基于情感分析的神经机器翻译候选选择

用户生成内容（UGC）——例如社交媒体帖子、评论和评测——的激增推动了针对此类非正式文本的 NLP 应用的发展。其中流行的是情感分析和机器翻译（MT）。基于 UGC 具有高度习语化、情感浓烈语言的特点，我们提出了一种解码端方法，将自动情感评分纳入 MT 候选选择过程。我们训练了独立的英语和西班牙语情感分类器，然后利用基线 MT 模型通过束搜索生成的 n-best 候选，选择使源句情感分数与译文情感分数绝对差值最小的候选，并进行人工评估以衡量所生成译文的质量。与以往工作不同，我们通过考虑源句和译文在连续区间上的情感分数来选取这种差异最小的译文，而非使用例如二分类，从而允许更细粒度的翻译候选选择。人工评估结果表明，与构建我们基于情感的流水线所依托的开源 MT 基线模型相比，我们的流水线对口语化、情感密集的源文本产生了更准确的翻译。