利用目标语言单语语料库进行计算机辅助翻译的跨语言神经模糊匹配
内容提要
该文综述利用单语语料提升神经机器翻译的多项研究，包括跨语言记忆检索、半监督与无监督训练、去噪自编码与回译、检索增强翻译、抽取-编辑方法、从合成平行语料中提取双语词表、基于多语言BERT对比学习的领域自适应数据选择，以及通过多任务学习注入语义句法知识；这些方法在低资源及领域适应场景下显著提升BLEU。
延伸解读
单语语料在低资源翻译中的价值
文章综述的多项研究表明，单语语料能显著提升低资源场景下的神经机器翻译性能。例如，仅用单语数据训练的无监督NMT在法英和德英上分别达到15.56和10.21 BLEU；在土耳其-英语和中英聊天场景下，利用单语语料比短语和层级翻译分别提高1.96和1.59 BLEU。这说明单语数据是缓解平行语料稀缺的有效途径。
方法多样性与技术路线
文章涵盖的技术路线包括跨语言记忆检索、半监督与无监督训练、去噪自编码与回译、检索增强翻译、抽取-编辑方法、从合成平行语料提取双语词表、基于多语言BERT对比学习的领域自适应数据选择，以及多任务学习注入语义句法知识。这些方法从数据增强、模型结构、训练策略等不同角度利用单语语料，反映了该领域研究路径的多样性。
领域适应中的单语语料利用
在领域适应方面，文章提到基于多语言BERT对比学习的数据选择方法，通过表示对齐实现零样本领域分类器迁移，在五个领域和三种语言对上BLEU提升1.5个百分点，并应用于COVID-19实时翻译验证。另一项工作使用5-gram KenLM语言模型过滤域外数据，在Hindi-Nepali上比多域方法提高约2 BLEU，比微调NMT提高约3 BLEU。这些案例表明单语语料也可用于领域相关的数据筛选和自适应。
评估与局限
文章列举的方法多以BLEU作为主要评估指标，在低资源及领域适应场景下报告了提升。但BLEU仅反映表面n-gram重叠，可能无法全面衡量翻译质量；且各方法实验设置、语言对和基线不同，直接比较提升幅度需谨慎。此外，部分方法依赖额外资源（如多语言BERT、语言模型），实际部署时需考虑计算成本和数据可用性。
Q&A
如何利用单语语料库提升神经机器翻译的性能？
文章综述了多种利用单语语料的方法，包括跨语言记忆检索、半监督与无监督训练、去噪自编码与回译、检索增强翻译、抽取-编辑方法、从合成平行语料中提取双语词表、基于多语言BERT对比学习的领域自适应数据选择，以及通过多任务学习注入语义句法知识。这些方法在低资源及领域适应场景下显著提升了BLEU分数。
无监督神经机器翻译在完全没有平行数据时效果如何？
文章提到，仅利用单语数据训练的无监督NMT系统（结合去噪和回译技术）在WMT 2014法英和德英翻译上分别达到15.56和10.21 BLEU。此外，基于抽取-编辑方法的无监督NMT在多个语言对和领域（包括低资源语言）中表现优于错误积累法基准。
在低资源语言翻译中，单语语料库能带来多大提升？
文章指出，利用单语语料库建模在低资源场景下（如土耳其语-英语和中英聊天信息）相比短语和层级翻译，BLEU值分别提升高达1.96和1.59。此外，跨语言记忆检索方法在低资源情况下也显示出有效性。
检索增强翻译是如何工作的？
文章描述了一种基于注意力机制的NMT模型，训练后可访问整个平行句子对训练集。该模型分为检索阶段和翻译阶段：先检索与源句子相关的平行句子对，再在源句子和检索到的句子对之间进行平滑翻译。在英法、英德和英西三种语言对上显著优于基准，且检索到的句子对越相关改进越大。
如何利用单语语料进行领域自适应？
文章介绍了两种方法：一是基于多语言BERT对比学习的跨语料库数据选择，实现源语言和目标语言表示对齐，从而零样本领域分类器可转移，并通过联合学习翻译和领域区分任务适应新领域，在五个领域三种语言对上BLEU提升1.5个百分点；二是使用5-gram KenLM语言模型的缩放相似性分数过滤域外数据，结合多域、微调和迭代回译等技术，在Hindi-Nepali上比多域方法提升约2 BLEU，比微调NMT提升约3 BLEU，比迭代回译提升约2 BLEU。
多任务学习如何利用单语资源改进翻译？
文章提出一种基于多任务学习的方法，利用源端单语语言资源，通过语义分析、句法分析和命名实体识别等辅助任务，将语义和/或句法知识注入翻译模型，以解决平行文本缺少导致的模型质量问题。在英法、英波斯和英越三种翻译任务上验证了有效性。
