KazParC: 机器翻译用的哈萨克平行语料库
原文中文，约1200字，阅读约需3分钟。
📝
内容提要
本文介绍了多个平行语料库的构建与应用，如波斯语-英语、英日、车臣语-俄语，强调其在机器翻译中的重要性和效果。研究表明，这些语料库能显著提高翻译质量和效率。
🔎
延伸解读
平行语料库的规模与领域多样性
文章列举了多个平行语料库，规模从约20万句对到超过2100万句对不等，覆盖波斯语-英语、英日、车臣语-俄语、富拉语-英语等语言对，以及文学、商务会话、课程讲稿等不同领域。这表明平行语料库的构建正朝着更大规模和更广领域发展，以满足不同机器翻译场景的需求。
语料库构建方法的成本与质量权衡
文章提到，通过众包收集平行语料虽然牺牲了质量，但比雇佣专业翻译人员更具成本效益；而利用维基百科提取平行句子时，双向方法略优于单向方法。这反映了在语料库构建中，研究者需要根据资源条件在成本、效率和质量之间进行权衡，选择适合特定项目的方法。
合成语料与真实语料的互补作用
文章介绍了使用神经机器翻译系统生成跨17种语言的合成平行释义语料库，其生成的句子在语义和词汇丰富度上表现良好。同时，也有从维基百科、课程资料等真实来源挖掘的语料库。合成语料可以快速扩充数据，而真实语料更贴近自然语言，两者结合可能进一步提升机器翻译系统的性能。
❓
Q&A
波斯语-英语平行语料库的规模和效果如何？
波斯语-英语平行语料库包含超过一百万句子对，实验表明其能显著提高机器翻译系统的效果。
JParaCrawl v3.0平行语料库的特点是什么？
JParaCrawl v3.0包含超过2100万个平行句对，能提高机器翻译模型的准确性，并将在未来公开发布。
双向方法提取平行句子的优势是什么？
双向方法优于单向方法，能更有效地提取平行句子，提取的语料库包含约200,000个句子。
如何通过众包收集平行语料库？
通过众包的方法收集平行语料库虽然牺牲了质量，但比雇佣专业翻译人员更具成本效益。
日英商务会话平行语料库的目的是什么？
日英商务会话平行语料库旨在提高会话文本的机器翻译质量，并展示基于该语料库训练的系统的优势。
ParaPhraser Plus数据集的作用是什么？
ParaPhraser Plus数据集旨在解决俄语释义生成领域小规模语料库的问题，促进文本生成的应用。
🏷️
