基于人工智能的文本翻译方法、装置、计算机设备及介质与流程

1.本发明涉及数字医疗技术领域，尤其涉及一种基于人工智能的文本翻译方法、装置、计算机设备及介质。


背景技术：

2.目前，随着人工智能技术的发展，基于神经网络的智能翻译模型也逐渐应用于数字医疗平台中，数字医疗平台可以支持疾病辅助诊断、健康管理、远程会诊等功能，从而提高医疗机构的效率，方便居民就医。
3.智能翻译技术能够应用于数字医疗平台中的智能交互任务中，例如在部署有智能终端的医疗场景中，智能翻译模型能够有助于实现跨语种的信息交流，为跨语种人群提供诊疗、问询等医疗服务，现有的智能翻译模型通常采用编码器和解码器组合的架构，根据待翻译词项以及其前一词项，为待翻译词项的翻译过程提供情景信息。
4.但是，现有的情景信息仅属于局部情景信息，也即仅依据待翻译词项及其相邻信息进行文本翻译，在面对情景较为复杂的文本或者文本长度较长的文本时，难以提供可靠的上下文信息辅助文本进行逐词项翻译，从而导致文本翻译的准确率较低，因此，如何提高文本翻译的准确率成为亟待解决的问题。


技术实现要素：

5.有鉴于此，本发明实施例提供了一种基于人工智能的文本翻译方法、装置、计算机设备及介质，以解决现有文本翻译的准确率较低的问题。
6.第一方面，本发明实施例提供一种基于人工智能的文本翻译方法，所述文本翻译方法包括：
7.获取文本样本及其对应的翻译标签，在预设位置对所述文本样本和所述翻译标签分别进行遮挡，得到遮挡样本及其对应的遮挡标签；
8.将所述遮挡样本输入预设的编码器中进行特征提取，得到样本特征，将所述样本特征输入预设的翻译解码器中进行特征解码，得到翻译样本，将所述样本特征输入预设的重构解码器中进行特征重构，得到重构样本；
9.以所述遮挡标签和所述文本样本为依据，根据所述翻译样本和所述重构样本，对所述编码器、所述翻译解码器和所述重构解码器进行联合训练，得到训练好的编码器、训练好的翻译解码器和训练好的重构解码器；
10.使用所述训练好的编码器和所述训练好的翻译解码器生成文本翻译模型，使用所述训练好的编码器和所述训练好的重构解码器生成文本重构模型；
11.将所述遮挡样本输入所述文本翻译模型，得到文本翻译结果，将所述遮挡样本输入所述文本重构模型，得到文本重构结果，根据所述文本翻译结果和所述文本重构结果的关联程度，调整所述文本翻译模型的参数，直至满足预设的生成条件，得到生成的目标翻译模型，所述目标翻译模型用于对获取的待翻译文本进行翻译。
12.第二方面，本发明实施例提供一种基于人工智能的文本翻译装置，所述文本翻译装置包括：
13.样本遮挡模块，用于获取文本样本及其对应的翻译标签，在预设位置对所述文本样本和所述翻译标签分别进行遮挡，得到遮挡样本及其对应的遮挡标签；
14.样本处理模块，用于将所述遮挡样本输入预设的编码器中进行特征提取，得到样本特征，将所述样本特征输入预设的翻译解码器中进行特征解码，得到翻译样本，将所述样本特征输入预设的重构解码器中进行特征重构，得到重构样本；
15.联合训练模块，用于以所述遮挡标签和所述文本样本为依据，根据所述翻译样本和所述重构样本，对所述编码器、所述翻译解码器和所述重构解码器进行联合训练，得到训练好的编码器、训练好的翻译解码器和训练好的重构解码器；
16.第一模型生成模块，用于使用所述训练好的编码器和所述训练好的翻译解码器生成文本翻译模型，使用所述训练好的编码器和所述训练好的重构解码器生成文本重构模型；
17.第二模型生成模块，用于将所述遮挡样本输入所述文本翻译模型，得到文本翻译结果，将所述遮挡样本输入所述文本重构模型，得到文本重构结果，根据所述文本翻译结果和所述文本重构结果的关联程度，调整所述文本翻译模型的参数，直至满足预设的生成条件，得到生成的目标翻译模型，所述目标翻译模型用于对获取的待翻译文本进行翻译。
18.第三方面，本发明实施例提供一种计算机设备，所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的基于人工智能的文本翻译方法。
19.第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的基于人工智能的文本翻译方法。
20.本发明实施例与现有技术相比存在的有益效果是：
21.获取文本样本及其对应的翻译标签，在预设位置对文本样本和翻译标签分别进行遮挡，得到遮挡样本及其对应的遮挡标签，将遮挡样本输入预设的编码器中进行特征提取，得到样本特征，将样本特征输入预设的翻译解码器中进行特征解码，得到翻译样本，将样本特征输入预设的重构解码器中进行特征重构，得到重构样本，以遮挡标签和文本样本为依据，根据翻译样本和重构样本，对编码器、翻译解码器和重构解码器进行联合训练，得到训练好的编码器、训练好的翻译解码器和训练好的重构解码器，使用训练好的编码器和训练好的翻译解码器生成文本翻译模型，使用训练好的编码器和训练好的重构解码器生成文本重构模型，将遮挡样本输入文本翻译模型，得到文本翻译结果，将遮挡样本输入文本重构模型，得到文本重构结果，根据文本翻译结果和文本重构结果的关联程度，调整文本翻译模型的参数，直至满足预设的生成条件，得到生成的目标翻译模型，通过共享编码器进行多任务训练，能够有效提高编码器提取特征的能力，根据文本重构模型的输出对文本翻译模型的再次训练进行监督，实现知识蒸馏的效果，确保编码器所提取的特征能够有效表征语义信息并且翻译解码器能够学习到语义信息，进一步提高了文本翻译模型的翻译精度，从而提高了文本翻译的准确率，提高医疗场景下为跨语种人员提供医疗服务的便捷性，进而提高跨语种人员的医疗服务体验。
