本文分析了神经网络机器翻译（NMT）与基于短语的机器翻译（PBMT）在英语-德语翻译数据集上的表现，从专业翻译的高质量后编辑结果中发现神经网络机器翻译在表述动词重新排序等语言现象时具有更好的建模能力，但仍有需要改进的方面。

Aug, 2016

通过对神经机器翻译实现对特定语言现象的质量评估，我们提出了一种新方法并给出了包含97000对用于WMT英语->德语翻译任务的对照翻译数据集LingEval97，对字符级别和字节对编码（BPE）分割模型的实验结果显示，前者在翻译转写方面表现更好，但在形态句法协议和翻译非连续的意义单元方面表现较差。

Dec, 2016

本文探讨了神经机器翻译中的基准问题，并提出了三种易于实现的方法，使得翻译结果得到了明显提高，同时通过对改进的分析也揭示了基本神经机器翻译模型所存在的固有缺陷。研究还指出，在实验中选择一个强基准线是获得可靠实验结果的关键因素之一。

Jun, 2017

通过搜索引擎检索以前见过的语句，然后提取这些语句中与源语句匹配的$n$-grams以实现将历史翻译例子加入到神经机器翻译模型中，因此提高翻译效果。

Apr, 2018

本文提出了衡量NMT模型抗干扰性能的一些额外指标，并针对一类使用子单词规范化方法的模型进行了广泛评估，结果表明我们提出的指标揭示了使用子单词规范化方法时抗干扰性能提高的明显趋势。

May, 2020

通过研究 NMT 模型训练过程中的能力表现，发现其在学习目标语言模型、逐词翻译和复杂重排序模式方面的能力表现与传统的 SMT 模型有明显差异，并探讨了这种理解对于优化 NMT 模型的实际应用。

Sep, 2021

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

本论文介绍了一个在神经机器翻译中实现置信度估计的方法，通过让NMT模型向用户请求“提示”来确定置信度，进一步提出了利用置信度的标签平滑方法。实验结果表明，在真实世界的嘈杂和跨领域数据的情况下，该方法可以准确评估潜在的风险。

Mar, 2022

机器翻译中心于神经机器翻译的MAP解码，本文提出基于近期普及的基于参考文本和无参考文本翻译质量评估研究成果，包括n-best重排序和最小贝叶斯风险解码等，实现了基于质量的神经机器翻译解码，经过多组数据集比较和人工评估，结果表明质量感知的神经机器翻译解码性能优于基于MAP的解码方法，且代码已公开。

May, 2022

在神经机器翻译模型中，提出通过自我评估来训练模型以估计其自身输出的质量，并在解码过程中使用该质量估计来指导生成过程，从而显著提高翻译质量。在最小贝叶斯风险解码中使用内部质量估计来剪枝，不仅可以进一步提高翻译质量，还可以将推理速度降低两个数量级。

Oct, 2023