多引擎机器翻译译文重排序与融合研究

[目的/意义]使用不用的模型、方法、语种、数据构建的机器翻译引擎往往在不同的场景下具有不同的翻译效果。因此,很多研究者都在构建机器翻译引擎时尝试使用多引擎译文融合或多翻译方法融合的方式来利用不同翻译引擎的优点,然而过往的工作没有考虑到如何利用用户在使用多引擎机器翻译所产生的数据来获取存在于用户认知域中对这些引擎译文的评价。[方法/过程]本文研究提出了基于六个翻译引擎的多引擎翻译平台。该平台在长期使用中产生了翻译结果、用户特征、人工校译等数据,本文基于以上大规模历史数据构建了翻译模型训练资源库,结合Page Rank算法、贝叶斯公式和UNQE方法提出了多引擎机器翻译译文重排序方法,并利用译文重排序的结果与翻译模型训练资源库中的翻译实例相关数据,进一步使用Transformer架构训练了译文融合模型。[局限]所提方法存在冷启动问题,需要一定时间、大量用户的真实数据才能够实现预期效果。[结果/结论]实验结果表明了本文提出的方法能够融合多引擎优势,提高不同领域的平均译文质量。

基于微引擎流水线的机器翻译系统结构

该文比较了现有各种多引擎机器翻译方法的优缺点 ,提出了基于微引擎流水线的机器翻译系统结构 ,详细介绍了有关的数据结构和算法 .这种结构的优点在于在部件层次上实现多重算法的并存 ,通过对微引擎的增删和流水线结构的调整可以方便地尝试各种机器翻译方法的组合 ,而不需要修改系统的整体算法 .文章最后介绍了这种机器翻译系统结构在面向新闻领域的汉英机器翻译系统中的具体实现 ,给出了实验数据 ,并进行了总结 .

多策略机器翻译研究综述

该文全面综述和分析了多策略机器翻译的研究。根据所采用策略方式的差异,我们将多策略机器翻译分为系统级策略融合和模块级策略融合。在分别介绍了不同的翻译方法后,着重介绍了系统级策略融合和模块级策略融合各自具有代表性的研究工作。最后,对多策略机器翻译的研究进行了展望。