本文介绍了一种混合搜索的关注机制神经机器翻译模型，该模型使用机器翻译模型和短语级翻译概率等特征来实现目标短语的波束搜索，结果显示与强 NMT 基准模型相比，使用短语模型搜索可以将机器翻译质量提高达到 2.3% 的 BLEU 绝对值的效果。

Aug, 2017

该研究研究了如何在只有大型单语语料库的情况下学习翻译。提出了两种模型，一种是神经模型，一种是基于短语的模型。这些模型通过参数的精心初始化、语言模型的去噪效应和反向迭代自动生成的并行数据来提高翻译性能。在 WMT'14 英语 - 法语和 WMT'16 德语 - 英语 基准测试上，这些模型分别获得 28.1 和 25.2 BLEU 分数，比现有方法的 BLEU 分数高出 11 个分数。方法在英语 - 乌尔都语和英语 - 罗马尼亚语等低资源语言中也取得了良好的结果。

Apr, 2018

本文提出了一种方法将基于统计的短语机器翻译方法中存储的目标短语与神经机器翻译模型的编码器 - 解码器结构相结合，其中短语记忆被动态地生成，提供上下文信息，以进行短语翻译，实现了中英文翻译的显著提升。

Aug, 2017

本论文表明，短语注入和语料库过滤的组合提高了神经机器翻译 (NMT) 系统的性能。我们从伪平行语料库中提取并增广平行短语和句子，以此训练 NMT 模型。在 Hindi-Marathi、English-Marathi 和 English-Pashto 这 3 种低资源语言对和 6 种翻译方向上，我们观察到了 NMT 系统的改进，并在 FLORES 测试数据上提高了 2.7 BLEU 分，这些 BLEU 分数改进是基于使用整个伪平行语料库和平行语料库增广的模型。

Jan, 2023

本文拟通过选择在新领域非标记数据中的全句和短语，将其路由至人类翻译，解决神经机器翻译在领域转移方面的限制，从而在德语 - 英语翻译任务上，相比于不确定性句子选择方法，实现了一定程度的改进。

Jun, 2021

提出了基于短语的 SMT 数据选择方法，该方法能够在 IWSLT/NIST 数据集上提高 SMT 性能（相比短语基线系统增加 1.6，相比现有方法增加 0.9）。

Jul, 2016

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

本文提出神经短语机器翻译模型 (NPMT)，采用基于分段的序列建模方法 (SWAN) 显式建模翻译序列中的短语结构并引入新层实现局部重新排序 (Soft)。相比于基于注意力机制的 NMT 方法，NPMT 直接以顺序方式输出短语，因此可以在线性时间内解码，实验表明与强 NMT 基准模型相比，在 IWSLT 2014 德英 / 英德和 IWSLT 2015 英越机器翻译任务上表现优越，并且 NPMT 模型的输出翻译语言有意义。

Jun, 2017

使用词汇短语转换（phrase-based machine translation）方法预处理输入，进而提升神经机器翻译（NMT）的翻译质量，在英德翻译任务中，使用该方法的性能跃升 2 个 BLEU 分数，同时分析了初始系统质量对最终结果的影响。

Oct, 2016

本文评估了新兴的神经机器翻译系统和基于短语的机器翻译系统在九种语言方向上的表现，发现相对于基于短语的系统，神经机器翻译系统翻译更为流畅和准确，但在翻译超长句子时表现差。

Jan, 2017