ACLJun, 2022

人工翻译的自动校正

PDF
TL;DR本文介绍了自动矫正人为翻译错误的任务，并通过制作 Aced 语料库并建立三个 TEC 数据集，探究矫正人为翻译错误的模型的需要。我们发现人类错误比机器翻译的翻译流畅度错误更为多样，需要专门的 TEC 模型来矫正。通过在人类错误上的合成错误的预训练，我们的 TEC 系统在 F1 得分上获得了 5.1 个百分点的提升，并在人机交互实验中表现出卓越的能力。
发现论文，激发创造
  • HTEC: 人工听写错误校正

    我们提出了一种用于人类转录错误纠正的人工检错和填充模型（HTEC），其包含两个阶段：Trans-Checker 用于检测和屏蔽错误的单词，Trans-Filler 用于填补屏蔽位置，该模型在转录质量方面表现出较大优势，并提高了 15.1% 的转录质量而不影响转录速度。

    Sep, 2023

  • 使用人工标注的大型语言模型进行自纠正机器翻译

    在本文中，我们进行了一个试点研究，通过在翻译记忆中标记错误并提取类似的例子来引导大型语言模型（LLMs）在技术领域中进行术语翻译以提高翻译质量。实验证明，通过增加人工标记错误的翻译可以引导 LLM 集中于错误修正，相比于自动后期编辑（APE）和从头开始的机器翻译，有着持续的改进。

    Jun, 2024

  • 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

  • 高效机器翻译语料库生成

    本篇论文提出了一种有效且半自动化的方法，用于人工编辑后的机器翻译语料库生成，该方法基于在线训练定制的 MT 质量估计指标并需要人类参与，实现了有待优化问题的优先级排序和最佳解的自动处理。尤其地，该方法解决了人工编辑效率低下，从而降低了人工成本的问题，并通过实验证明了其对机器翻译模型生命周期的作用。

    Jun, 2023

  • 翻译过程中翻译技巧的预测

    本研究发现提前识别翻译技巧并应用于机器翻译过程可以进一步优化机器翻译，通过不同实验对从头翻译和后编辑两种翻译过程进行了预测，预测准确率分别达到 82% 和 93%。

    Mar, 2024

  • 互动机器翻译中提供建议的简易引导解码

    本文提出一种使用参数化的神经机器翻译目标函数的简单约束解码算法来改善翻译质量的方法，并在一个基准数据集上进行了验证，结果表明该算法在翻译质量和时间效率方面都优于现有方法。

    Nov, 2022

  • 后编辑英语：一种恶化的翻译语言

    机器翻译后编辑广泛应用于传播，其高生产率和质量优于从零开始的人工翻译。本研究通过计算分析比较后编辑和人工翻译在五个翻译方向上的不同翻译普遍规律，发现后编辑更简化、规则化，但受源语言干扰程度更高。

    Jul, 2019

  • 混合机器翻译在语法错误修正中接近人类水平的表现

    本文将基于统计机器翻译和神经机器翻译的自动语法纠错方法相结合，形成一种新的系统，这个混合系统在 CoNLL-2014 和 JFLEG 基准测试上取得了最新的最佳结果。我们的分析显示，所创建的系统比迄今为止报告的任何其他 GEC 系统更接近达到人类水平的性能。

    Apr, 2018

  • 面向中文文本纠错的渐进式多任务学习框架

    本文提出一种基于多任务学习的 CTEC 框架 ProTEC 来解决预训练语言模型在 CTEC 中产生的过度或欠度修改问题。该框架将 CTEC 任务分为三个子任务：错误检测、错误类型识别和更正结果生成，并通过多任务学习逐步引导模型从易到难地学习，有效地提高了 CTEC 任务的效果和效率。

    Jun, 2023

  • 系统自我修正改进的基于 LLM 的机器翻译

    使用大型语言模型的自我纠正翻译框架 TER，在不同语言、高资源和低资源语言之间实现了大幅度的翻译质量提升，并比较了不同的模型和估计策略对翻译质量的影响，同时探究了语言模型的评估能力与翻译质量之间的潜在关系。

    Feb, 2024