自然语言理解课程设计.docx
- 文档编号:6206464
- 上传时间:2023-01-04
- 格式:DOCX
- 页数:9
- 大小:25.80KB
自然语言理解课程设计.docx
《自然语言理解课程设计.docx》由会员分享,可在线阅读,更多相关《自然语言理解课程设计.docx(9页珍藏版)》请在冰豆网上搜索。
自然语言理解课程设计
自然语言理解
课程设计报告
机器翻译系统的分析
一、课题分析
机器翻译(machinetranslation),又称为自动翻译,是利用计算机把一种自然源语言转变为另一种自然目标语言的过程,一般指自然语言之间句子和全文的翻译。
它是自然语言处理(NaturalLanguageProcessing)的一个分支,与计算语言学(ComputationalLinguistics)、自然语言理解(NaturalLanguageUnderstanding)之间存在着密不可分的关系。
机器翻译的研究是建立在语言学、数学和计算机科学这3门学科的基础之上的。
语言学家提供适合于计算机进行加工的词典和语法规则,数学家把语言学家提供的材料形式化和代码化,计算机科学家给机器翻译提供软件手段和硬件设备,并进行程序设计。
缺少上述任何一方面,机器翻译就不能实现,机器翻译效果的好坏,也完全取决于这3个方面的共同努力。
整个机器翻译的过程可以分为原文分析、原文译文转换和译文生成3个阶段。
在具体的机器翻译系统中,根据不同方案的目的和要求,可以将原文译文转换阶段与原文分析阶段结合在一起,而把译文生成阶段独立起来,建立相关分析独立生成系统。
在这样的系统中,原语分析时要考虑译语的特点,而在译语生成时则不考虑原语的特点。
在搞多种语言对一种语言的翻译时,宜于采用这样的相关分析独立生成系统。
也可以把原文分析阶段独立起来,把原文译文转换阶段同译文生成阶段结合起来,建立独立分析相关生成系统。
在这样的系统中,原语分析时不考虑译语的特点,而在译语生成时要考虑原语的特点,在搞一种语言对多种语言的翻译时,宜于采用这样的独立分析相关生成系统。
还可以把原文分析、原文译文转换与译文生成分别独立开来,建立独立分析独立生成系统。
在这样的系统中,分析原语时不考虑译语的特点,生成译语时也不考虑原语的特点,原语译语的差异通过原文译文转换来解决。
在搞多种语言对多种语言的翻译时,宜于采用这样的独立分析独立生成系统。
二、国内外研究进展
近年来,自然语言处理的研究已经成为热点,而机器翻译作为自然语言研究领域的一个重要分支,同时也是人工智能领域的一个课题,同样为大家所关注。
机器翻译的研究历史可以追溯到20世纪三四十年代。
20世纪30年代初,法国科学家G.B.阿尔楚尼提出了用机器来进行翻译的想法。
1933年,苏联发明家П.П.特罗扬斯基设计了把一种语言翻译成另一种语言的机器,并在同年9月5日登记了他的发明;但是,由于30年代技术水平还很低,他的翻译机没有制成。
1946年,第一台现代电子计算机ENIAC诞生,随后不久,信息论的先驱、美国科学家W.Weaver和英国工程师A.D.Booth在讨论电子计算机的应用范围时,于1947年提出了利用计算机进行语言自动翻译的想法。
1949年,W.Weaver发表《翻译备忘录》,正式提出机器翻译的思想。
走过六十年的风风雨雨,机器翻译经历了一条曲折而漫长的发展道路,学术界一般将其划分为如下四个阶段:
(1)开创期(1947-1964)
1954年,美国乔治敦大学(GeorgetownUniversity)在IBM公司协同下,用IBM-701计算机首次完成了英俄机器翻译试验,向公众和科学界展示了机器翻译的可行性,从而拉开了机器翻译研究的序幕。
中国开始这项研究也并不晚,早在1956年,国家就把这项研究列入了全国科学工作发展规划,课题名称是“机器翻译、自然语言翻译规则的建设和自然语言的数学理论”。
1957年,中国科学院语言研究所与计算技术研究所合作开展俄汉机器翻译试验,翻译了9种不同类型的较为复杂的句子。
