利用跨语言句子表示增强低资源机器翻译的数据选择方法
内容提要
本文探讨了神经网络机器翻译（NMT）在低资源条件下的性能，提出了数据增强和无监督翻译的方法。实验表明，优化后的NMT系统在德语-英语和韩语-英语翻译任务中显著提高了翻译质量。此外，研究展示了大型语言模型和半监督方法的有效性，推动了低资源语言翻译的进展。
延伸解读
低资源机器翻译的优化策略
文章指出，在低资源条件下，经过优化的NMT系统即使不使用辅助数据，也能在德语-英语和韩语-英语任务上超越PBSMT，BLEU提升超过4点。这表明针对低资源场景的模型调优和训练策略至关重要，而非单纯依赖数据量。
数据增强与跨语言桥接
通过高资源语言桥接低资源语言的数据增强框架，能在极低资源下将翻译质量提升1.5到8个BLEU点。该方法利用词典和无监督翻译框架转换数据，为低资源语言提供了可扩展的解决方案，但效果可能受桥接语言与目标语言相似度影响。
半监督与LLM的协同作用
半监督方法结合SentenceBERT过滤和伪目标句子，显著提升NMT基线性能；而LLM通过少量提示生成多语言数据，在多语言语义解析上比传统翻译-训练方法更高效。两者都致力于减少对大规模平行语料的依赖，但LLM的推理成本可能较高。
跨语言句子表示的对齐改进
针对低资源语言跨语言词表示与高资源语言对齐不足的问题，文章引入显式词对齐框架，通过对齐词预测和翻译排序等目标，在双语检索任务上显著改进了低资源语言的句子嵌入。这提示句子表示的质量直接影响下游翻译和检索性能。
Q&A
低资源条件下神经网络机器翻译的性能如何？
在低资源条件下，神经网络机器翻译（NMT）的性能通常下降，但经过优化后可以显著提高翻译质量，BLEU指标可超过4个点。
如何通过数据增强提高低资源语言的翻译质量？
通过使用高资源语言进行桥接和无监督机器翻译框架，数据增强可以将翻译质量提高1.5到8个BLEU点。
什么是LASER工具包，它在低资源翻译中有什么作用？
LASER工具包用于训练平行语料库，能够有效地对多语言句子进行表征和过滤，特别是在低资源情况下表现良好。
大型语言模型在多语言语义解析中如何提高效率？
大型语言模型（LLM）通过少量提示将英文数据集转化为多种语言，效率高于传统的翻译-训练方法。
半监督方法如何改善低资源语言的机器翻译？
半监督方法通过增强高质量句子对和伪目标句子实现无监督训练，显著提高了NMT基线性能。
如何将多语言BERT模型转化为多语言句子BERT模型？
通过合成语料库聚合并细调vanilla multilingual BERT模型，能够有效地转化为多语言句子BERT模型。
