ACLMay, 2021

GWLAN: 计算机辅助翻译的通用单词级自动完成

PDF
TL;DR本文介绍了计算机辅助翻译 (CAT) 的核心功能自动补全，而之前的研究缺少针对单词级别自动补全的检测，并提供了第一个公共数据集进行检测以促进研究进展。作者提出一种有效的方法进行单词级别自动补全，并与几个强基线进行比较。实验表明，我们提出的方法可以比基线方法更准确地预测我们的基准数据集。
发现论文，激发创造
  • 计算机辅助翻译中单词级自动补全的重新思考

    通过研究不同的自动补全模型架构，本文提出了一种新的可衡量的标准，并发现现有的单词级自动补全模型往往无法满足此标准。基于此观察，我们提出了一种有效的方法来提高 WLAC 性能，同时利用较小的模型尺寸。

    Oct, 2023

  • 基于单词级别自动完成：开箱即用我们能取得什么成果？

    本研究利用预训练模型和随机抽样等方法，为机器翻译提供了句子和单词级别的自动翻译建议和自动补全功能，并且介绍了一种基于 CTranslate2 的翻译 API。

    Oct, 2022

  • INarIG: 迭代的非自回归指令生成模型用于单词级自动补全

    计算机辅助翻译（CAT）旨在提高人工翻译效率，本文提出了 INarIG 模型用于 Word-Level Auto Completion 任务，该模型能更好地处理低频词，提高预测准确率，并在 WMT22 和基准数据集上取得了最新效果。

    Nov, 2023

  • 针对真实世界的查询自动完成的个性化神经语言模型

    本研究提出了基于神经语言建模的深度学习方法，以改善基于流行度的方法无法预测未见过的查询的主要限制，并通过集成用户信息实现个性化建议，使用时间信息并研究如何增加建议的多样性，从而在准确性和可扩展性方面显著改善前人最佳方法，迈向生产搜索引擎中的神经查询自动完成。

    Apr, 2018

  • 通过沟通游戏学习自动完成系统

    通过提取自然语言的关键字，我们提出了一种无监督的文本自动完成方法，以权衡任务的效率、准确性和人类可读性，并呈现出在给定效率水平下比其他基线更准确的自动完成系统。

    Nov, 2019

  • 协助语言学习者：对比提示学习实现的自动跨语言定义生成

    该研究提出了一个新的任务 —— 跨语言定义生成（TLDG），并发现 fine-tuning 多语言机器翻译模型时方法被显著优化，并得到了更高质量的跨语言定义生成。

    Jun, 2023

  • 查询自动完成个性化语言模型

    通过使用适应性语言模型生成个性化的查询完成并使用在线更新来进行预测，相比没有用户信息的基准线，个性化预测效果显著提升。

    Apr, 2018

  • IntelliCAT: 搭载质量评估和翻译建议的智能机器翻译后编辑

    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％。

    May, 2021

  • AutoMeTS：医学文本简化自动补全

    本研究研究了预训练神经语言模型在医疗领域文本简化中的应用，引入了一个包含对齐的英文维基百科与简单英文维基百科句子的新的平行医学数据集，并比较了四个 PNLM（BERT，RoBERTa，XLNet 和 GPT-2），并演示了如何将待简化的句子的附加上下文合并以实现更好的结果（相对最佳单独模型提高 6.17% 的绝对值）。同时，我们介绍了一个组合模型，它结合了四个 PNLM，并且比最佳单独模型表现出 2.1% 的优越性，使得整体单词预测准确率达到 64.52%。

    Oct, 2020

  • 从真实世界数据集中学习自动完成

    通过在真实的代码完成实例上训练模型，我们研究了代码完成的预测性能，并发现这些模型比在源代码和工作版本快照上训练的模型分别提高了 12.8% 和 13.8% 的准确性，这与程序员实际自动完成使用率增加 6.2% 相对应，证明了真实的代码完成示例对于构建强大的模型非常重要。

    Nov, 2020