从20世纪50年代开始到20世纪60年代前半期,机器翻译研究呈不断上升的趋势。
美国和前苏联两个超级大国出于军事、政治、经济目的,均对机器翻译项目提供了大量的资金支持,而欧洲国家由于地缘政治和经济的需要也对机器翻译研究给予了相当大的重视,机器翻译一时出现热潮。
(2)受挫期(1964-1975)
1964年,为了对机器翻译的研究进展作出评价,美国科学院成立了语言自动处理咨询委员会(AutomaticLanguageProcessingAdvisoryCommittee,简称ALPAC委员会),开始了为期两年的综合调查分析和测试。
1966年11月,该委员会公布了一个题为《语言与机器》的报告(简称ALPAC报告),该报告全面否定了机器翻译的可行性,并建议停止对机器翻译项目的资金支持。
这一报告的发表给了正在蓬勃发展的机器翻译当头一棒,机器翻译研究陷入了近乎停滞的僵局。
(3)恢复期(1975-1989)
进入70年代后,随着科学技术的发展和各国科技情报交流的日趋频繁,国与国之间的语言障碍显得更为严重,传统的人工作业方式已经远远不能满足需求,迫切地需要计算机来从事翻译工作。
同时,计算机科学、语言学研究的发展,特别是计算机硬件技术的大幅度提高以及人工智能在自然语言处理上的应用,从技术层面推动了机器翻译研究的复苏,机器翻译项目又开始发展起来,各种实用的以及实验的系统被先后推出,例如Weinder系统、EURPOTRA多国语翻译系统、TAUM-METEO系统等。
而我国在“十年浩劫”结束后也重新振作起来,机器翻译研究被再次提上日程。
“784”工程给予了机器翻译研究足够的重视,80年代中期以后,我国的机器翻译研究发展进一步加快,首先研制成功了KY-1和MT/EC863两个英汉机译系统,表明我国在机器翻译技术方面取得了长足的进步。
(4)新时期(1990至今)
随着Internet的普遍应用,世界经济一体化进程的加速以及国际社会交流的日渐频繁,传统的人工作业的方式已经远远不能满足迅猛增长的翻译需求,人们对于机器翻译的需求空前增长,机器翻译迎来了一个新的发展机遇。
国际性的关于机器翻译研究的会议频繁召开,中国也取得了前所未有的成就,相继推出了一系列机器翻译软件,例如“译星”、“雅信”、“通译”、“华建”等。
在市场需求的推动下,商用机器翻译系统迈入了实用化阶段,走进了市场,来到了用户面前。
随着语言学理论的发展、计算机技术的进步以及统计学和机器学习方法在自然语言处理领域中的广泛应用,人们对机器翻译本身的应用背景、目标等也有了更加准确的认识,机器翻译在此背景下取得了长足的发展,基于统计、基于实例等新的机器翻译方法也都是在这一时期出现,一些机器翻译系统也从实验室走向了市场。
在中国,机器翻译的研究从50年代开始,多家大学和研究机构先后开发出俄汉、英汉、汉英、日汉、汉日等机器翻译系统,同时在汉语的自然语言理解方面做了大量的研究。
在看到机器翻译研究取得进展的同时,我们也知道,由于对语言规律本身认识仍然不足,以及计算机对语言理解的局限性,再加上不同语言之间存在着语法结构、构造方式、语言习惯、社会背景等等的不同,机器翻译的效果与大家所期待的仍有非常大的差距。
三、翻译系统主要技术要点及性能比较分析
(一)典型的机器翻译方法和技术
机器翻译是建立在语言学、数学、信息学、计算机科学等学科基础上的多边缘学科(它的发展是建立在语言学、数学、计算机科学的发展基础之上)现代理论语言学的发展、计算机科学的进步以及概率统计学的引入,对机器翻译的理论和方法都产生了深刻的影响。
Weaver机器翻译思想的提出,开始了机器翻译的研究热潮。
Chomsky在50年代后期提出的短语结构语法,给出了“从规则生成句子”的原则。
由于短语结构语法采用单一标记的短语结构来描述句子的构成,描述粒度过粗,因此存在约束能力弱、生成能力过强问题,人们逐渐意识到仅依靠单一的短语结构信息,不能充分判别短语类型和确认短语边界,于是,复杂特征集和词汇主义被引入自然语言语法系统,广义短语结构语法、词汇功能语法、中心语驱动的短语结构语法等语言学理论也相应的产生。
