者的损失函数权重设为一样；而lp、lt分别表示预测的语法树和口语句子的长度；分别为在某个时间步上预测语法树先序遍历序列、语法树每个节点深度和口语句子的概率分布；ypi、yli、ytj分别表示语法树先序遍历序列、语法树每个节点深度和口语句子真实的one-hot向量；·,·表示内积；最终的训练目标是最小化L。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人厦门大学，其通讯地址为：361005 福建省厦门市思明区思明南路422号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。