附图说明
22.为了更清楚地说明本发明实施例中的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。
23.图1是本发明实施例一提供的一种基于人工智能的文本翻译方法的一应用环境示意图；
24.图2是本发明实施例一提供的一种基于人工智能的文本翻译方法的流程示意图；
25.图3是本发明实施例二提供的一种基于人工智能的文本翻译装置的结构示意图；
26.图4是本发明实施例三提供的一种计算机设备的结构示意图。
具体实施方式
27.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
28.应当理解，当在本发明说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
29.还应当理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
30.如在本发明说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0031]
另外，在本发明说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0032]
在本发明说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本发明的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
[0033]
本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0034]
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机
视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
[0035]
应理解，以下实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
[0036]
为了说明本发明的技术方案，下面通过具体实施例来进行说明。
[0037]
本发明实施例一提供的一种基于人工智能的文本翻译方法，可应用在如图1的应用环境中，其中，客户端与服务端进行通信。其中，客户端包括但不限于掌上电脑、桌上型计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，umpc)、上网本、云端终端设备、个人数字助理(personal digital assistant，pda)等计算机设备。服务端可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
[0038]
客户端和服务端可以部署于数字医疗平台中，数字医疗平台可以支持疾病辅助诊断、健康管理、远程会诊等功能，从而提高医疗机构的效率，方便居民就医，客户端提供文本翻译服务，以使得跨语种人员在医疗场景下能够无障碍交流、问诊和取药，从而能够获得良好的就医体验。
[0039]
参见图2，是本发明实施例一提供的一种基于人工智能的文本翻译方法的流程示意图，上述文本翻译方法可以应用于图1中的客户端，客户端对应的计算机设备连接服务端，以获取文本样本及其翻译标签，客户端对应的计算机设备部署有预设的编码器、翻译解码器和重构解码器，预设的编码器、翻译解码器和重构解码器可以用于在训练后生成文本重构模型和目标翻译模型。如图2所示，该文本翻译方法可以包括以下步骤：
[0040]
步骤s201，获取文本样本及其对应的翻译标签，在预设位置对文本样本和翻译标签分别进行遮挡，得到遮挡样本及其对应的遮挡标签。
[0041]
其中，文本样本可以是指在预设时间段获取到的待翻译文本，翻译标签可以是指文本样本的真实翻译结果，预设位置可以是指预设的文本样本中词项的位置，遮挡样本可以是指文本样本经过遮挡处理的结果，遮挡标签可以是指翻译标签经过遮挡处理的结果。
[0042]
具体地，文本样本及其翻译标签可以从历史翻译任务中获取，翻译标签可以是由通过人工对文本样本进行翻译得到的，一个文本样本对应于一个翻译标签。
[0043]
举例说明，文本样本可以是中文文本，其对应的翻译标签可以是英文文本，通过翻译人员对中文文本进行翻译，得到对应的英文文本，需要说明的是，本实施例针对一个目标翻译语种进行处理，在本例中目标翻译语种为英文语种，若目标翻译语种为至少两种语种，需要对每个语种进行对应的模型生成处理。
[0044]
可选的是，文本样本包括至少一个样本词项，翻译标签包括至少一个标签词项；
[0045]
在预设位置对文本样本和翻译标签分别进行遮挡，得到遮挡样本及其对应的遮挡标签包括：
[0046]
根据预设位置，确定文本样本中预设位置对应的样本词项为第一遮挡词项，在文本样本中对第一遮挡词项进行遮挡，得到遮挡样本；
[0047]
确定翻译标签中预设位置对应的标签词项为第二遮挡词项，在翻译标签中对第二