在这个发展过程中,基于规则方法一直是机器翻译研究的主流。
在基于规则的方法中,语言规则的产生需要大量的人力,而且大量的语言规则之间往往存在着不可避免的冲突。
另外,规则方法在保证规则的完备性和适应性方面也存在着不足。
而此时,统计学方\法在自然语言处理的语音识别领域取得了比较好的效果,于是,基于统计的机器翻译应运而生。
随着双语语料的大量增加、计算机性能的提高,基于实例的机器翻译方法被提出,并由此泛化产生了基于模板的机器翻译方法。
下面我们分别介绍几种典型的机器翻译方法。
1、基于规则的机器翻译方法(Rule-BasedMachineTranslation)
从Chomsky提出转换生成文法之后,基于规则的方法一直是机器翻译研究的主流,Chomsky认为一种语言无限的句子可以由有限的规则推导出来。
早期的机器翻译系统,从体系结构上可以分为直译式、转换式和中间语言式,它们的不同之处在于对源语言分析的深度,它们的相同点是都需要大规模的双语词典、大量的源语言推导规则、语言转换规则和目标语言生成规则。
其中,转换式的基于规则方法对源语言分析得比较深,它涉及到词汇结构分析、语法分析、语义分析,并完成词汇、语法、语义三层结构从源语言到目标语言的转换,而且转换式的方法又充分考虑了源语言和目标语言之间的特征联系,它比中间语言方法更容易获得高质量的翻译结果。
因此,转换式的方法更多地被应用在早期的机器翻译系统中,整个翻译过程被分为:
源语言分析部分,转换部分和目标语生成部分。
而早期的系统,如德国西门子的METAL系统、美国的SYSTRAN系统、日本日立公司的ATHENE系统以、及中国中软公司的HY-1汉英系统,都是基于转换的机器翻译系统。
基于规则的机器翻译的优点在于:
规则可以很准确的描述出一种语言的语法构成,并且可以很直观的表示出来。
机器可以按照一组规则来理解它面对的自然语言,这组规则包含了不同语言层次的规则,包括用以对源语言进行描述的源语言分析规则、用以对源语言/目标语言之间的转换规则以及用于生成目标语的生成规则。
由此可见,基于规则的机器翻译的核心问题是构造完备的或适应性较强的规则系统。
但是,规则库的建立需要花费大量的人力和物力,即使如此,规则的完备性仍然不能得到保证,规则库很难覆盖所有的语言现象。
随着规则数量的增加,规则之间的冲突很难避免;很难用系统化的规则分类体系、恰当的规则粒度去刻画语言特征。
而且早期的规则系统采用的都是确定性规则,即:
非此即彼的规则,系统的适应性很差。
基于上述问题,如何自动地获取语言规则、如何更好的表示规则以及如何更好地增强系统的适应能力成为研究人员关注的焦点。
随着大量语料库的产生,统计方法为我们提供了很好的从已有的语言资源中自动得到我们所需要的语言信息的工具。
复杂特征集和合一运算的提出也使得我们能以更细的粒度、更加准确的知识表示形式来描述规则,而词汇化的信息也更多的来自于标注语料库。
针对确定性规则降低了系统的鲁棒性的弱点,概率上下文无关文法从全局最优的角度考虑,产生最优的翻译结果,为机器翻译系统的实用化奠定了基础。
随着这些方法的引入,传统的基于规则的机器翻译方法研究逐步发展成为对以规则为基础、语料库方法为辅助的高性能机器翻译方法的研究。
2.基于统计的机器翻译方法(Statistical-BasedMachinetranslation)
除了在某些特定的受限领域,基于规则的机器翻译,取得了比较好的效果(如Isabelle1987所做的天气预报翻译)之外,在大部分的实验中,基于规则的机器翻译远远没有达到人们的要求。
而随着语料库语言学的发展和统计学、信息论在自然语言处理领域的应用,人们尝试着用统计的方法进行机器翻译的研究。
对于机器翻译来说,基于统计的方法可以从两个层面上来理解,一种是指某些概率统计的方法在具体的机器翻译过程中的应用,比如用概率统计的方法解决词性标注的问题、词义消歧的问题等。
