本研究针对机器翻译系统在句子级别上操作的限制，提出了利用文档级单语数据构建上下文感知翻译系统的方法，并通过结合现有句子级翻译模型和文档级语言模型，改进了现有方法，并提出了新的权重技术以提高系统组合的灵活性和降低计算开销。通过对四个不同的翻译任务进行全面评估，结果显示我们的改进能够显著提高面向文档的评分，并在计算上更高效。但在大多数情况下，通过再训练翻译系统进行反向翻译可以获得更好的结果。最后，我们探索了基于大语言模型的语言模型融合，在最新的大语言模型进展的基础上取得了一定的潜力。

Oct, 2023

本文提出了一种使用贝叶斯优化算法进行最小误差率训练的新型统计机器翻译系统，探索了两类算法来高效地探索翻译空间，其中一类基于 N-best 列表，另一类基于超图表示法，同时介绍了一种随机嵌入算法来扩展我们的方法以处理稀疏高维特征集。

Dec, 2014

本文提出了一种以神经机器翻译、词袋模型、训练、中英文翻译和 BLEU 得分为关键词的方法，通过在训练阶段使用句子和词袋模型作为目标，鼓励该模型生成可能不在训练集中的正确句子，实验结果表明，我们的模型在中英文翻译数据集上的 BLEU 得分比强基线模型高 4.55。

May, 2018

本文提出了一种名为 MTrans 的新框架，其使用 TPD 方法进行训练以实现源 - 辅助 - 目标的最优路径，并使用 Bi-MAgree 框架和 MKL 方法来鼓励跨语言一致性。实验表明，这种方法在多个任务上都表现出了显著的改善。

Sep, 2022

通过深度生成模型，我们提供了一种考虑平行 corpus 中局部语义和句法变化的机器翻译方法，并通过多个语言对的实验验证了其相比基准模型的效果提高。

May, 2018

本篇论文研究神经机器翻译，提出使用最小贝叶斯风险解码优化翻译质量度量作为一种替代推论策略来优化自动翻译质量度量，实验结果表明，使用 BLEURT 作为质量度量指标产生的质量比传统 Beam-search 输出更好。

Nov, 2021

引入了一种贝叶斯机器科学家，它使用对模型的后验分布的明确逼近来确定模型的合理性，并通过从数学表达式的大量经验语料库中进行学习来确定模型的先验期望。该方法可以自动从数据中提取精确的模型，并且在合成数据和真实数据上提供比现有方法和其他非参数方法更准确的外样本预测。

Apr, 2020

本文提出了一种通过解决模型架构、训练数据和评估指标三个问题开展文本背景机器翻译的方案，并在 DE$ ightarrow$EN，EN$ ightarrow$DE，EN$ ightarrow$FR 和 EN$ ightarrow$RU 等语种的大数据实验中表明这三项改进措施能够显著提高文本背景翻译的性能。

Apr, 2023

该研究提出了一种将神经机器翻译（NMT）与传统的统计机器翻译（SMT）相结合的新方案，利用贝叶斯风险进行组合，并成功地在英德和日英翻译方面得到了显著的提升。

Dec, 2016

本文提出了一种机器翻译质量估计方法，使用从输入句子中提取的特征并结合朴素贝叶斯分类器构建模型，通过训练数据计算每个句子的可能性并用于测试数据的评分和分类。

Dec, 2013