本文探讨了如何利用在特定环境下出现的命名实体词典来提高语音转文本模型的准确性， 实验证明使用 NE 词典可以有效提高命名实体的准确性，降低人名错误率达 31%。

Oct, 2022

本文通过分析 ASR/ST 系统的输出，针对人名转录 / 翻译的失败原因，采用创建多语言模型并强制系统共同生成转录和翻译的方法，从而显著提高了人名准确性。

May, 2022

本篇论文提出了多任务模型将直接语音翻译和命名实体识别相结合，并与传统串行方法进行了对比，在不降低翻译质量的情况下，在命名实体识别任务上显著提高了性能。

Oct, 2022

本文旨在通过引入字符级的 Seqence-to-Sequence 模型来提高神经机器翻译（NMT）系统的翻译效果和识别实体名词的能力，并在双语训练中借助名称实体翻译模型来提高高质量的实体名词对齐，从而使中英翻译任务的 BLEU 分数比基础 NMT 系统提高了 2.9 个百分点。

Jul, 2016

本文介绍了一种通过将名称实体作为预处理步骤进行翻译 / 音译来提高神经机器翻译质量的方法，并进行了实验证明其性能提高。考虑了三种类型的名称实体，包括人名、地名和组织名。结果表明，该系统能够正确翻译大多数名称实体，其准确率为人名 99.86％，地名 99.63％，组织名 99.05％，总体准确率为 99.52％。

May, 2023

本文通过将当前最先进的名词实体翻译方案与转音符号结合，引入了一个新的机器翻译方法。作者通过构建多种基于统计规则的音节分隔规则，借助概率计算得到一个英语到旁遮普语的名词实体翻译与转音符翻译系统，通过调用统计机器翻译工具 MOSES 提高了翻译质量。

Oct, 2013

使用知识图谱中的标记和超类词，在低、高资源条件下硬复制和软标记的机制对神经机器翻译系统中的稀有单词和命名实体翻译有着显著提高的影响。

Sep, 2022

本文探讨了多语种最新命名实体转写系统的一些基本设计挑战，并使用传统的加权有限状态转换器方法对两种神经方法进行实证评估：编码器 - 解码器循环神经网络方法和最近的非顺序 Transformer 方法。为了提高双语命名实体转写数据集的可用性，我们在英语到俄语、希伯来语、阿拉伯语和日语片假名方面发布了从维基数据中构建的个人命名双语词典。我们的代码和词典已经公开发布。

Aug, 2018

本论文讨论了 USTC-NEL 系统在 2018 年 IWSLT 评估的语音翻译任务中的应用，使用了传统的管道系统，包含三个模块：语音识别、后处理和机器翻译。我们训练了一组混合 - HMM 模型进行语音识别，并使用语音识别输出风格的文本作为输入来训练基于 transformer 的神经机器翻译模型。在 IWSLT 2018 任务上的实验表明，相较于 KIT 的基线系统，我们的系统实现了 14.9 的 BLEU 改善。

Dec, 2018

利用机器翻译提升跨语言命名实体识别中的注释映射技术并得到优越的实验结果。

Aug, 2019