介绍了 ChrEn，一个低资源的 Cherokee-English 平行数据集，为 Cherokee 语言的机器翻译研究提供了帮助。通过比较 SMT 和 NMT，监督和半监督方法以及四种其他语言的多语联合训练，得出了转移学习和联合训练等多种翻译系统，最佳结果为 15.8/12.7 BLEU 得分，鼓励未来的 Cherokee 语言复兴工作。

Oct, 2020

Google 发布的 GNMT 神经机器翻译系统采用 LSTM 深度学习网络，使用 attention 机制和残差连接，借助词元素 (wordpieces) 将单词划分为子单元，提高了稀有单词处理能力与整体系统精度。

Sep, 2016

该论文介绍了一个新的神经机器翻译系统，并将其与两个常规的在线引擎（统计和神经）以及作者自己的统计机器翻译系统进行了基准测试。同时，该论文还分析了句子长度对统计机器翻译和神经机器翻译系统翻译输出质量的影响。

Jul, 2017

我们介绍了一个在线学习神经机器翻译的系统，并将其与专业翻译人员最常用的 SDL Trados Studio 用户界面集成，以节省机器不断学习和适应特定领域或用户风格的人类选择所需的时间和努力。

Jun, 2019

提出了一种用于机器翻译的神经网络模型，其能够动态决定何时继续输入源文本或生成翻译文本，通过使用单向或双向编码器来处理实际语音和文本输入，使用词对齐方法生成分块训练数据，并在 IWSLT 2020 英 - 德任务上优于 wait-k 基线 2.6 到 3.7% BLEU 中的结果。

May, 2020

这项研究通过数据增强方法和用于低资源语言的神经机器翻译模型，针对粤语 - 英语的翻译方向进行了 Fine-tune，评估了多个不同指标对翻译效果的自动评价，并开发了一个用户友好的界面，以促进粤语 - 英语机器翻译研究。

Mar, 2024

本研究旨在分享我们在神经机器翻译领域的专业知识，创造出竞争力强且适用于不同用例的翻译引擎，在实际生产流程中实现特定领域的高效翻译。我们提供了一种同时发布多种语言在线演示程序的方法，并探索了不同的实用选项、网络架构和评估方法等。

Oct, 2016

我们致力于构建一款通用的神经机器翻译系统，通过构建一个单一的大规模多语言 NMT 模型，实现了 103 种语言之间的翻译，带有有效的迁移学习能力，显着提高了低资源语言的翻译质量，同时保持高资源语言翻译质量与竞争双语基线相当，为实现通用 NMT 模型的质量和实用性提供了多个方面的模型构建分析，并指出未来研究的方向和需进一步解决的问题。

Jul, 2019

该论文描述了使用一个多检查点的模型来生成具有不同流畅程度的翻译序列的方法，并展示了其在 Duolingo 共享任务中的性能优于基线 Amazon 翻译系统。

Jun, 2020

本论文提出了一种基于神经机器翻译的实时翻译框架，通过代理决策来实现翻译输出实时化并且具有可控的翻译质量与延迟，通过在两种语言对上的实验结果表明了该方法在定量与定性方面的有效性。

Oct, 2016