另一种较狭义的理解是指纯粹的基于统计的机器翻译,翻译所需的所有知识都来源于语料库本身。
IBM的Brown在1990年首先将最初应用于语音识别领域的统计模型用于法英机器翻译。
基本思想是:
用信道模型把机器翻译看作一种解码的过程。
基于统计的机器翻译也可以用下面这个公式来说明:
best-translationT=argmaxTluency(T)faithfulness(T,S)
其中,T表示目标语言句,S表示源语言句。
fluency(T)相当于语言模型,它反映目标语言句子的质量,faithfulness(T,S)相当于翻译模型,表示从源语言到目标语言的翻译质量。
从上面的公式可以看出,翻译的过程其实也是一个寻求最优翻译结果的过程。
因此,基于统计的机器翻译的关键首先是定义最适合的语言概率模型和翻译概率模型,其次,需要从已经存在的语言资源中,对语言模型和参数模型的概率参数进行估计。
早期的语言模型基本上采用二元、三元模型,语言模型的参数估计需要大量的单语语料库,二元模型参数通过两个词的搭配频率来计算,三元模型参数则通过计算相邻三元词的出现频率进行估计。
近年来,基于统计的机器翻译翻译采用基于语法的语言模型,利用树库训练语言模型参数。
翻译模型需要计算源语和目标语对之间的转换概率,因此翻译模型参数估计需要大量对齐的双语语料库。
Brown详细介绍了五种翻译模型,并且用EM算法对双语语料进行训练,估计翻译模型参数,尽管统计机器翻译在语音识别领域取得了一定的成功,但是它需要大量的双语语料库,而且存在着数据稀疏问题。
因此,如何构建大规模的对齐双语语料库,以及找到比较好的平滑算法进行准确的参数估计,成了基于统计机器翻译系统实现中的关键问题。
除此之外,要找到最优的译文,也需要好的搜索算法。
模型和翻译模型,而最初的统计模型很少考虑语言的特征信息,对一些特定语言所特有的语言特征分析得不够。
例如,在英语的词汇形态分析中,对单词“see”和“saw”,原型和过去型完全按照不同的词汇进行参数估计,这就造成了对语言模型和翻译模型构建的不准确性。
IBM[7]将一些浅层的词汇信息结合到统计模型当中去,FranzJosef在ACL’02上发表的文章介绍的基于最大熵的统计机器翻译方法中,训练模型中也充分考虑了源语言和目标语言的语言特征。
语言特征的引入,提高了基于统计的机器翻译的性能,同时也对语料库的标注提出了更高的要求,这从某种意义上说也是基于规则的机器翻译方法和基于统计机器翻译方法的融合,或者说是统计方法在处理语言学问题上的延伸,体现了下面我们要介绍的基于混合策略的机器翻译方法研究的必要性。
3.基于实例的机器翻译方法(Example-BasedMachineTranslation)
基于实例的机器翻译思想最早由Nagao[2]提出,其基本思想是,在已有的源语言实例句库中,待翻译句子按照类比原理匹配出最相似的实例句,取出实例句对应的目标语句子,进行适当的改造,最终得出待翻译句子所相应的目标语句子。
整个翻译过程实际上是一个匹配过程。
它的特点是不需要对源语言进行任何的分析,仅仅是通过类比进行翻译。
从翻译过程来看,句子一级对齐的双语语料库是基于实例的机器翻译系统的知识源,在基于实例的机器翻译系统中,双语对齐语料库被称为翻译记忆库(TranslationMemory)。
对于基于实例的系统,首先,待翻译句子需要从翻译记忆库中找出最相似的源语言句子,一般根据词典或者语言的本体知识(Ontology),根据句子中词汇或者词类之间的语义距离来计算句子的相似度,Federica在2002年的一篇文章概述了基于实例机器翻译相似度的计算方法以及句子匹配算法。
基于实例的机器翻译系统的翻译质量取决于翻译记忆库的规模和覆盖率。
因此如何构建大规模翻译记忆库成为基于实例的机器翻译研究的关键问题。
对于双语语料对齐研究,Gale等描述了基于长度和基于偏移量的语料库的句子和段落对齐方法,Kay提出了基于词汇特征的句子对齐方法。