遮挡词项进行遮挡，得到遮挡标签，遮挡标签和遮挡样本存在对应关系。
[0048]
其中，样本词项可以是指文本样本中的词项，标签词项可以是指翻译标签中的词项，第一遮挡词项可以是指文本样本中需要进行遮挡处理的词项，第二遮挡词项可以是指翻译标签中需要进行遮挡处理的词项。
[0049]
具体地，遮挡可以是指将对应的遮挡词项替换为预设项的操作，例如，预设项可以为0，在本实施例中，预设位置设置为单个，实施者也可以采用多个预设位置进行遮挡处理。
[0050]
在本实施例中，一个样本词项有且仅有一个对应的翻译词项，由于一个文本样本对应于一个翻译标签，对于存在对应关系的文本样本和翻译标签，分别在预设位置对该文本样本和该翻译标签进行遮挡处理，也即遮挡掉存在对应关系的样本词项和翻译词项，此时，未遮挡的部分仍满足对应关系，也即在遮挡后得到的遮挡标签和遮挡样本仍存在对应关系。
[0051]
本实施例中，通过对文本样本和翻译标签的相同预设位置进行遮挡，从而得到存在遮挡样本及其对应的遮挡标签，确保后续能够以遮挡样本作为输入量进行编码器和解码器训练，提高了模型的训练效果，进而提高了后续采用训练好的翻译模型进行文本翻译的准确率。
[0052]
上述获取文本样本及其对应的翻译标签，在预设位置对文本样本和翻译标签分别进行遮挡，得到遮挡样本及其对应的遮挡标签的步骤，为后续重构任务和翻译任务提供输入量和输出量，辅助提高后续多任务学习的准确率，进而提高模型针对文本翻译任务的训练效果，也即提高文本翻译的准确率。
[0053]
步骤s202，将遮挡样本输入预设的编码器中进行特征提取，得到样本特征，将样本特征输入预设的翻译解码器中进行特征解码，得到翻译样本，将样本特征输入预设的重构解码器中进行特征重构，得到重构样本。
[0054]
其中，预设的编码器可以用于对输入量进行特征提取，样本特征可以是指遮挡样本对应的特征信息，预设的翻译解码器可以用于对样本特征进行特征解码操作，以得到解码后的翻译样本，翻译样本可以是指遮挡样本的预测翻译结果，预设的重构解码器可以用于对样本特征进行特征重构操作，以得到解码后的重构样本，重构样本可以是指挡样本的预测重构结果。
[0055]
具体地，预设的编码器主要用于学习输入量的语义表示，也即提取语义特征，输入量在本实施例中可以为遮挡样本，编码器可以包括至少一个编码层，单个编码层可以包括自注意子层和位置前馈网络子层，自注意子层可以采用多头注意力机制，用以提取注意力特征。
[0056]
需要说明的是，自注意子层和位置前馈网络子层在处理后均需要经过带有残余连接的层归一化操作，以提高编码过程内中间特征的表征能力。
[0057]
上述将遮挡样本输入预设的编码器中进行特征提取，得到样本特征，将样本特征输入预设的翻译解码器中进行特征解码，得到翻译样本，将样本特征输入预设的重构解码器中进行特征重构，得到重构样本的步骤，根据遮挡样本执行并行的多任务，便于后续根据多任务的输出结果对编码器和解码器进行监督，从而利用多任务学习提高编码器的特征提取能力，使得编码器在训练后能为文本翻译任务提供更为准确的特征，提高了文本翻译的准确率。
[0058]
步骤s203，以遮挡标签和文本样本为依据，根据翻译样本和重构样本，对编码器、翻译解码器和重构解码器进行联合训练，得到训练好的编码器、训练好的翻译解码器和训练好的重构解码器。
[0059]
其中，训练好的编码器可以是指经过联合训练后的编码器，训练好的翻译解码器可以是指经过联合训练后的翻译解码器，训练好的重构解码器可以是指经过联合训练后的重构解码器。
[0060]
具体地，联合训练可以是指对编码器、翻译解码器和重构解码器各自的参数在同一训练过程中均进行调整。
[0061]
可选的是，以遮挡标签和文本样本为依据，根据翻译样本和重构样本，对编码器、翻译解码器和重构解码器进行联合训练，得到训练好的编码器、训练好的翻译解码器和训练好的重构解码器包括：
[0062]
根据遮挡标签、翻译样本和预设的翻译损失函数，计算得到翻译损失；
[0063]
根据文本样本、重构样本和预设的重构损失函数，计算得到重构损失；
[0064]
以翻译损失和重构损失为依据，对编码器、翻译解码器和重构解码器进行联合训练，得到训练好的编码器、训练好的翻译解码器和训练好的重构解码器。
[0065]
其中，预设的翻译损失函数可以采用交叉熵损失函数，预设的重构损失函数可以采用均方误差损失函数等，翻译损失可以用于监督翻译任务的翻译效果，重构损失可以用于监督重构任务的重构效果。
[0066]
具体地，将遮挡标签和翻译样本输入交叉熵损失函数，计算翻译样本中每个翻译词项对应于遮挡标签中的标签词项的分类损失，将所有分类损失之和作为翻译损失。
[0067]
将文本样本和重构样本输入均方误差损失函数，衡量文本样本和重构样本之间的差异，差异越大，则重构损失越大，差异越小，则重构损失越小。
[0068]
在一实施方式中，实施者也可以对编码器和翻译解码器进行第一次训练，再对编码器和重构解码器进行第二次训练，也即采用分离训练的方式。
[0069]
本实施例中，通过翻译损失和重构损失联合，对编码器、翻译解码器和重构解码器进行训练，同时采用多任务方式进行监督，提高训练过程的效率，也提高了编码器的特征提取能力，也即提高了训练好的编码器提取特征的准确率，从而提高了文本翻译的准确率。
[0070]
