社交网络是网络时代社会生活不可或缺的组成部分,既是国内外交流合作的大平台,也是国家之间竞争博弈的主阵地。海量军政信息在社交网络中传播,其翻译任务也成为了服务于国家军事、政治、外交战略的必要需求。在大数据背景下,传统的人工翻译模式已经无法满足社交网络中军政领域数据高质量和即时化的翻译要求。另一方面,社交网络语言的特异性为理解和翻译带来了新问题和新挑战。面向社交网络研究军政领域网络语言特点及自动翻译方法具有突出的理论意义和应用价值。当前基于深度神经网络的英汉机器翻译已经取得了显著进步,在新闻领域甚至取得了媲美人类译员的测试成绩。然而,使用现有的主流英汉神经机器翻译系统对军政领域社交网络文本的测试结果表明,机器译文仍然存在许多翻译问题,离满足实际应用需求还有不小的差距。针对军政领域社交网络语言特征所导致的突出问题,本研究通过构建网络非正规语言表达库和军政领域社交网络双语平行语料库,探索了融合先验知识的神经机器翻译模型构建方法,有效提升了军政领域社交网络英汉神经机器翻译的译文质量。本文的主要工作如下:1.军政领域英语社交网络语言特征分析与网络非正规语言表达术语库构建。军政领域社交网络语言具有鲜明的特征,对这些特征进行分析、总结、提取,构建军政领域社交网络语言特征术语库。2.军政领域社交网络英汉双语平行语料库设计与构建。语料的量和质是训练神经网络机器翻译模型的基本条件,是影响模型性能的重要因素,然而社交网络中军政领域英汉双语平行语料在量和质两方面都面临着极大的困难。本研究提出了一种预处理手段和机器翻译引擎相结合的垂直领域双语语料生成方法,用于构建、扩展、优化军政领域社交网络英汉双语平行语料库,并通过实验验证了该方法的有效性。3.融合军政领域社交网络语言特征的神经机器翻译模型构建。本研究标注了军政领域社交网络语言特征,构建了基于BPE算法的分词模型,将英汉训练数据的语言特征在编码端和解码端进行拼接和对齐,融入基于m Bart预训练模型进行微调的神经网络结构和Transformer神经网络结构。4.实验与结果分析。基于m Bart预训练模型进行迁移学习的方法虽然能够提升BLEU值,但是整体翻译效果较差。在Transformer结构上,融入语言知识比不融入语言知识提升了3.35个BLEU值,译文质量在词汇层面得到了显著优化,证明了融入语言特征能够对社交网络中军政领域内容的机器翻译产生积极效果。