现阶段,由于缺少大规模的双语对齐语料库,基于实例的机器翻译方法匹配率并不是很高,而基于实例的机器翻译如果匹配成功,可以获得高质量的译文,因此基于实例的机器翻译一般和基于规则的机器翻译结合使用,Satoshi就提出了基于规则和基于实例相结合的机器翻译方法,产生了比较好的翻译结果。
对于匹配命中率过低的问题,我们试着做到短语级的双语对齐,以提高匹配命中率,通过短语结构的局部匹配,组合相应的目标语句子框架,完成句子的翻译,这种方法进而泛化为基于模板(Template-based)的机器翻译,通过大规模的双语语料,自动抽取翻译模板,翻译过程匹配模板库。
这种方法增加了匹配的命中率,模板库规模比实例库要小,因此也提高了系统的效率。
而模板的自动获取仍然是翻译的关键。
基于实例的机器翻译方法依然面临着很多的问题,对于相似度计算,如果计算词类或者短语级的相似度,则需要首先对我们的翻译记忆库本身进行标注。
而且很难定义一个相似度标准选出最合适的相似句,此外随着翻译记忆库规模的扩大,需要一个高速的查询匹配算法,同时需要在增加翻译记忆库的规模、提高匹配率的同时,保证翻译记忆库的冗余度。
在机器翻译研究的过程中,各种机器翻译方法层出不穷,其它的还有基于模式的机器翻译、基于神经网络的机器翻译、基于对话的机器翻译、基于原则的机器翻译等等,现有的各种机器翻译方法在现阶段的机器翻译研究中被广泛采用,它们之间已经没有严格的界限。
基于规则的机器翻译方法结合语料库的方法,大量使用统计方法获取语言信息,而基于统计的机器翻译和基于实例的机器翻译更是相互渗透,基这两种方法统称为基于语料库的方法,因为它们同样依靠双语语料库。
(二)国际国内的较为成熟的机器翻译系统
Google的在线翻译已为人熟知,其背后的技术即为基于统计的机器翻译方法,基本运行原理是通过搜索大量的双语网页内容,将其作为语料库,然后由计算机自动选取最为常见的词与词的对应关系,最后给出翻译结果。
不可否认,Google采用的技术是先进的,但它还是经常闹出各种“翻译笑话”。
其原因在于:
基于统计的方法需要大规模双语语料,翻译模型、语言模型参数的准确性直接依赖于语料的多少,而翻译质量的高低主要取决于概率模型的好坏和语料库的覆盖能力。
基于统计的方法虽然不需要依赖大量知识,直接靠统计结果进行歧义消解处理和译文选择,避开了语言理解的诸多难题,但语料的选择和处理工程量巨大。
因此通用领域的机器翻译系统很少以统计方法为主。
下面对几个常见的翻译系统做个比较
1.支持的语言数量谁最多
网站翻译系统支持的语种越多,该网站拥有的不同国家的用户数量就越多,同时也会给广大用户提供更多的方便。
下面我们来看一下这几个网站的翻译系统所支持的语种数量
Google支持11语种25类直译 Google涵盖了汉语(简体、繁体汉语统称为汉语)、英语、法语、德语、俄语、日语、韩语、葡萄牙语、西班牙语、意大利语和阿拉伯语11个语种共计25个类型的直译选项。
Yahoo支持12语种40类直译Yahoo在线翻译提供涵盖了汉语、英语、法语、德语、俄语、日语、韩语、葡萄牙语、西班牙语、意大利语、荷兰语和希腊语12个语种共计40个类型的直译选项。
爱词霸支持3语种6类直译金山“爱词霸”提供了简(繁)体中文与英文的互译,日文翻译为简(繁)体中文3种语言的常见翻译类别。
两个复选框搭配组合最多实现6个类型的直译(图3)。
金桥翻译支持13语种40类直译金桥翻译在文本翻译方面涵盖了汉语、英语、法语、德语、俄语、日语、韩语、葡萄牙语、西班牙语、意大利语、荷兰语、希腊语和阿拉伯语13个语种共计40个类型的直译选项。
2.翻译的质量谁最好
基于我国外语的学习情况,英文是众多朋友最为熟悉、最有代表性外语语种,对英文翻译的需求也最为广泛,因此,我们以英文和中文间的翻译作为本次评测的对象。
1).对单个单词的翻译情况。
英语单词往往包含很多不同的意思。
如果不能全面了解单词包含的意思,可能影响一个句子甚至一段话的含义。
