本文提出一种简单但有效的方法，即将目标语句重新排序以匹配源语序，并将其作为另外一种训练时的监督信号，从而在模拟低资源日语 - 英语和真实低资源维吾尔 - 英语语种中获得显着改进。

Aug, 2019

本研究通过翻译关系的视角探讨神经机器翻译（NMT）和人工翻译（HT）之间的区别，以评估 NMT 系统产生的翻译技术，并回答三个关键研究问题：NMT 和 HT 之间整体翻译关系的差异，它们如何使用非字面翻译技术，以及影响它们使用特定非字面技术的因素的变化。该研究使用了两个平行语料库，每个语料库涵盖了九种类型的文本，其中一个由 NMT 翻译，另一个由人类翻译。这些语料库中的翻译关系在对齐的句对上进行了手动注释，从而实现了对语言洞察力的比较分析，包括语义和句法细微差别，如上位词和词性标注的改变。结果表明，与 HT 相比，NMT 在各种类型中更倾向于进行字面翻译。虽然 NMT 在句法非字面翻译技术的运用上与 HT 相当，但在语义层面的表现却有所不足。

Mar, 2024

本文分析了语义差异对神经机器翻译的影响，并基于此提出了一种包含因素的敏感型神经机器翻译框架，该框架能够更好地应对自然发生的差异，从而提高翻译质量和模型校准能力。

May, 2021

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

通过统计测试、机器学习算法和多维分析方法，本研究探讨 ChatGPT 生成的翻译与神经机器翻译（NMT）及人工翻译（HT）之间的可区分性、语言特征以及相似程度。结果表明，ChatGPT 生成的翻译在大多数多维分析维度上与 NMT 更相似，并展示出高准确性的监督分类结果，而无监督聚类技术的效果不尽人意。这些新颖的发现揭示了这三种翻译类型之间的相互关系，并对 NMT 和生成型人工智能的未来发展具有重要意义。

Dec, 2023

通过发布一个对比方言基准数据集，我们量化展示了大型 NMT 模型在有效翻译方言变体时面临的挑战。

May, 2023

本文研究机器翻译中针对形态丰富的目标语言面临的挑战以及采用词元标记策略和语言学知识进行目标语言语言建模的实验，结果表明词汇量限制、语法一致性和语言关联性问题仍然是机器翻译需要解决的重要问题。

Mar, 2022

本研究基于实证数据分析了机器翻译与人为翻译之间的词汇丰富性损失，结果表明当前机器翻译系统在保留人类语言文本的词汇多样性方面尚有不足，而其倾向于加剧常见模式并忽视不常见模式的特点，可能会加重针对性别的偏见等问题，并可能导致算法本身的偏见问题。

Jun, 2019

本文研究神经机器翻译的表示，探讨其对源语言和目标语言的理解以及对单词结构学习的影响，发现了一些关键参数对表示的影响

Apr, 2017

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