Sep, 2022

PePe: 利用用户生成的后编辑进行个性化后编辑模型

PDF
TL;DR本文介绍一种个性化自动后编辑框架来解决机器翻译中反映个人喜好的挑战，其使用鉴别器模块和用户特定参数的模型，在四种不同指标（BLEU、TER、YiSi-1 和人类评估）上优于基线模型。
machine translationpersonalizationpost-editinguser preferencediscriminator module
发现论文，激发创造
  • 自动后编辑能否改进 NMT？

    本研究旨在探讨自动后编辑技术在神经机器翻译系统上的实用性。通过构建英德短语翻译的人工编辑语料库，我们证明了在大规模语料库和人工编辑数据的监督下，最新的神经网络后编辑技术可以显著提高神经机器翻译系统的翻译质量，并挑战了当前领域的理解。

    Sep, 2020

  • 自动后编辑的实证研究

    该研究针对自动后编辑（APE）中数据稀缺的情况，通过数据增强的方式来生成大规模人工语料库构建人工数据域，以提高模型性能，报告表明高质量的人工语料库与生成的训练数据可以改善模型性能，同时在不同 MT 系统中 APE 的难度不同，模型在语法和语义添加问题上的表现良好，但容易出现实体和语义省略错误。

    Sep, 2022

  • 自动后编辑高质量机器翻译中句法对称的重要性

    本文探讨自动后编辑 (APE) 的问题，提出了一种基于对称自注意和语言学正则化的方法，旨在提高 APE 模型对目标语言的理解能力，并取得了实验结果的显著提升。

    May, 2023

  • 自我监督的自动后编辑数据生成工具

    开发了自我监督的数据生成工具，可以用于多种语言对的自动后编辑（APE）数据建设，以支持基于数据的 APE 研究，解决目前由于数据不足而无法进行的语言对研究问题。

    Nov, 2021

  • 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

  • 自动后编辑的复制学习

    该研究提出了一种新的模拟自动后期编辑过程中的复制机制的方法，通过在源句子和系统输出之间交互学习来更好地识别翻译错误，并在 WMT 数据集上的实验中进行验证，表现优于以往最佳结果。

    Nov, 2019

  • 神经序列到序列架构在自动后编辑中的探索

    本文研究了多种神经架构用于机器翻译自动后编辑任务。研究内容包括：将 $mt$ 和 $src$ 结合在一起直接对目标进行建模的端到端模型、硬注意力模型和以上两种结合。结果表明：将多个神经架构和硬注意力相结合，所构建的双注意力模型在自动后编辑任务中提供了更好的表现。

    Jun, 2017

  • 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

  • 神经自动后编辑系统解释的共享注意机制

    本文提出了一种神经自动后编辑系统，该系统使用两个独立编码器对源句子和机器翻译句子进行编码，并利用共享注意力机制更好地理解两个输入对于后编辑句子生成的贡献，其已在 WMT16 和 WMT17 APE IT domain 英德共享任务的官方数据以及附加的 500K 人工数据上进行了训练和评估，同时提供了更好的可解释性。

    Jul, 2018

  • 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