可选的是，以翻译损失和重构损失为依据，对编码器、翻译解码器和重构解码器进行联合训练，得到训练好的编码器、训练好的翻译解码器和训练好的重构解码器包括：
[0071]
将翻译损失和预设的第一权重相乘，得到第一相乘结果，将重构损失和预设的第二权重相乘，得到第二相乘结果；
[0072]
将第一相乘结果和第二相乘结果相加，确定相加结果为训练损失，以训练损失为依据，采用梯度下降法对编码器、翻译解码器和重构解码器进行联合训练，直至训练损失收敛，得到训练好的编码器、训练好的翻译解码器和训练好的重构解码器。
[0073]
其中，预设的第一权重可以用于调整翻译损失对训练损失的影响程度，第一相乘结果可以是指经过调整的翻译损失，预设的第二权重可以用于调整重构损失对训练损失的影响程度，第二相乘结果可以是指经过调整的重构损失，梯度下降法可以采用随机梯度下降法、批量梯度下降法等。
[0074]
具体地，在本实施例中，由于重构任务需要从被遮挡的遮挡样本重构得到原始的
文本样本，重构难度相较于翻译更大，因此第一权重可以预设为0.4，第二权重可以预设为0.6，以提高重构损失对整体训练损失的影响程度。
[0075]
本实施例中，通过加权的方式将翻译损失和重构损失组合为训练损失，从而根据训练损失，对编码器、翻译解码器和重构解码器进行联合训练，无需人为进行参数调整控制，提高了训练过程的效率，使得文本翻译模型能够更快速地应用于文本翻译任务中。
[0076]
上述以遮挡标签和文本样本为依据，根据翻译样本和重构样本，对编码器、翻译解码器和重构解码器进行联合训练，得到训练好的编码器、训练好的翻译解码器和训练好的重构解码器的步骤，能够令编码器学习到多任务的信息，而多任务均是基于语义信息的，因此也即提高了编码器提取语义信息的能力，进而提高文本翻译的准确率。
[0077]
步骤s204，使用训练好的编码器和训练好的翻译解码器生成文本翻译模型，使用训练好的编码器和训练好的重构解码器生成文本重构模型。
[0078]
其中，文本翻译模型可以是指初步具备文本翻译能力的模型，文本重构模型可以是指初步具备文本重构能力的模型。
[0079]
具体地，文本翻译模型已经可以将待翻译文本由当前语言翻译为目标语言，但由于文本翻译模型在联合训练时仅提高了编码器的特征提取能力，而翻译解码器仅能够学习到翻译任务的映射关系，在文本情景较为复杂时，仅通过学习到的映射关系难以有效对文本进行翻译。
[0080]
上述使用训练好的编码器和训练好的翻译解码器生成文本翻译模型，使用训练好的编码器和训练好的重构解码器生成文本重构模型的步骤，生成文本翻译模型和文本重构模型，便于后续根据文本重构模型对文本翻译模型进行再次训练，进一步提高文本翻译模型的训练效果，也即进一步提高文本翻译的准确率。
[0081]
步骤s205，将遮挡样本输入文本翻译模型，得到文本翻译结果，将遮挡样本输入文本重构模型，得到文本重构结果，根据文本翻译结果和文本重构结果的关联程度，调整文本翻译模型的参数，直至满足预设的生成条件，得到生成的目标翻译模型。
[0082]
其中，文本翻译结果可以是指遮挡样本经过文本翻译模型处理后的结果，文本重构结果可以是指遮挡样本经过文本重构模型处理后的结果，关联程度可以表征文本翻译结果和文本重构结果对应语义的相似程度，参数可以是指文本翻译模型的模型参数，生成条件可以是指能够进行目标翻译模型生成的条件，目标翻译模型用于对获取的待翻译文本进行翻译，此时待翻译文本可以是指在运行时间段获取到的待翻译文本，运行时间段可以是指目标翻译模型执行文本翻译任务的时间段。
[0083]
具体地，在本实施例中，预设的生成条件可以是指在调整文本翻译模型的参数后，关联程度不再变化，即认为满足生成条件。
[0084]
所得到的目标翻译模型可以应用于如语音信息转换、语言培训、智能交互等场景下，相应地，待翻译文本可以是在如语音信息转换、语言培训、智能交互等场景中采集得到的，需要说明的是，在采集到待翻译文本时，可以根据不同对象的待翻译文本所属的语种确定每个待翻译文本对应的翻译语种，或者由实施者自行设置翻译语种。
[0085]
本实施例以元宇宙场景下的智能交互场景为例，在不同语种的人员之间进行交流时，可以分别采用对应的目标翻译模型将人员语音对应的文本转换为目标翻译语种下的翻译结果，例如，对于采用中文语种的人员，可以通过预设的语音识别模型将其说话语音转换
为中文文本，该中文文本也即待翻译文本，采用本实施例提供的目标翻译模型将中文文本翻译为英文文本，在实际应用时，可以根据英文文本，采用预设的语音生成模型，生成英文语音，从而更真实、更便捷地进行跨语种交流。
[0086]
可选的是，遮挡样本包括至少一个未遮挡词项；
[0087]
将遮挡样本输入文本翻译模型，得到文本翻译结果，将遮挡样本输入文本重构模型，得到文本重构结果，根据文本翻译结果和文本重构结果的关联程度，调整文本翻译模型的参数，直至满足预设的生成条件，得到生成的目标翻译模型包括：
[0088]
通过文本翻译模型，对遮挡样本中的每个未遮挡词项进行翻译结果预测，得到每个未遮挡词项对应的第一概率分布，通过文本重构模型，对遮挡样本中的每个未遮挡词项进行重构结果预测，得到每个未遮挡词项对应的第二概率分布；
[0089]
根据所有未遮挡词项的第一概率分布和第二概率分布，确定关联程度，根据关联程度，调整文本翻译模型的参数，直至满足生成条件，得到生成的目标翻译模型。
[0090]
