JaParaPat：一个大规模日英平行专利申请语料库

我们构建了 JaParaPat（Japanese-English Parallel Patent Application Corpus），这是一个包含超过 30 亿日英句子对的双语语料库，来自 2000 年至 2021 年间发布的日本和美国专利申请。我们获取了日本专利局（JPO）和美国专利商标局（USPTO）的未经审查专利申请出版信息。我们还从欧洲专利局（EPO）维护的书目数据库 DOCDB 中获取了专利族信息。我们提取了约 140 万日英文档对，这些文档是基于专利族的互为翻译，我们使用以字典基方法初始化的翻译基句子对齐方法，从文档对中提取约 35 亿句子对。我们通过在 2200 万句子对（来自网络）上添加超过 30 亿句子对（来自专利申请），在实验中将专利翻译准确率提高了 20 个 BLEU 分。