本文介绍了一种利用神经混合图模型构建并预测词形变化的方法，并将其与传统的形态学变化或表面实现进行了比较，证明了将语言学驱动的潜在变量纳入 NLP 模型的实用性。

May, 2019

本文研究机器翻译中针对形态丰富的目标语言面临的挑战以及采用词元标记策略和语言学知识进行目标语言语言建模的实验，结果表明词汇量限制、语法一致性和语言关联性问题仍然是机器翻译需要解决的重要问题。

Mar, 2022

本文提出了一个简单的方法来解决 NMT 系统处理大词汇量时的问题，该方法是训练系统生成单词的词元和丰富的词性标记，然后进行确定性生成步骤，应用于英语 - 捷克语和英语 - 德语翻译方案中，获得了改进。

Jul, 2017

论文提出了一种模块化框架，可以用来在神经机器翻译中灵活地应用语言学知识和不同类型的神经机器翻译模型，特别是设计了用于领域适应和低资源机器翻译设置的英德医疗和英立新闻测试套件，结果表明，我们的基于规则的屈折模块比神经模块更准确地引入了引文限制，并且在低成本的训练下优于现有的端到端方法。

Sep, 2021

研究一种使用代码转换从而生成的训练数据的数据增强方法来限制大众翻译机器在本地词汇翻译方面的失误问题。

Apr, 2019

本文提出了一种通过分层潜在变量模拟词态变化过程的方法，通过组合两个潜在表示（一个连续的表示和一组（近似）离散特征），逐个字符生成单词，从而使神经机器翻译在三种形态丰富的语言中的精度和资源利用率得到了提高。

Oct, 2019

本研究提出了一种基于神经编码器解码器模型的方法，用于生成 Morphological inflection generation 任务中给定基本形式的词汇对应的特定语言变换的变形形式，并在 7 个形态丰富语言的数据集上进行评估，获得了与现有的最先进的基于变化生成的模型相比更好或可比的结果。

Dec, 2015

该研究提出了一种源数据增强的机器翻译系统，用于术语集成，实验表明该方法在术语翻译时具有实用性和较高的准确性。

Jan, 2021

本文提出了一种新颖的方法，在神经机器翻译中运行时注入自定义术语。作者通过训练神经机器翻译系统学习如何在输入时使用自定义术语，并比较实验证明这种方法不仅更有效，而且与自由约束解码一样快。

Jun, 2019

在机器翻译的下游应用中，术语的正确性非常重要，通过将术语约束注入翻译系统可以实现。本研究采用一种翻译后再优化的方法，可以实现跨领域且需要较少手动操作。我们通过使用从词对齐中获得的伪术语翻译来注释随机源词，首先训练一个术语感知模型。此外，我们还探索了两种后处理方法。第一，我们使用对齐过程来发现是否违反了术语约束，如果是，则使用负面约束对违反术语的词进行重新解码。或者，我们利用大型语言模型通过提供术语约束来优化假设。结果表明，我们的术语感知模型能够有效地学习并整合术语，而大型语言模型优化过程可以进一步提高术语的召回率。

Oct, 2023