提出了一种以神经网络为基础的三重方法，用以改善统计机器翻译，并在阿拉伯语 - 英语和中文 - 英语翻译上实现了显著改进，包括新的神经网络特征、张量层和多任务学习。

Jun, 2015

本研究探讨了数据选择技术在神经机器翻译方面的应用，介绍了一种逐步微调的动态数据选择方法，并展示了该方法在数据选择方面的领先优势。

Aug, 2017

本文提出了将 SMT 模型融入 NMT 框架，通过辅助分类器和门函数来结合 SMT 的推荐和 NMT 的生成，从而提高中英翻译的性能。实验结果表明，该方法在多个测试集上均显著优于现有的 NMT 和 SMT 系统。

Oct, 2016

本文研究了利用元信息及更丰富的上下文方法来改善机器翻译质量，首要关注输入文本的类别信息，采用最先进的神经网络方法在统计机器翻译框架下解决该问题，实验结果在某些文本类别上 BLEU 评分提高了 3%。

Aug, 2017

本文介绍了一种利用多源神经机器翻译和统计机器翻译输出的神经网络系统组合框架来提高翻译效果的方法，在中英翻译任务中实现了比传统系统组合方法更高的 BLEU 值。

Apr, 2017

提出了一种神经机器翻译的方法，利用一种新的候选采样策略，基于强化学习技术提高翻译模型的机器导向性，从而产生最适合用作特定下游任务的自然语言处理组件输入的翻译结果，这种方法可以显著提高英文分类器对 Twitter 数据的情感分类的性能。

Oct, 2019

本文介绍了使用 SMT 技术和 MOSES 工具包开发双语 SMT 模型，实现英语和十五种低资源印度语言之间的翻译，包括使用 BLEU，METEOR 和 RIBES 等标准指标对翻译质量进行评估。

Jan, 2023

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。

Mar, 2015

本文介绍了使用神经网络全局词汇模型和神经网络联合模型来改善基于短语的统计机器翻译系统的局限性，通过对源句子的环境信息进行更有效地利用，显著提高了语法错误纠正的准确性。

Jun, 2016

本论文提出了一种将基于短语的统计机器翻译模型作为后验正则化引入到无监督神经机器翻译模型的训练过程中，以提高翻译质量的方法，并在 en-fr 和 en-de 翻译任务上进行实验，最终取得了新的最佳性能。

Jan, 2019