利用检索样本学习核平滑机器翻译
计算与语言
2021-12-09 v2
摘要
如何在不重新训练的情况下根据涌现案例有效适配神经机器翻译（NMT）模型？尽管神经机器翻译取得巨大成功，在线更新已部署模型仍具挑战。现有从数据库检索相似样本以引导翻译过程的非参数方法前景良好，但易过拟合检索样本。本工作中，我们提出学习带样本检索的核平滑翻译（KSTER），一种在线适配神经机器翻译模型的有效方法。在领域适配与多领域机器翻译数据集上的实验表明，即便无需昂贵重训练，KSTER 相较最佳现有在线适配方法仍能取得 1.1 至 1.5 BLEU 分的提升。代码与训练模型发布于 https://github.com/jiangqn/KSTER。
引用
@article{arxiv.2109.09991,
title = {Learning Kernel-Smoothed Machine Translation with Retrieved Examples},
author = {Qingnan Jiang and Mingxuan Wang and Jun Cao and Shanbo Cheng and Shujian Huang and Lei Li},
journal= {arXiv preprint arXiv:2109.09991},
year = {2021}
}
备注
EMNLP 2021