IJCAIJul, 2019

正确 - 记忆：从交互式修订中学习翻译

PDF
TL;DR提出了一种交互式机器翻译方法 CAMIT，通过接受修正指令，允许人类纠正模型翻译句子中的任意单词，并基于上下文学习和记忆修正操作，从而有效地改进了机器翻译结果。实验表明，CAMIT 方法显著提高了机器翻译效果，并且相对于以前的方法需要更少的人工修订指令。
发现论文，激发创造
  • 关于一种基于一致性感知元学习的可靠神经机器翻译方法

    本文提出了一种基于一致性感知元学习的神经机器翻译（CoNMT）框架，旨在解决当前 NMT 系统中由源多样性现象导致的翻译错误，实验结果表明，该框架能有效提高翻译质量并可靠地处理输入的多样性。

    Mar, 2023

  • 基于强化和模仿的交互式预测神经机器翻译

    通过交互式预测神经机器翻译框架进行模型个性化，并借助强化学习和模仿学习的方法。在交互式的过程中，用户可以反馈不确定区域的翻译结果，并能提交编辑建议，我们通过集成这些反馈，使用约束束搜索，对模型进行调整迭代，实验结果表明，相对于传统监督模型，该模型更易于个性化，并且具有相近的翻译性能

    Jul, 2019

  • 使用翻译记忆推进神经机器翻译

    本文介绍了一种将翻译记忆集成到神经机器翻译系统中的简单有效方法，并在多个数据集上获得实验性能显著优于强基线模型的结果。

    Jan, 2023

  • Synslator：一种具有在线学习功能的交互式机器翻译工具

    该论文介绍了 Synslator，这是一款用户友好的计算机辅助翻译工具，不仅支持交互式机器翻译（IMT），而且在实时翻译记忆的在线学习方面表现出色。通过评估，我们确认了在线学习的有效性，并观察到使用 Synslator 的交互功能将后期编辑效率提高了 13%。

    Oct, 2023

  • 人工翻译的自动校正

    本文介绍了自动矫正人为翻译错误的任务，并通过制作 Aced 语料库并建立三个 TEC 数据集，探究矫正人为翻译错误的模型的需要。我们发现人类错误比机器翻译的翻译流畅度错误更为多样，需要专门的 TEC 模型来矫正。通过在人类错误上的合成错误的预训练，我们的 TEC 系统在 F1 得分上获得了 5.1 个百分点的提升，并在人机交互实验中表现出卓越的能力。

    Jun, 2022

  • 互动机器翻译中提供建议的简易引导解码

    本文提出一种使用参数化的神经机器翻译目标函数的简单约束解码算法来改善翻译质量的方法，并在一个基准数据集上进行了验证，结果表明该算法在翻译质量和时间效率方面都优于现有方法。

    Nov, 2022

  • 双语同步：通过编辑操作恢复翻译关系

    探讨了将目标序列转化为源序列的翻译方法以及对其进行细化、优化的多种实验，得出了一种基于编辑的通用系统可以与专门针对此任务训练的系统相媲美甚至优于这些系统的结论。

    Oct, 2022

  • 使用连续缓存学习记忆翻译历史

    本文研究了如何利用一种轻量级的缓存神经网络来存储最近的隐藏层表示作为翻译历史，基于从记忆中检索出的翻译历史更新生成单词的概率分布，从而使得神经机器翻译模型具有动态适应能力，并且在计算成本方面影响极小。

    Nov, 2017

  • 通过模仿学习拓展多语言机器翻译

    通过模仿学习 imitate learning 的方法扩展大规模多语言神经机器翻译 MNMT 模型，解决了新语言增加后导致性能下降的问题，并改善了翻译性能和解决了当前大规模神经机器翻译模型中常见的复制和偏离问题。

    Nov, 2023

  • 面向专业人员的 NMT 增量调整：用户研究

    本文研究使用在线学习方法对神经网络机器翻译系统进行改进，通过用户实验表明改进后的系统在翻译质量、减少人工修改时间等方面有了明显的提升。

    Jun, 2019