其中，未遮挡词项可以是指遮挡样本中未被遮挡的词项，第一概率分布可以表征未遮挡词项被预测为各个预设翻译词项的概率分布，第二概率分布可以表征未遮挡词项被预测为各个预设重构词项的概率分布。
[0091]
本实施例中，通过概率分布的形式确定关联程度，使得关联程度能够以量化值进行表征，从而便于直接将关联程度用作损失函数以监督文本翻译模型的参数调整过程，也即再次训练的过程，提高了模型训练的效率和便捷性，从而确保模型能够在文本翻译场景下及时部署，提高了文本翻译的时效性。
[0092]
可选的是，通过文本翻译模型，对遮挡样本中的每个未遮挡词项进行翻译结果预测，得到每个未遮挡词项对应的第一概率分布，通过文本重构模型，对遮挡样本中的每个未遮挡词项进行重构结果预测，得到每个未遮挡词项对应的第二概率分布包括：
[0093]
将遮挡样本输入文本翻译模型，针对遮挡样本中的任一个未遮挡词项，预测未遮挡词项分别属于至少一个预设翻译词项的第一预测概率，根据所有对应预设翻译词项的第一预测概率，形成第一概率分布，遍历所有未遮挡词项，得到对应未遮挡词项的第一概率分布；
[0094]
将遮挡样本输入文本重构模型，针对遮挡样本中的任一个未遮挡词项，预测未遮挡词项分别属于至少一个预设重构词项的第二预测概率，根据所有对应预设重构词项的第二预测概率，形成第二概率分布，遍历所有未遮挡词项，得到对应未遮挡词项的第二概率分布。
[0095]
其中，预设翻译词项可以是指目标翻译语言对应词库中的所有词项，预设重构词项可以是指当前语言对应词库中的所有词项，目标翻译语言可以是指翻译任务需要将文本样本翻译到的语言，当前语音可以是指文本样本当前所属的语言，一个预设重构词项有且仅有一个具有相同语义的预设翻译词项。
[0096]
第一预测概率可以是指未遮挡词项的翻译结果属于一个预设翻译词项的概率，第二预测概率可以是指未遮挡词项的重构结果属于一个预设重构词项的概率。
[0097]
具体地，所有第一预测概率之和为1，所有第二预测概率之和也为1，第一概率分布可以是指所有对应预设翻译词项的第一预测概率拼接得到的，第二概率分布可以是指所有对应预设重构词项的第二预测概率拼接得到的。
[0098]
本实施例中，进行第一概率分布和第二概率分布的构建，并依据不同语言存在语义互通的特性，使得能够根据第一概率分布和第二概率分布确定关联程度，避免采用多重映射的方式获取用于再次训练的损失函数，而是直接以关联程度作为再次训练的损失函数，提高了训练效率，也使得再次训练时文本翻译模型能够学习到重构任务提取的语义信息，进而提高了文本翻译的准确率。
[0099]
可选的是，根据所有未遮挡词项的第一概率分布和第二概率分布，确定关联程度包括：
[0100]
针对任一个未遮挡词项，计算未遮挡词项对应的第一概率分布和对应的第二概率分布的kl散度，得到未遮挡词项对应的散度值；
[0101]
对未遮挡词项对应的第一概率分布进行对数运算，得到未遮挡词项对应的对数值；
[0102]
遍历所有未遮挡词项，得到对应未遮挡词项的散度值和对数值，对所有未遮挡词项对应的散度值与对数值进行求和计算，得到求和计算结果。
[0103]
其中，散度值可以用于表征第一概率分布和第二概率分布之间的相似度，对数值可以用于表征第一概率分布的分布离散程度，求和计算结果用于表征关联程度
[0104]
具体地，进行求和计算时，散度值和对数值可以通过加权求和的方式进行计算，从而满足人为设置的学习偏好。
[0105]
本实施例中，通过分布之间的散度值和第一概率分布的对数值求和得到求和计算结果，能够有效表征文本翻译结果和文本重构结果的关联程度，同时保证了文本翻译结果的有效性，便于将求和计算结果用作损失函数进行参数调整的监督，提高参数调整的准确率。
[0106]
上述将遮挡样本输入文本翻译模型，得到文本翻译结果，将遮挡样本输入文本重构模型，得到文本重构结果，根据文本翻译结果和文本重构结果的关联程度，调整文本翻译模型的参数，直至满足预设的生成条件，得到生成的目标翻译模型的步骤，根据文本重构模型的输出对文本翻译模型的再次训练进行监督，确保编码器所提取的特征能够有效表征语义信息并且翻译解码器能够学习到语义信息，进一步提高了目标翻译模型进行文本翻译的准确率。
[0107]
本实施例中，通过共享编码器进行多任务训练，能够有效提高编码器提取特征的能力，根据文本重构模型的输出对文本翻译模型的再次训练进行监督，实现知识蒸馏的效果，确保编码器所提取的特征能够有效表征语义信息并且翻译解码器能够学习到语义信息，进一步提高了文本翻译模型的翻译精度，从而提高了文本翻译的准确率，提高医疗场景下为跨语种人员提供医疗服务的便捷性，进而提高跨语种人员的医疗服务体验。
[0108]
对应于上文实施例的基于人工智能的文本翻译方法，图3示出了本发明实施例二提供的基于人工智能的文本翻译装置的结构框图，上述文本翻译装置应用于客户端，客户端对应的计算机设备连接服务端，以获取文本样本及其翻译标签，客户端对应的计算机设备部署有预设的编码器、翻译解码器和重构解码器，预设的编码器、翻译解码器和重构解码器可以用于在训练后生成文本重构模型和目标翻译模型。为了便于说明，仅示出了与本发明实施例相关的部分。
[0109]
参见图3，该文本翻译装置包括：
[0110]
样本遮挡模块31，用于获取文本样本及其对应的翻译标签，在预设位置对文本样本和翻译标签分别进行遮挡，得到遮挡样本及其对应的遮挡标签；
[0111]
