微服务其实就是服务化思路的一种最佳实践方向，遵循 SOA（面向服务的架构） 的思路。
机器之心报道 机器之心编辑部 来自清华大学计算机科学与技术系、中国人民大学信息学院等机构的多位学者深入地研究了预训练模型的历史和发展趋势，并在这篇综述论文中从技术的角度理清了预训练的来龙去脉。 BERT 、GPT 等大规模预训练模型（PTM）近年来取得了巨大成功，成为人工智能领域的一个里程碑。由于复杂的预训练目标和巨大的模型参数，大规模 PTM 可以有效地从大量标记和未标记的数据中获取知识。通过将知识存储到巨大的参数中并对特定任务进行微调，巨大参数中隐式编码的丰富知识可以使各种下游任务受益。现在 AI 社区
---- 新智元报道 编辑：拉燕 好困 【新智元导读】最近，由1000多位科学家组成的团队历时117天，搞出来了个超大的开源NLP模型。 上半年，世界范围内1000多个科学家联合搞了个大团队。 他们将会英勇地团结起来，一起反抗... 众所周知，自然语言处理这一块的模型和数据库一直都被科技大厂牢牢地掌握在手里。从某种程度上讲，这算是一种技术垄断。 这1000个科学家，有搞伦理的，有搞法律的，甚至还有搞哲学的。当然，也不乏来自Meta和谷歌的员工，不过他们都是以个人身份参与进来的。 他们的目的也很简
Similarities 相似度计算、语义匹配搜索工具包，实现了多种相似度计算、匹配搜索算法，支持文本、图像等。
随着经济全球化的深入，许多中国品牌纷纷开始在海外市场开疆扩土。实现全球化意味着你的产品或者应用需要能够在全球各地的语言环境使用，我们在进行海外业务的推进时，需要面对的最大挑战就是多语言问题。实现好多语言系统的本地化，更方便快捷的修改多语言文案能让你的产品在各个国家地区里有更强的产品竞争力和更好的用户体验以及更低的维护成本。以此为目标，在vivo外销项目的发展过程中我们经过多次迭代，最终结合公司中间件的能力，实现了一套完整的多语言解决方案。
这篇论文的作者是来自于Google Research的Telmo Pires，Eva Schlinger和Dan Garrette。既然BERT能够在每一层都学习到特殊的表层、句法以及语义特征表示，那么多语言BERT（M-BERT）在上面学到了什么呢？多语言BERT在零样本迁移学习上又表现如何呢？
随着神经网络机器翻译的快速发展，为了实现多语言之间的相互翻译，通常需要构建多个一对一的翻译模型。一方面每个翻译模型需要大规模存储和计算资源，从而多语言翻译的存储和计算消耗非常巨大；另一方面多语言翻译在独立模型下无法实现知识共享。近年来，使用一套框架解决多语言机器翻译任务受到人们越来越多的关注。多语言机器翻译不仅可以有效的解决资源消耗和知识共享问题，同时由于参与翻译语言对的扩充，对于低资源和零资源翻译任务上有了一定程度的提升。本次分享会上我们：
本项目主打一个一处配置多语言，多处使用的想法。助力项目方便快捷实现国际化（多语言）。 主要解决的问题：
纸壳CMS已经从架构上支持多语言。但是多语言功能默认是没有开启的。您可以从设置中开启多语言，或者随时关闭它，您可以随时进行切换。
AI真能无师自通，对于我们这些“因为语言不通而分散在各处”的人们来说，简直是天大的福音。
随着全球化的推进，多语言处理成为自然语言处理（NLP）领域的一个关键挑战。本文将深入研究NLP在多语言处理中的应用，探讨其原理、常见技术和面临的挑战。通过详细解析多语言处理的实践，我们将了解如何有效地处理不同语言的文本数据。
是不是又来一个标题党呢？因为这次真的不知道怎么起名字了。而且有非常多的纠结，想到哪里写到哪里吧。这是一个很长的故事，但在今天我们是一个重要的里程碑。
如上图所示，主要就是提供了三个方法，不过在了解具体实现前先看一下组件中是如何使用多语言的。
学习的目的是为了将来进行应用程序的开发，而不是进行语言理论研究 ；将来的应用开发是在成熟的平台上展开，而不是自己从底层开发平台 。 一、掌握静态方法和属性 静态方法和属性用于描述某一类对象群体的特
在本文中，作者提出了M3P，一个多任务、多语言、多模态预训练模型 ，通过多任务预训练目标将多语言预训练和多模态预训练结合到一个统一的框架中。M3P的目标是学习通用的表示，可以将以不同方式出现的对象或以不同语言表达的文本映射到一个公共语义空间。
