Naver Labs Europe 在 WNGT 2019 文档级生成与翻译任务中的系统
计算与语言
2019-11-01 v1
摘要
近年来，神经模型在机器翻译（MT）和自然语言生成任务（NLG）方面均取得了显著改进。然而，基于结构化数据生成长篇描述性摘要仍然是一个开放的挑战。同样，超越句子级上下文的机器翻译仍是一个开放问题（例如，文档级机器翻译或带元数据的机器翻译）。为应对这些挑战，我们提议利用两项任务的数据，并在 MT、NLG 和带源端元数据的 MT（MT+NLG）之间进行迁移学习。首先，我们使用大量平行数据训练基于文档的 MT 系统。然后，通过使用较少量的领域特定数据微调，将这些模型适配到纯 NLG 和 MT+NLG 任务。这种端到端的 NLG 方法无需数据选择与规划，在 Rotowire NLG 任务上优于先前的最优方法。我们参加了 WNGT 2019 的“文档生成与翻译”任务，并在所有赛道中排名第一。
引用
@article{arxiv.1910.14539,
title = {Naver Labs Europe's Systems for the Document-Level Generation and Translation Task at WNGT 2019},
author = {Fahimeh Saleh and Alexandre Bérard and Ioan Calapodescu and Laurent Besacier},
journal= {arXiv preprint arXiv:1910.14539},
year = {2019}
}
备注
WNGT 2019 - System Description Paper