因此,翻译的正确程度,以及单词的扩展介绍和固定搭配用法举例等解释,也是衡量翻译网站翻译质量的一个重要方面。
我们以单词“drive”为例子,分别系下列网站进行测试。
Google不支持中文解释。
Google中的词典功能很不完善,它甚至不能够用中文来解释这个单词的含义,虽然在搜索出的结果里面增加了“相关词组(relatedphrases)”和“相关语言(relatedlanguages)”的搜索。
但是只支持英语、法语、德语、意大利语、韩语、俄语和西班牙语的单词解释,让中国用户完全无法使用。
Yahoo功能完善解释全面。
Yahoo的字典功能包含了英汉字典、英英字典、例句、网络解释四个部分,并且在每个部分里面,都尽可能的列出了该词语的语义。
在“英汉字典”里面列出了该词语的名词(n.)、及物动词(vt.)、不及物动词(vi.)三种词性,并且在每个词性里面都详细分条例举了该词语的意思,而且在每个意思的下方都附加了相关例句。
音标、同义词/反义词、词性变化、相关词组、相似单词、英英字典、例句、网络解释等一应俱全。
爱词霸解释简明扼要。
金山爱词霸秉承了其收录多部词典的优势,分成4个大词典对词语分别作出解释,比如“现代汉英综合大词典”就包含了基本解释、同义词、例句(实际上是词组)三个部分。
简明扼要,符合国人的使用习惯。
金桥翻译解释趋向专业。
金桥翻译调用金桥翻译中心推出的的谷词()专业翻译词典网站。
词典搜索结果包括了各条含义、更多例句、相关词、变化形等内容。
同时可以实现“专业解释”和“简单解释”的搜索效果。
总的对这几个翻译系统进行比较。
1.google优点:
支持的语种非常丰富,翻译比较准确,自动翻译,粘贴完成后即可完成,有API可二次开发;
缺点:
有时候翻译的不知所云。
2.bing优点:
支持语种丰富,翻译比较准确,日常使用可跟google结合起来,二者相比各有所长,有时候bing准确,有时候google准确,也有API可供二次开发;
缺点:
也是偶尔不知所云。
3.XX优点:
某些翻译非常准确,语种非常少;
缺点:
相比google和bing,支持的语种少很多,同时翻译质量也要差很多。
4.有道优点:
翻译质量还行,语种较丰富,基本大语种都有了;
缺点:
语种比google和bing要少,同时质量要差。
5.巴比伦
优点:
语种非常丰富,翻译质量也不错,有客户端,使用方便;
缺点:
很多服务项目都需付费。
6.金山词霸
优点,翻译质量马马虎虎,有客户端;
缺点:
语种少,质量是所有里面最差的。
四、未来的研究展望
在机器翻译发展的几十年里,机器翻译取得了很大的进展,特别是最近的十五年,各种机器翻译技术不断出现。
网络的兴起,也给机器翻译提供了新的应用背景,一些实用化的机器翻译系统出现在市场上,如在线翻译,网页、电子邮件的翻译等等。
同时,机器翻译依然面临很多的问题,如:
知识获取问题、歧义问题以及如何更好的认识语言特征规律等。
直到现在,ALPAC提出的报告仍然有值得我们反思的地方。
我们应该重新审视机器翻译的终结目标,即全自动获得高质量的翻译,由于语言之间的差别涉及到语言文化上、社会背景上的差异,完全意义上的全自动翻译并不是一个现实的目标,我们需要对目标进行重新的定位。
现阶段的机器翻译,应该起着辅助人工的作用,在某些受限领域寻求突破,机器翻译应该作为一个工具,而不是一个独立的系统,去给自然语言处理的其它任务服务,比如数据挖掘、信息检索等,去寻求新的应用场景,比如移动电话的短信翻译、电视的字幕翻译、各种信息的多语发布等等。
机器翻译始终是一项有挑战性的工作,值得我们锲而不舍地去深入研究。
五、参考文献
1、混合式机器翻译中单词处理的一些技术探讨-科技通报-2011年第1期(27)
2、基于语义网技术的网络机器翻译研
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 自然语言 理解 课程设计