作者丨陈怡然 论文地址：https://openreview.net/pdf?id=Heggj7GSZ5 网页地址：https://mtg-benchmark.netlify.app/ 1 前言 随着
Multilingual是NLP中的研究热点之一，其中的一个研究方向是如何构建多语言预训练语言模型，实现不同语言的在隐空间的对齐，一个模型支持多语种的NLP任务，同时利用数据丰富的语言提升数据较少的语言效果。这篇文章就为大家整理了Multilingual多语言预训练语言模型的套路，包括XLM、XLM-R、ERNIE-M、Unicoder、ALM等5个经典模型，以及这些模型之间的演进关系。
来源：机器之心本文约2500字，建议阅读5分钟本文介绍了基于神经标签搜索情况下，中科院和微软亚研的实验进展。 这项研究旨在解决零样本下法语、德语、西班牙语、俄语和土耳其语等多语种的抽取式摘要任务，并在多语言摘要数据集 MLSUM 上大幅提升了基线模型的分数。 抽取式文本摘要目前在英文上已经取得了很好的性能，这主要得益于大规模预训练语言模型和丰富的标注语料。但是对于其他小语种语言，目前很难得到大规模的标注数据。 中国科学院信息工程研究所和微软亚洲研究院联合提出一种是基于 Zero-Shot 的多语言抽取式文本
选自code.facebook 作者：Ves Stoyanov、Necip Fazil Ayan 机器之心编译 传统的自然语言处理系统只能对应于特定语言，如果想要让其应用支持多种语言，则需要从头开始构建相应数量的新系统。Facebook 最近提出的多语言嵌入方法可以在一些「已知」语言上训练 Classifier，应用于「未知」语言上，成功解决了社交平台中 AI 应用的多语言支持问题。本文将向你简要介绍这一技术背后的原理。 在 Facebook 上，超过一半的用户使用非英语语言。整个平台上，人们使用的语言超过
机器之心专栏 机器之心编辑部 这项研究旨在解决零样本下法语、德语、西班牙语、俄语和土耳其语等多语种的抽取式摘要任务，并在多语言摘要数据集 MLSUM 上大幅提升了基线模型的分数。 抽取式文本摘要目前在英文上已经取得了很好的性能，这主要得益于大规模预训练语言模型和丰富的标注语料。但是对于其他小语种语言，目前很难得到大规模的标注数据。 中国科学院信息工程研究所和微软亚洲研究院联合提出一种是基于 Zero-Shot 的多语言抽取式文本摘要模型。具体方法是使用在英文上预训练好的抽取式文本摘要模型来在其他低资源语言上
现在很多企业为了能获取更多的用户资源，就会找互联网公司帮忙搭建企业网站，要求互联网公司根据企业的产品以及用户特征搭建符合企业形象的网站。有些企业是做外贸行业，所以网站就要多语言切换的按钮，那么网站建设怎么设置多语言？
AI 科技评论按：如今 Facebook 有超过一半的用户使用英语以外的语言，使用了超过 100 种语言。这也给 Facebook 提出了一个巨大的挑战，针对 Facebook 这种服务规模下，使用机器学习和自然语言处理方法（NLP），为每个人提供紧密贴合他们常用语言的良好用户体验。为了更好地服务于 Facebook 社区，无论是通过提供多语言的类似 Recommendations 和 M Suggestion 这样的服务，还是训练系统来检测和删除违规内容的，都需要一种更好的方法来将自然语言处理方法（NLP）拓展到更多语言上去。
在过去的几年里，机器翻译(MT)系统的质量有了巨大的进步，神经机器翻译(NMT)的发展打破了世界各地的语言障碍。
WPML是WordPress的一个插件。简单来说，插件扩展了基本的WordPress CMS功能。在我们的情况下，WPML让WordPress支持多语言。 请注意！自动翻译功能不是这个插件的一部分，但你可以直接从开发者那里购买作为单独的付费服务。 WPML允许作者使用不同的语言编写内容并进行翻译。它还包括高级功能，用于翻译管理和专业内容翻译的接口。 使用WPML不需要任何技术或编程技能。网站管理员可以安装它并将其转换为多语言网站，而无需编码。WPML包括完整的API，用于与其他插件和翻译系统集成。这样，开发人员就可以轻松地使用WPML并将其产品转换为多语言。
