- Published on
All Posts
- Published on
Nearest Neighbor Machine Translation (KNN-MT)- Published on
KSTER的机器翻译方法,通过可学习的核函数和自适应混合权重来改进基于检索的神经机器翻译。KSTER在领域适应和多领域翻译任务中表现优异,相比基线模型在BLEU分数上提高了1.1-1.5分。该方法通过动态计算检索实例的相关性和自适应混合模型预测与检索结果,在保持通用性能的同时提高了特定领域的翻译质量。- Published on
这篇文章介绍了一项针对机器翻译模型数字翻译准确率的测试研究。研究对比了不同类型的翻译模型,总结出四种常见的数字翻译错误类型,并提出了几种可能的改进策略。结果显示,所有测试的模型在各种错误类型上都未能达到100%的准确率。- Published on
这篇文章提出了一种名为BiT的新方法,通过使用双向模型作为单向模型的初始化来提高机器翻译性能。BiT方法在训练早期阶段将源语言到目标语言的数据组合为源语言+目标语言到目标语言+源语言的形式进行预训练,然后再使用常规的源语言到目标语言数据进行训练。实验表明,BiT方法在8个语言对上都取得了优于现有最佳方法的性能提升,并且能提高模型的对齐质量和低资源场景下的效果。