EMNLPMay, 2022

基于模板的约束神经机器翻译方法

PDF
TL;DR本文提出了一种基于模板的方法，通过重新排列约束和非约束 token 的生成，实现高质量和高匹配精度的翻译结果，同时推断速度与非约束 NMT 模型相当，不需要对模型架构和解码算法作任何更改。实验结果表明，所提出的模板方法在词汇和结构约束翻译任务中优于几个代表性的基线。
neural machine translationtemplate-based methodconstraintstranslation qualityinference speed
发现论文，激发创造
  • 鼓励神经机器翻译满足术语限制

    本文提出了一种新的方法，通过训练步骤来鼓励神经机器翻译满足词汇约束，其主要包括训练数据扩充、约束词汇掩码和交叉熵损失函数修改三个方面，实验表明该方法在 BLEU 分数和生成约束词汇的数量方面均优于其他算法。

    Jun, 2021

  • 使用术语约束的神经机器翻译解码

    本研究描述了基于有限状态机和多堆栈解码的受约束神经机器翻译解码方法，支持目标端约束以及对应对齐输入文本跨度的约束条件，在多个翻译任务上表现出较好的性能，通过注意力受约束解码的方式减少用户约束翻译时的错置和重复。

    May, 2018

  • 利用 Levenshtein 变换的受词汇约束的神经机器翻译

    本文提出了一种在神经机器翻译中加入词汇约束的简单有效算法，该算法可以在推理时注入术语约束，而不影响解码速度，并且无需修改训练流程，使用自定义字典即可运行，实验结果表明，我们的方法在英德 WMT 数据集上可以提高基线和之前方法的翻译质量。

    Apr, 2020

  • 带有噪声词汇约束的神经机器翻译

    本文提出了一种新的框架，将用户提供的限制条件作为外部记忆存储，并以柔性方式进行处理，从而解决在现实世界中限制条件可能存在的问题，实验结果表明，我们的方法能够在处理嘈杂的限制条件时取得相当大的 BLEU 收益，这些结果使我们能够将所提出的方法应用于不需要用户帮助生成限制条件的新场景中并证明了该方法确实能够提高自动生成的约束下的翻译质量。

    Aug, 2019

  • 训练神经机器翻译应用术语约束

    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

  • 神经机器翻译中集成向量化词汇约束

    该研究提出了一种直接将词汇约束集成到神经机器翻译模型中的方法，通过将词汇约束向量化为连续的键和值，并利用 NMT 模型的注意力模块来表征词汇约束对，并在四种语言对上表明了该方法的优越性。

    Mar, 2022

  • 多语言神经机器翻译中的 ACT-MNMT 自动收敛调节

    本文引入了一种自动约束模板的机制，名为 Auto-Constriction Turing Mechanism for Multilingual Neural Machine Translation (model)，它是一种新颖的监督微调机制，并与传统基于提供的方法截然不同。在该方法中，model 通过在目标端添加触发标记构建了一个约束模板，并且可以自由组合和更新触发标记以表示不同的任务语义，实验证明 model 在多个翻译方向上显著提高了性能，并减少了翻译中的目标错误现象。

    Mar, 2024

  • 基于相关性引导的神经机器翻译

    我们提出了一种基于可解释性的 NMT 训练方法，应用于无监督和有监督模型训练，用于翻译英语和三种不同资源的语言 —— 法语、古吉拉特语和哈萨克语。我们的结果表明，我们的方法在低资源条件下可以有希望，优于简单的训练基线；尽管改进只是微小的，但为进一步探索这种方法和参数以及其扩展到其他语言奠定了基础。

    Nov, 2023

  • 使用翻译记忆推进神经机器翻译

    本文介绍了一种将翻译记忆集成到神经机器翻译系统中的简单有效方法，并在多个数据集上获得实验性能显著优于强基线模型的结果。

    Jan, 2023

  • 由统计机器翻译指导的神经机器翻译

    本文提出了将 SMT 模型融入 NMT 框架，通过辅助分类器和门函数来结合 SMT 的推荐和 NMT 的生成，从而提高中英翻译的性能。实验结果表明，该方法在多个测试集上均显著优于现有的 NMT 和 SMT 系统。

    Oct, 2016