面向低资源神经机器翻译的双向可微输入重构
计算与语言
2019-04-05 v2
摘要
我们旨在通过为神经机器翻译(NMT)引入可微重构损失,更好地利用低资源环境下有限的平行文本。该损失将原始输入与重构输入进行比较,后者通过将翻译假设回译到输入语言获得。我们利用可微采样与双向 NMT 以端到端方式训练模型,不引入额外参数。该方法在四个语言对的两个翻译方向上均取得微小但一致的 BLEU 提升,并优于一种基于隐状态的替代可微重构策略。
引用
@article{arxiv.1811.01116,
title = {Bi-Directional Differentiable Input Reconstruction for Low-Resource Neural Machine Translation},
author = {Xing Niu and Weijia Xu and Marine Carpuat},
journal= {arXiv preprint arXiv:1811.01116},
year = {2019}
}
备注
Accepted at NAACL 2019