本文针对源语言和目标语言单词顺序的不同问题，提出了一种基于 “圣经” 语料库和跨语言词表示的依存句法跨语言迁移方法。该方法在训练前改变源语言语料的顺序，使得在欧洲语系以外的语言中达到更高的精度。在多语言数据集上，该方法在 68 个树库（38 种语言）的实验中表现良好，并在 12 种非欧洲语言的 16 个树库中实现了 3.3％的平均 UAS 绝对精度提高。

Mar, 2019

本文介绍了一种新的重排序方法，利用神经网络和基于依存性的嵌入来预测两个源单词之间的依存关系，以确定翻译的单词顺序，实现了在中英翻译中统计显著的 0.57 BLEU 分数的提高。

Feb, 2017

本研究针对神经机器翻译中的迁移学习方法展开研究，发现在源语言和目标语言间无或很少平行语料时，配合的语言与源语言词序差异会对迁移学习的效益产生负面影响。为了解决这种差异性，我们提出预先调整辅助语言句子的次序以便与源语言统一词序并对父级模型进行训练。实验表明，消除差异性对于提高翻译质量来说具有显著的改善作用。

Nov, 2018

本文研究不同语言的词序，并假设一个与词序无关的模型将在转移到远程外语时表现更好。通过在英语语料库上训练依赖解析器，并在 30 种其他语言上评估它们的转移性能，我们比较基于递归神经网络（RNN）和修改的自我注意体系结构的编码器和解码器。严格的实验和详细的分析表明，基于 RNN 的架构在传输到接近英语的语言时表现良好，而自我注意的模型具有更好的整体跨语言可转移性并在远程语言上表现特别好。

Nov, 2018

本文提出了一种生成模型，通过结构化的正则先验利用标记源数据和未标记目标数据联合学习源模型和目标模型的参数来解决在距离较远的语言之间跨语言迁移的问题，并使用可逆投影来学习一种新的公共嵌入空间，以对不完美的跨语言词嵌入输入进行补偿。该方法在使用英语作为唯一源语料库并传输到广泛的目标语言的通用依赖树库上进行评估，在与英语相距较远的该数据集中的 10 种语言中，我们的方法相较于使用最先进的判别模型的直接转移方法，在词性标注和依赖分析方面分别获得了平均 5.2％和 8.3％的绝对改善。

Jun, 2019

许多研究已经发表了关于如何在统计机器翻译中处理单词重排序的问题，然而，这个领域还有很多挑战需要面对，因此作者提出了一种综合性的调查来描述如何在不同的 SMT 框架和作为单独的任务中对单词重排序进行建模，并通过基于大量语言知识的定性分析，论证了在不同语言对中选择最适合他们的 SMT 框架时，一些语言事实可以非常有用。

Feb, 2015

本文介绍了基于 Tree-to-String 模型的重新排序系统，并使用公开工具来完成任务。我们使用 Moses 工具包构建了翻译模型，然后应用 Moses 中的 Chart Decoder 对句子进行重新排序。通过实验发现，该方法在不同语言对组合中的 BLEU、Kendall-Tau 和 Hamming 指标上均有显著改善，同时提出了进一步改进的可能方向。

Feb, 2013

本文提出了一种简单而有效的方法，可以在没有大量翻译数据的情况下进行跨语言的句法转移，这种方法基于三个步骤：1）推导跨语言单词簇的方法，可用于多语言解析器；2）将目标语言的词汇信息转移到源语言树库；3）将这些步骤与 Rasooli 和 Collins（2015）的密度驱动注释投影方法相结合。该方法在多个语言中实现了针对先前工作的最新进展，在只使用比利时圣经作为翻译数据的情况下，与以前的工作相比，Europarl 语料库的结果表现出额外的提升。最后，作者在通用依赖语料库的 38 个数据集上进行了结果展示。

Oct, 2016

本文介绍一种利用基于依存词对的稀疏特征的新型重排序方法，该方法在汉英翻译实验中取得了 1.21 BLEU 点的显著提高。

Aug, 2016

此研究探讨了子词切分在跨语言迁移中的作用，发现子词规范化提高了多语言建模的协同效应，而 BPE 在跨语言微调中更有效地促进了迁移，在子词建模方面的决策对于优化多语言建模的好处至关重要。

Mar, 2024