通过语义恰当的词汇约束应用实现准确翻译
计算与语言
2023-06-22 v1
摘要
词汇约束神经机器翻译(LNMT)旨在将用户提供的术语融入翻译中。尽管具有实际优势,现有工作尚未在具有挑战性的真实世界条件下评估LNMT模型。本文关注LNMT研究当前评估过程中两个重要但研究不足的问题。模型需要处理训练期间为“同形异义词”或“未见过”的困难词汇约束。为此,我们首先设计了一个同形异义词消歧模块以区分同形异义词的含义。此外,我们提出PLUMCOT,其从预训练语言模型中整合关于未见过词汇约束的上下文丰富信息,并通过复制分数的直接监督强化指针网络的复制机制。我们还发布了HOLLY,一个用于评估模型应对“同形”和“未见过”词汇约束能力的评测基准。在HOLLY和先前测试设置上的实验显示了我们方法的有效性。PLUMCOT在“未见过”约束上的效果尤为显著。我们的数据集可在 https://github.com/papago-lab/HOLLY-benchmark 获取。
引用
@article{arxiv.2306.12089,
title = {Towards Accurate Translation via Semantically Appropriate Application of Lexical Constraints},
author = {Yujin Baek and Koanho Lee and Dayeon Ki and Hyoung-Gyu Lee and Cheonbok Park and Jaegul Choo},
journal= {arXiv preprint arXiv:2306.12089},
year = {2023}
}
备注
Findings of ACL2023. 15 pages