面向充分性的神经机器翻译学习
计算与语言
2018-11-22 v1 人工智能
摘要
尽管神经机器翻译（NMT）模型已推进了机器翻译的最先进性能，它们仍面临诸如翻译不充分等问题。我们将此归因于标准的最大似然估计（MLE）因其若干局限性而无法判断真实翻译质量。在本工作中，我们通过将翻译视为强化学习（RL）中的随机策略，为NMT提出一种面向充分性的学习机制，其中奖励通过显式度量翻译充分性来估计。受益于RL策略的序列级训练以及专为翻译设计的更准确奖励，我们的模型优于多个强基线，包括（1）基于MLE训练的标覆盖增强注意力模型，以及（2）基于词级BLEU和字符级chrF3奖励的先进强化与对抗训练策略。在不同语言对和NMT架构上的定量与定性分析证明了所提方法的有效性和通用性。
引用
@article{arxiv.1811.08541,
title = {Neural Machine Translation with Adequacy-Oriented Learning},
author = {Xiang Kong and Zhaopeng Tu and Shuming Shi and Eduard Hovy and Tong Zhang},
journal= {arXiv preprint arXiv:1811.08541},
year = {2018}
}
备注
AAAI 2019