EMNLPMay, 2022

DivEMT: 跨语言类型的神经机器翻译后编辑的努力

PDF
TL;DR本研究针对多种语言数十款神经机器翻译模型，通过一项系统性的翻译后修订实验，对每种翻译成果进行了专业化评估，并公开了完整数据集，旨在进一步研究神经机器翻译系统的翻译能力。
neural machine translationpost-editing studytranslation productivitynmt qualitytypologically diverse
发现论文，激发创造
  • 神经机器翻译质量与后编辑表现

    本研究测试了在专业翻译中使用神经机器翻译（NMT）是否能够节省人工处理时间，并发现更好的 MT 系统确实能够减少英文到捷克文翻译过程中的修改次数，但是质量和编辑时间之间的关系并不是直接的关系，并且与短语词汇表机器翻译不同的是，BLEU 不能稳定预测时间或最终输出质量。

    Sep, 2021

  • 神经机器翻译对于银行与金融领域速度和质量的经验性评估

    通过实证研究发现，即使是对于研究相对较少的语言对和系统适应所需的小量领域数据，采用神经机器翻译（NMT）后编辑可显著节省时间，并且能够实现等同或略有更好的翻译质量。

    Jun, 2019

  • 面向专业人员的 NMT 增量调整：用户研究

    本文研究使用在线学习方法对神经网络机器翻译系统进行改进，通过用户实验表明改进后的系统在翻译质量、减少人工修改时间等方面有了明显的提升。

    Jun, 2019

  • 神经机器翻译后编辑的在线学习

    神经机器翻译需进行后编辑以提高翻译质量，后编辑可作为新的训练数据进行在线学习，本文提出新的优化算法并实验比较在线学习算法，结果表明翻译质量和工作量得到了显著提高。

    Jun, 2017

  • 使用 GPT-4 进行自动翻译后编辑

    本研究使用 GPT-4 对多种语言对进行神经机器翻译 (NMT) 输出的翻译后编辑，实现优秀的翻译质量与表现，达成当今最佳翻译质量指标 (WMT-22) 的水平。

    May, 2023

  • 文档自动后编辑

    这篇文章研究了如何自动提高机器翻译的文章质量，提出了可移植的 postediting 模块来替代改善某个系统内部的方法，并且通过学习算法构建了一个完整的文章选择自动 postediting 模块，并与人类表现进行了比较。

    Jul, 1994

  • SYSTRAN 的纯神经网络机器翻译系统

    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

  • 野外大规模多语言神经机器翻译：发现与挑战

    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

  • 谷歌的神经机器翻译系统：弥合人类翻译和机器翻译之间的差距

    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

  • 搜索引擎引导的非参数神经机器翻译

    本研究提出了一种基于注意力机制的神经机器翻译（NMT）模型，并允许它在训练后访问整个平行句子对训练集。该模型由两个阶段组成：检索阶段和翻译阶段，实现了在源句子和一组检索的平行句子对之间的平滑翻译。在三种语言（En-Fr，En-De 和 En-Es）上的实证评估表明，该方法显著优于基准方法，并且当检索到更相关的平行句子对时，改进效果更为显著。

    May, 2017