目前，神经机器翻译（NMT）已经成为在学术界和工业界最先进的机器翻译方法。最初的这种基于编码器-解码器架构的机器翻译系统都针对单个语言对进行翻译。近期的工作开始探索去扩展这种办法以支持多语言之间的翻译，也就是通过只训练一个模型就能够支持在多个语言之间的翻译。
Meta 提出的单个多语言模型，首次超过最佳双语模型，赢得了著名的 WMT 竞赛。
作者丨宋珍巧 1 简介 多语言机器翻译旨在用一个模型实现多语向的翻译功能，从而可以减少线上需求的模型数量，同时提升低资源语言的翻译性能。目前已有的多语言模型大多基于 Transformer 建模，受限于翻译性能和推理速度。基于该问题，字节跳动人工智能实验室在 "switch-GLAT: Multilingual Parallel Machine Translation via Code-Switch Decoder" 这篇论文中提出一个叫做 switch-GLAT 的非自回归多语言翻译模型。 给定一个源语言
每天给你送来NLP技术干货！ ---- ©作者 | 机器之心编辑部 来源 | 机器之心 这项研究旨在解决零样本下法语、德语、西班牙语、俄语和土耳其语等多语种的抽取式摘要任务，并在多语言摘要数据集 MLSUM 上大幅提升了基线模型的分数。 抽取式文本摘要目前在英文上已经取得了很好的性能，这主要得益于大规模预训练语言模型和丰富的标注语料。但是对于其他小语种语言，目前很难得到大规模的标注数据。 中国科学院信息工程研究所和微软亚洲研究院联合提出一种是基于 Zero-Shot 的多语言抽取式文本摘要模型。具体方法是使
MYSQL数据库各种编码的区别 armscii8 (ARMSCII-8 Armenian) armscii8_bin 亚美尼亚语, 二进制 armscii8_general_ci 亚美尼亚语, 不区分大小写 ascii (US ASCII) ascii_bin 西欧 (多语言), 二进制 ascii_general_ci 西欧 (多语言), 不区分大小写 big5 (Big5 Traditional Chinese) big5_bin 繁体中文, 二进制 big5_chinese_ci 繁体中文, 不区分大小写 binary (Binary pseudo charset) binary 二进制 cp1250 (Windows Central European) cp1250_bin 中欧 (多语言), 二进制 cp1250_croatian_ci 克罗地亚语, 不区分大小写 cp1250_czech_cs 捷克语, 区分大小写
Meta（facebook）采访了菲利普·科恩(Philipp Koehn)，他是一位Meta人工智能研究科学家，现代基于短语的机器翻译方法的发明者之一，著有《Statistical Machine Translation》和《Neural Machine Translation》。他谈到了机器翻译领域的最新进展，该领域面临的最新挑战，以及走向通用翻译道路上有希望的方向。
随着大模型的发展，尤其是近来各种开源大模型的发布，如何对各种模型进行充分并且准确的评估变得越来越重要。其中一个越来越受到认可的方向就是利用人类考题来检验模型，从而可以测试模型的知识及推理能力。例如对于英文模型，MMLU 已经被广泛用来评估模型在多个学科上的表现。类似的，最近中文社区也涌现了例如 C-Eval 以及 GAOKAO 这种利用中文试题来测试模型，特别是中文模型的表现。
虽说大多数人开发的应用都是在中国区发布吧，但也有人喜欢把手机设成英语呀，不管是为了练英语还是出国需要，也有外国友人在我国使用呀。所以如果用户中可能包括这些人的话，那么多语言支持是个很重要的课题，这个功能直译是本地化，意译是国际化，通俗地说就是多语言支持了，本文为了通俗就叫多语言支持。iOS开发实现多语言是件特别方便的事儿，本文就讲解实现的方法，分为App名称多语言支持、内容文本多语言支持、获取当前设备所使用的语言三个方面。