样本处理模块32，用于将遮挡样本输入预设的编码器中进行特征提取，得到样本特征，将样本特征输入预设的翻译解码器中进行特征解码，得到翻译样本，将样本特征输入预设的重构解码器中进行特征重构，得到重构样本；
[0112]
联合训练模块33，用于以遮挡标签和文本样本为依据，根据翻译样本和重构样本，对编码器、翻译解码器和重构解码器进行联合训练，得到训练好的编码器、训练好的翻译解码器和训练好的重构解码器；
[0113]
第一模型生成模块34，用于使用训练好的编码器和训练好的翻译解码器生成文本翻译模型，使用训练好的编码器和训练好的重构解码器生成文本重构模型；
[0114]
第二模型生成模块35，用于将遮挡样本输入文本翻译模型，得到文本翻译结果，将遮挡样本输入文本重构模型，得到文本重构结果，根据文本翻译结果和文本重构结果的关联程度，调整文本翻译模型的参数，直至满足预设的生成条件，得到生成的目标翻译模型，目标翻译模型用于对获取的待翻译文本进行翻译。
[0115]
可选的是，文本样本包括至少一个样本词项，翻译标签包括至少一个标签词项；
[0116]
上述样本遮挡模块31包括：
[0117]
文本遮挡单元，用于根据预设位置，确定文本样本中预设位置对应的样本词项为第一遮挡词项，在文本样本中对第一遮挡词项进行遮挡，得到遮挡样本；
[0118]
标签遮挡单元，用于确定翻译标签中预设位置对应的标签词项为第二遮挡词项，在翻译标签中对第二遮挡词项进行遮挡，得到遮挡标签，遮挡标签和遮挡样本存在对应关系。
[0119]
可选的是，上述联合训练模块包括：
[0120]
翻译损失计算单元，用于根据遮挡标签、翻译样本和预设的翻译损失函数，计算得到翻译损失；
[0121]
重构损失计算单元，用于根据文本样本、重构样本和预设的重构损失函数，计算得到重构损失；
[0122]
损失训练单元，用于以翻译损失和重构损失为依据，对编码器、翻译解码器和重构解码器进行联合训练，得到训练好的编码器、训练好的翻译解码器和训练好的重构解码器。
[0123]
可选的是，上述损失训练单元包括：
[0124]
加权计算子单元，将翻译损失和预设的第一权重相乘，得到第一相乘结果，将重构损失和预设的第二权重相乘，得到第二相乘结果；
[0125]
损失确定子单元，用于将第一相乘结果和第二相乘结果相加，确定相加结果为训练损失，以训练损失为依据，采用梯度下降法对编码器、翻译解码器和重构解码器进行联合训练，直至训练损失收敛，得到训练好的编码器、训练好的翻译解码器和训练好的重构解码器。
[0126]
可选的是，遮挡样本包括至少一个未遮挡词项；
[0127]
上述第二模型生成模块35包括：
[0128]
分布获取单元，用于通过文本翻译模型，对遮挡样本中的每个未遮挡词项进行翻译结果预测，得到每个未遮挡词项对应的第一概率分布，通过文本重构模型，对遮挡样本中
的每个未遮挡词项进行重构结果预测，得到每个未遮挡词项对应的第二概率分布；
[0129]
关联程度确定单元，用于根据所有未遮挡词项的第一概率分布和第二概率分布，确定关联程度，根据关联程度，调整文本翻译模型的参数，直至满足生成条件，得到生成的目标翻译模型。
[0130]
可选的是，上述分布获取单元包括：
[0131]
第一分布获取子单元，用于将遮挡样本输入文本翻译模型，针对遮挡样本中的任一个未遮挡词项，预测未遮挡词项分别属于至少一个预设翻译词项的第一预测概率，根据所有对应预设翻译词项的第一预测概率，形成第一概率分布，遍历所有未遮挡词项，得到对应未遮挡词项的第一概率分布；
[0132]
第二分布获取子单元，用于将遮挡样本输入文本重构模型，针对遮挡样本中的任一个未遮挡词项，预测未遮挡词项分别属于至少一个预设重构词项的第二预测概率，根据所有对应预设重构词项的第二预测概率，形成第二概率分布，遍历所有未遮挡词项，得到对应未遮挡词项的第二概率分布，其中，一个预设重构词项有且仅有一个具有相同语义的预设翻译词项。
[0133]
可选的是，上述关联程度确定单元包括：
[0134]
散度计算子单元，用于针对任一个未遮挡词项，计算未遮挡词项对应的第一概率分布和对应的第二概率分布的kl散度，得到未遮挡词项对应的散度值；
[0135]
对数计算子单元，用于对未遮挡词项对应的第一概率分布进行对数运算，得到未遮挡词项对应的对数值；
[0136]
求和计算子单元，用于遍历所有未遮挡词项，得到对应未遮挡词项的散度值和对数值，对所有未遮挡词项对应的散度值与对数值进行求和计算，得到求和计算结果，求和计算结果用于表征关联程度。
[0137]
需要说明的是，上述模块、单元、子单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
[0138]
图4为本发明实施例三提供的一种计算机设备的结构示意图。如图4所示，该实施例的计算机设备包括：至少一个处理器(图4中仅示出一个)、存储器以及存储在存储器中并可在至少一个处理器上运行的计算机程序，处理器执行计算机程序时实现上述任意各个文本翻译方法实施例中的步骤。
[0139]
该计算机设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，图4仅仅是计算机设备的举例，并不构成对计算机设备的限定，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括网络接口、显示屏和输入装置等。
