基于卷积神经网络的上下文依赖翻译选择

ACLMar, 2015

基于卷积神经网络的上下文依赖翻译选择

Context-Dependent Translation Selection Using Convolutional Neural Network

Zhaopeng Tu, Baotian Hu, Zhengdong Lu, Hang Li

TL;DR该研究提出了一种基于卷积神经网络的翻译选择方法，该方法可以判断两种语言中短语对之间的相似性，以及在源语言中包含短语的上下文，通过渐进式学习，能够更好地表示词组和句子级上下文，实验结果显示，与基线系统相比，该方法能够显着提高 1.4 个 BLEU 分数。

Abstract

We propose a novel method for translation selection in statistical machine translation, in which a convolutional neural network is employed to judge the similarity between a phrase pair in two languages. The specifically designed convolutional architecture encodes not only the

statistical machine translation convolutional neural network semantic similarity context-dependent curriculum learning

发现论文，激发创造

使用卷积神经网络对源语言进行编码以进行机器翻译

通过使用卷积神经网络和目标信息来指导源信息并形成统一的表达，该神经网络联合模型可以在两个 NIST 中英翻译任务中显著提高平均 BLEU 分数，达到 +1.08 BLEU 分数。

Mar, 2015

面向上下文的神经机器翻译学习

本文中，我们提出了一种新的学习算法，用于增进神经机器翻译模型对附加上下文的理解，通过使用多级成对排名损失函数，我们在基于 transformer 的大语境翻译系统中进行了评估，并通过与实际和随机语境下的性能对比表明，使用所提出的算法训练的模型对额外上下文的理解更敏感。

Mar, 2019

使用深度神经网络架构的词汇翻译模型

通过深度神经网络代替线性最大熵模型，结合 Discriminative Word Lexicon 模型和全球上下文句子的优势，该研究在现有的翻译系统中改善了三种不同语言对的性能达到 0.5 个 BLEU 点。

Apr, 2015

HanoiT: 通过选择性上下文增强上下文感知翻译

本文提出了一种使用层间选择机制来筛选和优化长文档上下文的端到端编码器 - 解码器模型，以改善神经机器翻译的质量。实验证明，该模型通过软选择机制在四组数据集上明显优于以前的模型。

Jan, 2023

神经机器翻译卷积编码器模型

本文提出了一种基于卷积层的神经机器翻译框架，相比双向 LSTM 网络，该框架可以同时编码整个源语句，从而加速了翻译速度，在 WMT'16 数据集上达到了竞争水平的准确性，并在 WMT'15 和 WMT'14 数据集上取得了优异的结果。

Nov, 2016

面向上下文感知神经机器翻译的聚焦拼接

本文提出一种改进的连接方法，加强句子边界和相对句子距离概念，从而促进模型满足上下文折扣化目标，提高语境感知神经机器翻译，表现优于基准连接法和其他复杂的上下文感知系统。

Oct, 2022

使用全局句子表示进行本地翻译预测

该论文探索了使用源语言全局句子级特征来预测目标语言本地翻译，并提出了一种新的双语限制基于块的卷积神经网络来学习语义表示，并使用局部和全局信息的前馈神经网络来更好地预测翻译质量。实验表明，该方法可以在翻译质量方面得到实质性的提高。

Feb, 2015

通过对比增强上下文

通过最大化巴洛双生损失来提高神经机器翻译性能，从而得到含义丰富的表示，并通过语言分类和与最先进的方法进行对比，评估我们表示的语言无关性。

Jan, 2024

双语多说话人谈话的上下文神经翻译模型

本文提出了一项翻译双语多说话者会话的任务，并探索了利用源语言和目标语言会话历史的神经网络架构，在 Europarl v7 和 OpenSubtitles2016 数据集上的实验证实了利用对话历史的重要性。

Sep, 2018

学习上下文敏感的卷积滤波器用于文本处理

本研究中提出一种使用小型元网络学习文本处理的上下文敏感卷积滤波器的方法，并将该框架进一步推广到模拟句子对，通过可视化学习的上下文敏感滤波器验证了所提出的框架的有效性。

Sep, 2017