多语言也是我们经常能用到的东西，asp.net core中默认支持了多语言，可以使用.resx资源文件来管理多语言配置。 但是在修改资源文件后，我们的应用服务无法及时更新，属实麻烦一些。我们可以通过扩展IStringLocalizer，实现我们想要的多语言配置方式，比如Json配置，PO 文件配置，EF数据库配置等等。 这里我们选用数据库配置的方式，直接查询数据库的多语言配置进行转换。
跨境独立站，面向的是全球国家，每个国家都有自己的语言，譬如：英语，德语，法语，俄语，西班牙语，葡萄牙语，韩语，日语，阿拉伯语，越南语，缅甸语，等等。每个国家通常使用自己的语言搜索和浏览网站。
Fenlon，携程资深后端开发工程师，负责国际业务多语言中台部分客户端和服务端研发。
机器翻译一直是自然语言处理中的重要研究任务，而最近的几个月自然语言处理领域尤其在文本生成、机器翻译领域又有新的突破不断提出！今天的两位讲者，一位讲者将分享双向同步文本生成，可以快速高效的实现文本生成，另一位讲者将介绍多语言翻译部分的工作，来进一步提高机器翻译的性能。最新自然语言处理进展，快来一起和讲者探讨一下吧～
应用要出海？最显性的就是界面展示及内容的本地化。做好了本地化这个功课，应用能够更好地去触达当地用户。当用户打开应用，看到自己熟悉的语言，用到符合自身文化和思维习惯的内容，对APP的好感度和满意度提升的不是一点点。
LinguaNex是一个多语言连接中心，主打一个一处配置多语言，多处使用的想法。让项目方便快捷实现国际化（多语言）。
本文介绍了Java语言的基础知识，包括面向对象、静态方法和属性、接口、集合框架、例外捕捉、多线程以及网络编程。掌握这些基础知识对于学习Java语言和编写Java应用程序非常重要。
Localization是Unity官方推出的本地化插件，它可以帮助开发者在Unity项目中实现多语言支持。
最近多语言的项目上线了，总结一下多语言应该注意那些事项。建立一个多语言网站，你会遇到很多问题，其中之一就是你计划如何将网站的内容存储在每种语言的数据库中。你可以在网络上找到足够的资源，但没有一个神奇的解决方案，你必须理解这一点-每个解决方案都取决于你的个人需求、数据库的大小、网站的复杂性等。适合自己的才是最好的。
Facebook AI近日发布一个名为XLM-R的新模型，使用100种语言、2.5 TB文本数据进行训练，在四项跨语言理解基准测试中取得了迄今最好的结果。
探索OpenAI发布的ChatGPT4最新版，重点关注其多语言功能，特别是中文支持。这篇技术博客适合各层次读者，涵盖ChatGPT4核心功能、多语言支持分析及代码实例。 关键词：ChatGPT4, 多语言支持, 中文AI, OpenAI, 人工智能, 编程, 技术博客, CSDN。
论文：On the Cross-lingualTransferability of Monolingual Representations
相信大家在阅读paper时都会或多或少的用到Google、百度、有道等翻译软件，你可能会发现近几年的翻译准确率变高了。其实这都得益于深度学习在机器翻译这一领域快速的发展和应用。在机器翻译（MT）研究领域中，构建一个通用的翻译系统来帮助每个人更好的获取信息和交流是其研究的终极目标。 但是目前MT领域研究首先要做的是解决基本的问题，才能使未来成为现实。
在过去的几年里，由于神经机器翻译（NMT）的发展，机器翻译（MT）系统的质量得到了显著提升，打破了世界各地的语言障碍。但 NMT 的成功很大程度上要归功于有监督的训练数据。那么，数据较少甚至没有数据的语言该怎么办呢？多语言 NMT 是一种有效的解决方法，它有一种归纳偏见，即「来自一种语言的学习信号应该有助于提高其他语言的翻译质量」。
cross-lingual language models (XLMs)来自Facebook提出的将语言模型拓展为多语言的方法，详情可以见：XLM解读[1] 或原文 Cross-lingual Language Model Pretraining[2].
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
实时音视频
即时通信 IM
对象存储
