面向双语资源稀缺场景的神经机器翻译：一种深度多任务学习方法
计算与语言
2018-05-14 v1
摘要
神经机器翻译需要大量平行训练文本以学习合理质量的翻译模型。对于无法获得足够平行文本的语言对而言，这一点尤为不便。本文中，我们基于多任务学习方法，利用源端单语语言资源来解决这一挑战性问题。更具体地，我们将机器翻译任务构筑于若干辅助任务之上，包括语义解析、句法解析与命名实体识别。这有效地将语义和/或句法知识注入翻译模型，否则将需要大量训练双语文本。我们通过实证评估，展示了我们的多任务学习方法在三个翻译任务上的有效性：英译法、英译波斯语与英译越南语。
引用
@article{arxiv.1805.04237,
title = {Neural Machine Translation for Bilingually Scarce Scenarios: A Deep Multi-task Learning Approach},
author = {Poorya Zaremoodi and Gholamreza Haffari},
journal= {arXiv preprint arXiv:1805.04237},
year = {2018}
}
备注
NAACL 2018 (long paper)