自 20 世纪 50 年代以来,机器翻译 (MT) 已成为人工智能和开发的重要任务之一,并经历了几个不同阶段的发展,随着这些发展,评估方法在统计翻译和神经翻译研究中扮演着重要角色,该报告概述了评估方法的发展历程、研究方法分类和最新进展,并包括参考翻译的手动评估和自动评估方法。
Feb, 2022
这篇综述论文旨在总结文档级机器翻译的最新研究进展,重点讨论了神经网络模型、训练策略、评估指标等方面的创新,为该领域的研究者提供状态认知和未来方向。
Dec, 2019
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
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
人工翻译人员的阅读和翻译速度能够被神经机器翻译(NMT)模型的意外性和注意力特征解释,意外性是翻译困难度最成功的预测因素之一。
Dec, 2023
这篇文章研究了如何自动提高机器翻译的文章质量,提出了可移植的 postediting 模块来替代改善某个系统内部的方法,并且通过学习算法构建了一个完整的文章选择自动 postediting 模块,并与人类表现进行了比较。
Jul, 1994
本文介绍了自动矫正人为翻译错误的任务,并通过制作 Aced 语料库并建立三个 TEC 数据集,探究矫正人为翻译错误的模型的需要。我们发现人类错误比机器翻译的翻译流畅度错误更为多样,需要专门的 TEC 模型来矫正。通过在人类错误上的合成错误的预训练,我们的 TEC 系统在 F1 得分上获得了 5.1 个百分点的提升,并在人机交互实验中表现出卓越的能力。
Jun, 2022
本篇论文提出了一种有效且半自动化的方法,用于人工编辑后的机器翻译语料库生成,该方法基于在线训练定制的 MT 质量估计指标并需要人类参与,实现了有待优化问题的优先级排序和最佳解的自动处理。尤其地,该方法解决了人工编辑效率低下,从而降低了人工成本的问题,并通过实验证明了其对机器翻译模型生命周期的作用。
Jun, 2023
本研究利用预训练模型和随机抽样等方法,为机器翻译提供了句子和单词级别的自动翻译建议和自动补全功能,并且介绍了一种基于 CTranslate2 的翻译 API。
Oct, 2022