[0140]
所称处理器可以是cpu，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0141]
存储器包括可读存储介质、内存储器等，其中，内存储器可以是计算机设备的内
存，内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。可读存储介质可以是计算机设备的硬盘，在另一些实施例中也可以是计算机设备的外部存储设备，例如，计算机设备上配备的插接式硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，存储器还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器用于存储操作系统、应用程序、引导装载程序(bootloader)、数据以及其他程序等，该其他程序如计算机程序的程序代码等。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
[0142]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质至少可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、计算机存储器、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、电载波信号、电信信号以及软件分发介质。例如u盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
[0143]
本发明实现上述实施例方法中的全部或部分流程，也可以通过一种计算机程序产品来完成，当计算机程序产品在计算机设备上运行时，使得计算机设备执行时实现可实现上述方法实施例中的步骤。
[0144]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0145]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0146]
在本发明所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0147]
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0148]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于人工智能的文本翻译方法，其特征在于，所述文本翻译方法包括：获取文本样本及其对应的翻译标签，在预设位置对所述文本样本和所述翻译标签分别进行遮挡，得到遮挡样本及其对应的遮挡标签；将所述遮挡样本输入预设的编码器中进行特征提取，得到样本特征，将所述样本特征输入预设的翻译解码器中进行特征解码，得到翻译样本，将所述样本特征输入预设的重构解码器中进行特征重构，得到重构样本；以所述遮挡标签和所述文本样本为依据，根据所述翻译样本和所述重构样本，对所述编码器、所述翻译解码器和所述重构解码器进行联合训练，得到训练好的编码器、训练好的翻译解码器和训练好的重构解码器；使用所述训练好的编码器和所述训练好的翻译解码器生成文本翻译模型，使用所述训练好的编码器和所述训练好的重构解码器生成文本重构模型；将所述遮挡样本输入所述文本翻译模型，得到文本翻译结果，将所述遮挡样本输入所述文本重构模型，得到文本重构结果，根据所述文本翻译结果和所述文本重构结果的关联程度，调整所述文本翻译模型的参数，直至满足预设的生成条件，得到生成的目标翻译模型，所述目标翻译模型用于对获取的待翻译文本进行翻译。2.根据权利要求1所述的文本翻译方法，其特征在于，所述文本样本包括至少一个样本词项，所述翻译标签包括至少一个标签词项；所述在预设位置对所述文本样本和所述翻译标签分别进行遮挡，得到遮挡样本及其对应的遮挡标签包括：根据所述预设位置，确定所述文本样本中所述预设位置对应的样本词项为第一遮挡词项，在所述文本样本中对所述第一遮挡词项进行遮挡，得到所述遮挡样本；确定所述翻译标签中所述预设位置对应的标签词项为第二遮挡词项，在所述翻译标签中对所述第二遮挡词项进行遮挡，得到所述遮挡标签，所述遮挡标签和所述遮挡样本存在对应关系。3.根据权利要求1所述的文本翻译方法，其特征在于，所述以所述遮挡标签和所述文本样本为依据，根据所述翻译样本和所述重构样本，对所述编码器、所述翻译解码器和所述重构解码器进行联合训练，得到训练好的编码器、训练好的翻译解码器和训练好的重构解码器包括：根据所述遮挡标签、所述翻译样本和预设的翻译损失函数，计算得到翻译损失；根据所述文本样本、所述重构样本和预设的重构损失函数，计算得到重构损失；以所述翻译损失和所述重构损失为依据，对所述编码器、所述翻译解码器和所述重构解码器进行联合训练，得到所述训练好的编码器、所述训练好的翻译解码器和所述训练好的重构解码器。4.根据权利要求3所述的文本翻译方法，其特征在于，所述以所述翻译损失和所述重构损失为依据，对所述编码器、所述翻译解码器和所述重构解码器进行联合训练，得到所述训练好的编码器、所述训练好的翻译解码器和所述训练好的重构解码器包括：将所述翻译损失和预设的第一权重相乘，得到第一相乘结果，将所述重构损失和预设的第二权重相乘，得到第二相乘结果；将所述第一相乘结果和所述第二相乘结果相加，确定相加结果为训练损失，以所述训
