MTNT：噪声文本机器翻译的测试平台

噪声或非标准输入文本会导致多数现代机器翻译（MT）系统产生灾难性误译，且构建噪声鲁棒 MT 系统的研究兴趣日益增长。然而，目前尚无公开可用的含自然产生噪声输入与译文的平行语料库，因此先前工作只得在合成数据集上评估。本文提出噪声文本机器翻译基准数据集（MTNT），由 Reddit（www.reddit.com）上的噪声评论与专业 sourced 译文组成。我们委托将英语评论译为法语和日语，以及将法语和日语评论译为英语，每语言对约 7k–37k 句。我们定性与定量考察该数据集所含噪声类型，进而表明现有 MT 模型在诸多噪声相关现象上表现极差，即便在少量领域内训练集上做自适应后亦然。这表明该数据集可为面向 MT 中噪声文本处理的方法提供有吸引力的测试平台。数据公开于 www.cs.cmu.edu/~pmichel1/mtnt/。