低资源目标语言翻译中的大规模并行跨语言学习
计算与语言
2021-05-20 v2
摘要
我们致力于从富资源语言到低资源语言的翻译。我们确定的主要挑战包括缺乏低资源语言数据、缺乏有效的跨语言迁移方法，以及神经系统中常见的变量绑定问题。我们构建了一个翻译系统，以八个欧洲语系为试验场来应对这些挑战。首先，我们加入源语言和目标语系标签，并研究语系内和语系间影响以实现有效的跨语言迁移。与使用单一语系的多源多目标基线相比，我们利用八个语系在英瑞（English-Swedish）翻译中实现了+9.9的BLEU分数提升。此外，我们发现，在最接近低资源语言的两个邻近语系上训练通常已足够。其次，我们构建了消融研究，发现即便目标数据显著更少，也能取得相当好的结果。第三，我们通过构建保序命名实体翻译模型来解决变量绑定问题。在定性评估中我们获得了60.6%的准确率，在初步研究中我们的翻译类似于人类翻译。
引用
@article{arxiv.1804.07878,
title = {Massively Parallel Cross-Lingual Learning in Low-Resource Target Language Translation},
author = {Zhong Zhou and Matthias Sperber and Alex Waibel},
journal= {arXiv preprint arXiv:1804.07878},
year = {2021}
}
备注
Accepted at 2018 Third Conference on Machine Translation (WMT18)