基于循环神经网络与迁移学习的低资源神经机器翻译：英语到伊格博语案例研究
计算与语言
2025-04-25 v1 机器学习
摘要
本研究开发了神经机器翻译（NMT）和基于Transformer的迁移学习模型，用于英语到伊格博语（Igbo）翻译——这是一种在尼日利亚及西非地区拥有超过4000万使用者的低资源非洲语言。我们构建的模型训练于来自圣经语料、当地新闻、维基百科文章及Common Crawl的精选数据集，并经本土语言专家验证。我们运用循环神经网络（RNN）架构，包括长短期记忆网络（LSTM）和门控循环单元（GRU），并引入注意力机制以提高翻译准确性。为进一步提升性能，我们在SimpleTransformers框架中应用迁移学习，使用MarianNMT预训练模型。我们的RNN模型实现了竞争性成绩，接近现有的英语-伊格博基准。通过迁移学习，我们观察到BLEU分数提升了+4.83分，达到约70%的翻译准确率。这一发现表明，结合RNN与迁移学习对于解决低资源语言翻译任务中的性能差距具有有效性。
引用
@article{arxiv.2504.17252,
title = {Low-Resource Neural Machine Translation Using Recurrent Neural Networks and Transfer Learning: A Case Study on English-to-Igbo},
author = {Ocheme Anthony Ekle and Biswarup Das},
journal= {arXiv preprint arXiv:2504.17252},
year = {2025}
}
备注
25 pages, 14 combined figures (19 total), includes horizontal layouts. Submitted to arXiv for open access