SCOI：面向机器翻译的语法增强覆盖基于情境示例选择方法
计算与语言
2024-09-26 v2
摘要
情境学习（ICL）在提高大型语言模型（LLM）在各种下游任务上的性能方面发挥着重要作用，其改进高度依赖于演示文献的质量。本文我们引入语法知识，以选择机器翻译（MT）中更好的情境示例。我们提出了一种新策略，即语法增强COverage基于情境示例选择（SCOI），该方法利用深层语法结构超越传统词匹配。具体而言，我们通过辅助简化树到多项式算法计算多项式术语的覆盖率，来衡量集合级别的语法覆盖率，同时使用词重叠来衡量词汇覆盖率。此外，我们设计了一种交替选择方法，结合两种覆盖度度量，充分利用语法和词汇信息。我们使用两个多语言LLM在六个翻译方向上进行实验。实证结果表明，我们提出的SCOI在所有无学习方法中获得了最高的平均COMET分数，表明语法和词汇覆盖率的结合成功地有助于选择更好的机器翻译情境示例。我们的代码已公开：https://github.com/JamyDon/SCOI。
引用
@article{arxiv.2408.04872,
title = {SCOI: Syntax-augmented Coverage-based In-context Example Selection for Machine Translation},
author = {Chenming Tang and Zhixiang Wang and Yunfang Wu},
journal= {arXiv preprint arXiv:2408.04872},
year = {2024}
}
备注
EMNLP 2024 main conference long paper. 16 pages, 2 figures, 14 tables