ACLMay, 2021

IntelliCAT: 搭载质量评估和翻译建议的智能机器翻译后编辑

PDF
TL;DR本文介绍了一种基于智能模型的交互式翻译界面 IntelliCAT，该界面利用两个不同粒度的质量估计模型来实现机器翻译的后编辑过程，进一步提出了一种新的翻译建议模型，能够根据上下文条件性地提供特定单词或短语的替代方案，最终可以自动地保留原始文档的样式。实验结果表明，基于所提出的质量估计和翻译建议的后编辑可以显著提高翻译质量。此外，用户研究表明，IntelliCAT 提供的三个特性显著加速了后编辑任务，相对于从头开始翻译，速度提升了 52.9％。
发现论文，激发创造
  • 机器翻译质量估计的实用视角

    本研究旨在提高机器翻译句子水平的翻译编辑速率预测，提出了句子水平的质量分类（QC）观点，以优化召回率，并通过二进制分类器的使用可将后编辑工作量减少至 50-60％。

    May, 2020

  • QuickEdit: 通过划掉单词进行文本和翻译编辑

    提出了一个计算机辅助文本编辑的框架，通过神经序列到序列建模和引入一个以输入句子和更改标记为输入的神经网络来解决翻译后编辑和改写问题，并通过用户研究评估了该模型的效果。

    Nov, 2017

  • 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

  • 高效机器翻译语料库生成

    本篇论文提出了一种有效且半自动化的方法，用于人工编辑后的机器翻译语料库生成，该方法基于在线训练定制的 MT 质量估计指标并需要人类参与，实现了有待优化问题的优先级排序和最佳解的自动处理。尤其地，该方法解决了人工编辑效率低下，从而降低了人工成本的问题，并通过实验证明了其对机器翻译模型生命周期的作用。

    Jun, 2023

  • 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

  • 从手工特征到 LLMs：机器翻译质量估计的简要调查

    机器翻译质量评估（MTQE）是实时估计机器翻译文本质量的任务，不需要参考翻译，对机器翻译的发展非常重要。本文综述了质量评估数据集、标注方法、共享任务、方法学、挑战和未来研究方向。

    Mar, 2024

  • 正确 - 记忆：从交互式修订中学习翻译

    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。

    Jul, 2019

  • 使用错误注释引导大型语言模型进行机器翻译

    通过使用 Multidimensional Quality Metric (MQM) 注释中的外部反馈来引导大型语言模型 (LLMs) 自动对机器翻译进行后编辑，以提高翻译质量。使用 LLaMA-2 模型，通过改变反馈的特性，我们考虑了不同的提示策略，并对 LLM 进行微调以提高其利用所提供指导的能力，实验证明提示 LLMs 对机器翻译进行后编辑，可以改善 TER、BLEU 和 COMET 分数，微调有助于更有效地整合细粒度的反馈，并基于自动和人工评估进一步提高翻译质量。

    Apr, 2024

  • 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

  • 基于 Levenshtein 距离的词级别质量估计训练

    本研究提出了一种新颖的方案，即使用 Levenshtein Transformer 对单词级别的翻译质量评估任务进行处理，并通过两阶段的迁移学习过程和启发式方法来解决数据匹配问题，针对 WMT 2020 QE 数据集，该方法在数据限制的情况下具有更高的数据效率。

    Sep, 2021