练损失为依据，采用梯度下降法对所述编码器、所述翻译解码器和所述重构解码器进行联合训练，直至所述训练损失收敛，得到所述训练好的编码器、所述训练好的翻译解码器和所述训练好的重构解码器。5.根据权利要求1至4任一项所述的文本翻译方法，其特征在于，所述遮挡样本包括至少一个未遮挡词项；所述将所述遮挡样本输入所述文本翻译模型，得到文本翻译结果，将所述遮挡样本输入所述文本重构模型，得到文本重构结果，根据所述文本翻译结果和所述文本重构结果的关联程度，调整所述文本翻译模型的参数，直至满足预设的生成条件，得到生成的目标翻译模型包括：通过所述文本翻译模型，对所述遮挡样本中的每个未遮挡词项进行翻译结果预测，得到每个未遮挡词项对应的第一概率分布，通过所述文本重构模型，对所述遮挡样本中的每个未遮挡词项进行重构结果预测，得到每个未遮挡词项对应的第二概率分布；根据所有未遮挡词项的所述第一概率分布和所述第二概率分布，确定所述关联程度，根据所述关联程度，调整所述文本翻译模型的参数，直至满足所述生成条件，得到生成的所述目标翻译模型。6.根据权利要求5所述的文本翻译方法，其特征在于，所述通过所述文本翻译模型，对所述遮挡样本中的每个未遮挡词项进行翻译结果预测，得到每个未遮挡词项对应的第一概率分布，通过所述文本重构模型，对所述遮挡样本中的每个未遮挡词项进行重构结果预测，得到每个未遮挡词项对应的第二概率分布包括：将所述遮挡样本输入所述文本翻译模型，针对所述遮挡样本中的任一个未遮挡词项，预测所述未遮挡词项分别属于至少一个预设翻译词项的第一预测概率，根据所有对应预设翻译词项的第一预测概率，形成所述第一概率分布，遍历所有未遮挡词项，得到对应未遮挡词项的第一概率分布；将所述遮挡样本输入所述文本重构模型，针对所述遮挡样本中的任一个未遮挡词项，预测所述未遮挡词项分别属于至少一个预设重构词项的第二预测概率，根据所有对应预设重构词项的第二预测概率，形成所述第二概率分布，遍历所有未遮挡词项，得到对应未遮挡词项的第二概率分布，其中，一个预设重构词项有且仅有一个具有相同语义的预设翻译词项。7.根据权利要求5所述的文本翻译方法，其特征在于，所述根据所有未遮挡词项的所述第一概率分布和所述第二概率分布，确定所述关联程度包括：针对任一个未遮挡词项，计算所述未遮挡词项对应的第一概率分布和对应的第二概率分布的kl散度，得到所述未遮挡词项对应的散度值；对所述未遮挡词项对应的第一概率分布进行对数运算，得到所述未遮挡词项对应的对数值；遍历所有未遮挡词项，得到对应未遮挡词项的散度值和对数值，对所有未遮挡词项对应的散度值与对数值进行求和计算，得到求和计算结果，所述求和计算结果用于表征所述关联程度。8.一种基于人工智能的文本翻译装置，其特征在于，所述文本翻译装置包括：样本遮挡模块，用于获取文本样本及其对应的翻译标签，在预设位置对所述文本样本
和所述翻译标签分别进行遮挡，得到遮挡样本及其对应的遮挡标签；样本处理模块，用于将所述遮挡样本输入预设的编码器中进行特征提取，得到样本特征，将所述样本特征输入预设的翻译解码器中进行特征解码，得到翻译样本，将所述样本特征输入预设的重构解码器中进行特征重构，得到重构样本；联合训练模块，用于以所述遮挡标签和所述文本样本为依据，根据所述翻译样本和所述重构样本，对所述编码器、所述翻译解码器和所述重构解码器进行联合训练，得到训练好的编码器、训练好的翻译解码器和训练好的重构解码器；第一模型生成模块，用于使用所述训练好的编码器和所述训练好的翻译解码器生成文本翻译模型，使用所述训练好的编码器和所述训练好的重构解码器生成文本重构模型；第二模型生成模块，用于将所述遮挡样本输入所述文本翻译模型，得到文本翻译结果，将所述遮挡样本输入所述文本重构模型，得到文本重构结果，根据所述文本翻译结果和所述文本重构结果的关联程度，调整所述文本翻译模型的参数，直至满足预设的生成条件，得到生成的目标翻译模型，所述目标翻译模型用于对获取的待翻译文本进行翻译。9.一种计算机设备，其特征在于，所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的文本翻译方法。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的文本翻译方法。

技术总结
本发明涉及数字医疗技术领域，尤其涉及一种基于人工智能的文本翻译方法、装置、计算机设备及介质。该方法对文本样本和翻译标签遮挡，得到遮挡样本和遮挡标签，通过编码器提取遮挡样本的样本特征，将样本特征输入翻译解码器和重构解码器，得到翻译样本和重构样本，根据遮挡标签、文本样本、翻译样本和重构样本，训练编码器、翻译解码器和重构解码器，根据训练结果生成文本翻译模型和文本重构模型，根据生成的模型分别对遮挡样本处理根据处理得到的文本翻译结果和文本重构结果的关联程度，调整文本翻译模型的参数，得到目标翻译模型，提高文本翻译的准确率，提高医疗场景下为跨语种人员提供医疗服务的便捷性，进而提高跨语种人员的医疗服务体验。的医疗服务体验。的医疗服务体验。


技术研发人员：凌天东 王健宗 程宁
受保护的技术使用者：平安科技（深圳）有限公司
技术研发日：2023.06.15
技术公布日：2023/8/31