质量感知解码：统一质量估计与解码

质量估计（Quality Estimation, QE）模型用于神经机器翻译（NMT）中，通过无需参考译文来预测假设译文的质量。NMT中的质量感知解码（Quality-Aware Decoding）是一个新兴研究方向，已显示出与人类判断高度相关的QE模型可通过提升翻译质量来实现。尽管已提出多种基于对多个候选译文进行抽样并选取最佳候选译文的方法，但这些方法均未直接将模型集成到解码过程中。本文通过提出一种能够可靠评分部分译文的词级QE模型来解决这一问题。我们构建单向QE模型，因为解码模型天然在部分序列上进行训练和高效计算。随后，我们呈现一种将QE模型集成以实现质量感知解码的解码策略，证明与使用最先进QE模型进行N-best列表重排序相比，翻译质量得到提升（最高可达$1.39$ XCOMET-XXL $\uparrow$）。最后，我们展示了该方法在文档翻译任务中的显著优势，在此类任务中，N-best列表的质量通常较差。代码可在https://ai4lt.iar.kit.edu/english/projects_kontextmt.php 查找。