基于人类错误标记的大语言模型自纠机器翻译提示
计算与语言
2024-06-05 v1
摘要
尽管大语言模型（LLM）预训练于大量无对齐语言数据，在机器翻译（MT）中已达到通用领域文本的最先进水平，但后编辑（PE）仍是纠正错误并提升专业领域术语翻译质量所必需的。本文提出了一种针对技术领域术语翻译一致性的翻译记忆库（TM）增强方案。我们研究了一种轻量级两步场景：在推理阶段，人类译者在第一翻译步骤中标记错误，然后在第二步骤从PE-TM中提取几个相似示例来提示LLM。我们的实验表明，增强翻译的人类错误标记引导LLM聚焦于纠正标记错误，相较于自动后编辑（APE）和从头翻译的MT均取得一致的改进。
引用
@article{arxiv.2406.02267,
title = {Prompting Large Language Models with Human Error Markings for Self-Correcting Machine Translation},
author = {Nathaniel Berger and Stefan Riezler and Miriam Exel and Matthias Huck},
journal= {arXiv preprint arXiv:2406.02267},
year = {2024}
}
备注
To appear at The 25th Annual Conference of the European Association for Machine Translation (EAMT 2024)