ACLJul, 2016

统计机器翻译中基于目标端上下文的判别式模型

PDF
TL;DR通过使用源上下文信息优化的翻译模型以提高机器翻译性能，我们提出了一种使用目标上下文信息的新颖扩展，令人惊讶的是，我们证明可以将该模型直接高效地集成在解码过程中，我们的方法可以应用于大规模训练数据，对四种语言对的语言翻译质量有一致提高，我们提供了分析，比较基线基于源上下文模型的优势，以及我们扩展的源上下文和目标上下文模型，结果显示，我们的扩展可以更好地捕捉形态学一致性。
发现论文，激发创造
  • 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

  • 利用目标端上下文来提高上下文感知的神经机器翻译

    本文研究使用多编码器和两个注意力机制以读取当前和先前句子以融入上下文的神经机器翻译（NMT）的文档级上下文问题，提出了一种权重共享方法，并得出结论，当在 NMT 中作为解码器状态插入目标端上下文时，目标端上下文也是有用的。

    Sep, 2019

  • 神经机器翻译的上下文门控制

    为解决传统神经机器翻译技术所存在的译文质量缺陷问题，我们提出了一种名为 context gates 的动态控制算法，旨在更加细致地控制源与目标语境对目标词汇生成的影响比率，实验结果显示较传统注意力机制神经机器翻译系统提升 2.3 BLEU 分数。

    Aug, 2016

  • 基于目标端文本级语言模型的上下文感知神经机器翻译解码器

    该研究提出了一种简单的方法将基于句子水平的翻译模型转化为基于上下文的模型，该方法使用点互信息来表示上下文信息。这种方法在三种语言对上得到了较好的效果。

    Oct, 2020

  • 扩展上下文的神经机器翻译

    探究在基于注意力的神经机器翻译中使用扩展上下文的效果，通过对电影字幕进行翻译实验，研究增加翻译单元之外的片段对源语言上下文和双语上下文扩展的影响，发现模型可以区分不同片段的信息，并且在一些情况下可以改善译文连贯性。

    Aug, 2017

  • 带有记忆网络的文本上下文神经机器翻译

    通过内存网络以及结构化预测方式解决文档级机器翻译问题。在训练过程中囊括源文件和目标文件，通过分别采用两个记忆组件来处理相应上下文，同时提出一种基于块协调下降的迭代解码算法。在法语、德语和爱沙尼亚语文件中进行英语翻译的实验结果表明，该模型在利用上下文方面有效，在 BLEU 和 METEOR 方面的表现均显著优于先前的方法。

    Nov, 2017

  • 上下文感知的神经机器翻译中的目标数据推广

    该研究通过拼接语境的方法，研究了在标准文档级神经机器翻译中，是否应进一步提升目标语言的上下文对翻译结果的影响，实验结果表明，在目标语言现象上，将目标语言上下文加入到源语言端能够有显著的提升，而在依赖于源语言的现象方面，将源语言和目标语言的上下文同时加入源语言端能够在所有指标上都有显著的提升。

    Feb, 2024

  • 上下文感知机器翻译中的上下文使用度测量与增加

    本文介绍了一种新的度量模型使用上下文的方法，并提出了一种新的训练方法来增加上下文感知模型的使用率。实验证明，这种方法可以提高翻译质量和语义连贯性。

    May, 2021

  • 通过利用目标语言上下文提升端到端会话语音翻译

    在这篇研究中，我们介绍了如何在端到端语音翻译中引入目标语言上下文，以增强连贯性并克服扩展音频片段的内存限制。此外，我们还提出了上下文丢弃以确保对上下文缺失的鲁棒性，并通过添加说话者信息进一步提高性能。我们的上下文化端到端语音翻译方法优于孤立的基于句子的端到端语音翻译方法。最后，我们证明在对话性语音中，上下文信息主要有助于捕捉上下文风格，并解决指代和命名实体问题。

    Sep, 2023

  • 上下文感知的机器翻译与源语言共指解释

    通过预测输入中的核指代特征，我们提出了一种可以解释翻译决策的模型，通过利用输入和翻译输出表示中的上下文特征，以提高英语 - 德语数据集、英语 - 俄语数据集和多语言 TED 演讲数据集上的文档级翻译任务 BLEU 分数超过 1.0 的效果。

    Apr, 2024