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！

龙图腾网获悉西安翻译学院申请的专利一种基于人工智能的商务文本实时翻译方法及系统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：CN120218090B 。

龙图腾网通过国家知识产权局官网在2025-11-07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：202510374657.2，技术领域涉及：G06F40/58；该发明授权一种基于人工智能的商务文本实时翻译方法及系统是由王淙;王云刚;王廷威设计研发完成，并于2025-03-27向国家知识产权局提交的专利申请。

本一种基于人工智能的商务文本实时翻译方法及系统在说明书摘要公布了：本发明属于文本翻译技术领域，提供了一种基于人工智能的商务文本实时翻译方法及系统，方法包括：智能体构建、待翻译文本数据采集、场景分类概率数据计算、翻译主体模型匹配、文本数据翻译以及反馈信息处理；本发明通过多智能体协同架构，实现了特定场景的翻译任务，改善了翻译的适用性；通过TF‑IDF算法和BERT模型，实现了智能体的动态调度和准确匹配，提高了翻译模型的可靠性；通过整合整体损失、语义损失、文体损失和文化损失的损失函数，提高了翻译模型在语义、文体、文化方面的敏感性，提高了模型翻译准确性和对等性；通过采集用户反馈和智能体更换，实现了用户体验的改善和翻译风格的切换。

本发明授权一种基于人工智能的商务文本实时翻译方法及系统在权利要求书中公布了：1.一种基于人工智能的商务文本实时翻译方法，其特征在于，包括： 采集不同商务场景下翻译完成的商务文本数据，对每种所述商务场景设计一个网络模型，基于整合整体损失、语义损失、文体损失和文化损失的损失函数利用和所述网络模型的所述商务场景相同的所述商务文本数据对所述网络模型进行训练，得到若干个智能体； 实时采集用户和客户沟通过程中的沟通文本或者用户上传的商务文件，得到待翻译文本数据； 利用TF-IDF算法和BERT模型对所述待翻译文本数据词频统计、上下文信息提取以及文体分类，得到词频数据、上文关键字以及文本格式类型，并根据所述词频数据、所述上文关键字以及所述文本格式类型对所述待翻译文本数据进行应用场景匹配，得到场景分类概率数据； 根据所述场景分类概率数据和所述智能体进行匹配，确定翻译主体模型； 利用所述翻译主体模型对所述待翻译文本数据进行翻译，得到实时翻译结果； 采集用户的反馈信息，若所述反馈信息为翻译错误时，则根据所述场景分类概率数据更换所述智能体，将更换后的所述智能体确定为所述翻译主体模型，并返回步骤“利用所述翻译主体模型对所述待翻译文本数据进行翻译，得到实时翻译结果”所述智能体的构建过程，包括： 构建Transformer改进网络；所述Transformer改进网络包括：依次连接的输入处理层、编码器层、解码器层以及线性投影层；所述输入处理层包括：依次连接的词嵌入模块、位置编码模块、动态术语库接口模块；所述编码器层包括：依次连接的融合文化感知注意力头和局部注意力窗口的多头自注意力模块、互文性增强模块、前馈网络模块、编码残差连接与层归一化模块；所述解码器层包括：依次连接的融合模板缓存区的输入处理模块、掩码多头自注意力模块、标准跨序列注意力模块、序列标注头模块以及解码残差连接与层归一化模块； 分别利用所述词嵌入模块、所述位置编码模块、所述动态术语库接口模块对预收集的标准翻译文本数据进行词向量映射、混合位置编码以及专业术语检索及词嵌入，得到输入向量； 利用所述文化感知注意力头载入预注入的外部知识图谱，利用所述局部注意力窗口限定注意力范围，根据所述外部知识图谱和所述注意力范围利用多头自注意力模块对所述输入向量进行加权向量拼接及线性变换融合，得到融合结果； 利用所述互文性增强模块对所述融合结果进行跨句关键词提取，得到上下文增强向量； 利用所述前馈网络模块对所述上下文增强向量进行非线性激活处理，并利用所述编码残差连接与层归一化模块对所述前馈网络模块的输出进行整合，得到编码输出； 利用所述输入处理模块中的所述融合模板缓存区载入高频术语模板； 利用所述掩码多头自注意力模块用于对所述编码输出进行后续序列位置屏蔽，得到上下文表征； 根据所述高频术语模板利用所述标准跨序列注意力模块对所述上下文表征进行对齐关系提取，得到跨模态表征； 利用所述序列标注头模块对所述跨模态表征进行固定格式标签预测，并利用所述解码残差连接与层归一化模块对所述序列标注头模块的输出进行整合，得到解码输出； 利用所述线性投影层将所述解码输出映射到目标语言空间，得到模型翻译输出； 根据所述模型翻译输出和所述标准翻译文本数据对损失函数进行计算，得到总损失值；所述损失函数的表达式为： Ltotal＝αLgobol+βLsemanitc+γLstyle+δLcutre； 其中，Lgobol＝CrossEntropyYpred,Yrtue； Lculture＝∑c∈CGATc,G·Accuracyc； [α,β,γ,δ]＝Softmaxfωs； Ltotal为所述总损失值；α、β、γ、δ分别为全局翻译权重、专业术语翻译权重、文体风格权重、文化适配权重；Lgobol、Lsemanitc、Lstyle、Lcutre分别为所述整体损失、所述语义损失、所述文体损失、所述文化损失；Ypred、Yrtue分别为预测概率分布和标准译文分布；CrossEntropy·表示交叉熵计算；T表示动态术语库；N为当前批次的术语数量；wi为第i个目标语言词；I·为示性函数，当内部条件满足时输出1，否则输出0；DKL·表示相对熵计算；pθwi、prefwi分别表示wi的预测概率分布以及wi在所述动态术语库中的标准分布；φs·表示所述编码器层；Xsrc、Ypred分别表示源语言文本和目标语言预测文本；C表示文化负载词集合；c为所述文化负载词集合中的单个元素；G表示文化知识图谱；GATc,G为注意力网络输出的文化敏感度权重；Accuracyc为文化词翻译准确率；fωs表示权重分配网络； 根据所述总损失值、所述整体损失、所述语义损失、所述文体损失、所述文化损失进行损失梯度计算和梯度裁剪，得到梯度数据，根据所述梯度数据利用梯度反向传播策略对所述Transformer改进网络的模型参数进行迭代优化，并在迭代过程中利用Adam优化器动态调整所述梯度反向传播策略的学习率，得到训练完成的所述智能体。

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西安翻译学院，其通讯地址为：710105 陕西省西安市长安区太乙宫；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”。

以上内容由龙图腾AI智能生成。