提升真实场景中神经机器翻译引擎的鲁棒性
计算与语言
2019-07-03 v1
摘要
作为机器翻译的商业提供商，我们持续为多种用途、语言和内容类型训练引擎。在每种情况下，可能存在许多变量，例如可用训练数据的数量以及最终用户的质量要求。这些变量会影响神经机器翻译（Neural MT）引擎的鲁棒性。总体而言，神经机器翻译解决了其他机器翻译范式的诸多弊病，但同时也带来了一系列新的待解决挑战。在本文中，我们描述了实用NMT的一些具体问题，以及我们在真实场景中所采取的提升模型鲁棒性的方法。
引用
@article{arxiv.1907.01279,
title = {Improving Robustness in Real-World Neural Machine Translation Engines},
author = {Rohit Gupta and Patrik Lambert and Raj Nath Patel and John Tinsley},
journal= {arXiv preprint arXiv:1907.01279},
year = {2019}
}
备注
6 Pages, Accepted in Machine Translation Summit 2019