交互式机器翻译综述

随着深度学习的发展和成熟,神经机器翻译的质量也越来越高,然而仍不完美,为了达到可接受的翻译效果,需要人工进行后期编辑。交互式机器翻译(IMT)是这种串行工作的一个替代,即在翻译过程中进行人工互动,由用户对翻译系统产生的候选翻译进行验证,并且,如有必要,由用户提供新的输入,系统根据用户当前的反馈生成新的候选译文,如此往复,直到产生一个使用户满意的输出。首先,介绍了IMT的基本概念以及当前的研究进展;然后,分类对一些常用方法和前沿工作加以介绍,并简述每个工作的背景和创新之处;最后,探讨了IMT的发展趋势和研究难点。

基于交互式机器翻译的译文查询行文预测技术

随着信息交流的密切,人工翻译工作量大,且收益较低,矛盾凸显。文中基于此背景以交互式机器翻译技术(IMT)为核心,针对各类用户翻译过程中查询调用行为出现的频繁鼠标、键盘切换问题,提出了一种交互机器替代的智能预测模型。此预测模型采用翻译条件选择机制,搭配对齐模型、翻译模型、语言模型等进行全面语义分析,在较大程度上保证了查词行为预测的可行性。经过测试,在人工双语对齐类语料中,预测准确性达64.99%,尤其在各类语义明确的名词类句段预测时,精确度可达72.28%。基于此种执行效率,机器交互翻译系统虽无法完全替代人工翻译过程,但可大幅减少重复、底层的劳动行为,使人从机械的操作中解放出来。在改善用户交互翻译体验的同时,大幅提升工作效率。

基于动态词对齐的交互式机器翻译

在传统的机器翻译(machine translation,MT)与计算机辅助翻译(computer aided translation,CAT)中,译员与翻译引擎之间的交互受到很大限制,于是产生了交互式机器翻译(interactive machine translation,IMT)技术。但传统的模型只考虑当前源语与部分翻译的目标语的信息,没有将用户交互后的对齐信息加入到之后的预测模型中。该文基于词预测交互式机器翻译的研究思路,将用户交互翻译过程中的鼠标点选行为转化为中间译文的词对齐信息,进而在翻译交互过程中实现了对译文的动态词对齐标注,并在词对齐信息和输入译文的约束下提高了传统词预测的准确性。

利用句法信息改进交互式机器翻译

在很多领域中,全自动机器翻译的译文质量还无法达到令人满意的程度。要想获得正确无误的译文,往往需要翻译人员对自动翻译系统的输出进行后处理。在交互式机器翻译的框架内,翻译系统和译员协同工作,译员确认系统提供的译文中的最长正确前缀,系统据此对译文后缀进行预测,共同完成翻译任务。该文利用基于短语的翻译模型,建立了交互式机器翻译系统,并结合交互式机器翻译的特点,利用句法层面的子树信息来指导翻译假设的扩展。实验表明,该方法可以有效地减少人机交互次数。

基于双语短语约束的交互式机器翻译方法

交互式机器翻译(Interactive Machine Translation,IMT)是一种通过机器翻译系统与译员之间的相互作用指导计算机解码并改善输出译文质量的技术。目前主流的IMT方法使用译员确定的前缀作为唯一约束指导解码,交互方式受限,交互效率低。该文从交互方式和解码算法两个方面对IMT方法进行改进。在交互方式方面,允许译员译前从短语译项列表中为源语言短语选择正确译项。该文还提出了基于短语表的多样性排序算法,来提高短语候选译项的多样性,并根据译员的翻译认知过程设计交互界面,改善译员在翻译过程中的用户体验。在解码算法方面,将双语短语与前缀一同作为约束参与指导解码过程,提高翻译假设评价和过滤的准确性。在LDC汉英平行语料上进行了人工评测,实验结果表明该方法较传统的IMT方法能够减轻译员的认知负担,减少翻译时间,提升翻译效率。

基于CBE的交互式机器翻译方法研究

机器翻译是现代人工智能的重要目标任务之一,其技术多年来得到了长足的发展。通过计算机辅助教育(ComputerBased Education, CBE)完成交互式机器翻译也受到更多人的关注。文章概述了交互式机器翻译技术要理,基于短语模型的研究结果来构建交互式机器翻译系统,并对其中的改进优化技术进行详细的论述,以确保机器翻译的有效性和准确性。

基于交互式机器翻译环境的语境架构

自设计之初,机器翻译面临的一个主要挑战就是对语境中意义的把握。目前采用的交互式机器翻译引擎,试图尽可能地使机器吸收人类的智慧与认知能力,并取得了一定的成果。文章由交互式机器翻译的技术环境入手,根据译者处理语境时付出的认知努力,提出包括本地语境、全局语境、语境效果在内的基于交互式机器翻译环境的语境架构。该等级框架从译者认知的角度出发,能够有效地收集、管理、分析译者反馈的数据,评估翻译系统对译者的依赖程度,从而更有效地在引擎自动切分、人机互动翻译等方面融合语境因素,以不断提高交互式机器翻译引擎的水平。

基于LSTM的交互式神经机器翻译方法研究

神经机器翻译系统在过去几年取得了很好的结果,但是仍然是有缺陷的。机器翻译系统的输出必须在后期编辑阶段由翻译人员进行校对。交互机器翻译促进了人机协作,提高生产力。在这项工作中,我们将神经机器翻译集成到交互式机器翻译框架中。利用seq2seq框架的特性,在解码阶段将翻译人员的纠正信息融合进机器翻译系统,在保持现有信息的情况进行重新解码翻译。并且利用翻译人员的的先验知识对神经翻译系统进行增量训练,以提高机器翻译系统的表现。

优化交互式神经机器翻译模型在外语童书中的应用

在外语童书的智能翻译领域,设计了一种优化交互式神经机器翻译模型在外语童书中的应用,其中包括汉语与德语之间的童书翻译。该系统在解码阶段提供不同比例的正确译文来实现模型的训练,以应对不同的训练集规模。实验结果表明,在不同规模的训练集下,模型的评估结果随着正确输入比例的增加而持续提升。在1兆字节训练集条件下,分别增加15%到45%的正确输入能够使结果平均提升16.07%。当2兆字节训练集时,同样比例的正确输入增加将使测试结果平均提升了15.84%。训练集为3兆字节,测试结果平均提升量15.65%。因此,训练数据规模对翻译结果和模型表现均有着显著影响,提高了机器翻译的准确性和流畅性,同时为汉德童书翻译提供了新的依据和视角。

人工智能时代技术驱动的翻译模式:嬗变、动因及启示

人工智能时代,翻译技术的突飞猛进极大推动了翻译行业的发展,翻译模式也随之发生深刻的变革。本文首先梳理了技术驱动的翻译模式嬗变历程,即计算机辅助翻译—机器翻译译后编辑—交互式机器翻译,然后从语言服务需求、技术创新和人文社会因素三个方面探讨了翻译模式嬗变的发展动因,并提出建立人机和谐共生生态系统,推动人本理念为核心的技术创新,重视翻译数据安全和技术伦理,提升译员技术能力与人文素养的建议。