EMNLPSep, 2020

自动后编辑能否改进 NMT？

PDF
TL;DR本研究旨在探讨自动后编辑技术在神经机器翻译系统上的实用性。通过构建英德短语翻译的人工编辑语料库，我们证明了在大规模语料库和人工编辑数据的监督下，最新的神经网络后编辑技术可以显著提高神经机器翻译系统的翻译质量，并挑战了当前领域的理解。
automatic post-editingmachine translationneural networkcorpussupervision
发现论文，激发创造
  • 自动后编辑的实证研究

    该研究针对自动后编辑（APE）中数据稀缺的情况，通过数据增强的方式来生成大规模人工语料库构建人工数据域，以提高模型性能，报告表明高质量的人工语料库与生成的训练数据可以改善模型性能，同时在不同 MT 系统中 APE 的难度不同，模型在语法和语义添加问题上的表现良好，但容易出现实体和语义省略错误。

    Sep, 2022

  • 自动后编辑高质量机器翻译中句法对称的重要性

    本文探讨自动后编辑 (APE) 的问题，提出了一种基于对称自注意和语言学正则化的方法，旨在提高 APE 模型对目标语言的理解能力，并取得了实验结果的显著提升。

    May, 2023

  • 神经自动后编辑系统解释的共享注意机制

    本文提出了一种神经自动后编辑系统，该系统使用两个独立编码器对源句子和机器翻译句子进行编码，并利用共享注意力机制更好地理解两个输入对于后编辑句子生成的贡献，其已在 WMT16 和 WMT17 APE IT domain 英德共享任务的官方数据以及附加的 500K 人工数据上进行了训练和评估，同时提供了更好的可解释性。

    Jul, 2018

  • Netmarble AI Center WMT21 自动后编辑共享任务提交

    本文介绍了 Netmarble 在 WMT21 自动后处理 (APE) 共享任务中的提交，旨在通过多种手段来改进机器翻译的质量，并通过实验证明其有效性。

    Sep, 2021

  • 自动后编辑的复制学习

    该研究提出了一种新的模拟自动后期编辑过程中的复制机制的方法，通过在源句子和系统输出之间交互学习来更好地识别翻译错误，并在 WMT 数据集上的实验中进行验证，表现优于以往最佳结果。

    Nov, 2019

  • 神经序列到序列架构在自动后编辑中的探索

    本文研究了多种神经架构用于机器翻译自动后编辑任务。研究内容包括：将 $mt$ 和 $src$ 结合在一起直接对目标进行建模的端到端模型、硬注意力模型和以上两种结合。结果表明：将多个神经架构和硬注意力相结合，所构建的双注意力模型在自动后编辑任务中提供了更好的表现。

    Jun, 2017

  • 自我监督的自动后编辑数据生成工具

    开发了自我监督的数据生成工具，可以用于多种语言对的自动后编辑（APE）数据建设，以支持基于数据的 APE 研究，解决目前由于数据不足而无法进行的语言对研究问题。

    Nov, 2021

  • PePe: 利用用户生成的后编辑进行个性化后编辑模型

    本文介绍一种个性化自动后编辑框架来解决机器翻译中反映个人喜好的挑战，其使用鉴别器模块和用户特定参数的模型，在四种不同指标（BLEU、TER、YiSi-1 和人类评估）上优于基线模型。

    Sep, 2022

  • 基于分解的神经机器翻译模型集成用于自动后编辑和质量评估

    利用多个专门的神经机器翻译系统，将已被证明在词级质量估计中有效的特征作为输入因素，扩展原始源和机器翻译假设的表示，生成自动后编辑的假设，并在单个框架内连接自动后编辑和词级质量估计的最先进方法，进而通过调整实现两个任务的最优表现。

    Jun, 2017

  • 神经机器翻译质量与后编辑表现

    本研究测试了在专业翻译中使用神经机器翻译（NMT）是否能够节省人工处理时间，并发现更好的 MT 系统确实能够减少英文到捷克文翻译过程中的修改次数，但是质量和编辑时间之间的关系并不是直接的关系，并且与短语词汇表机器翻译不同的是，BLEU 不能稳定预测时间或最终输出质量。

    Sep, 2021