用于自动后编辑的神经序列到序列架构探索

在本工作中，我们探索了适用于机器翻译输出自动后编辑任务的多种神经架构。我们聚焦于将输入 $mt$（原始 MT 输出）和 $src$（源语言输入）结合在单个神经架构中的端到端神经模型，直接对 $\{mt, src\} \rightarrow pe$ 进行建模。除此之外，我们研究了似乎非常适合单语任务的硬注意力模型，以及这两种理念的结合。我们报告了在 WMT-2016 自动后编辑共享任务期间提供的数据集上的结果，并能够证明，在单个模型中纳入 APE 场景下所有可用数据的 dual-attention 模型优于最佳共享任务系统以及共享任务之后的所有其他已发表结果。与硬注意力结合的 dual-attention 模型尽管对输入施加了更少的更改，但仍保持竞争力。