越南诗歌生成与跨语言诗歌翻译前景
内容提要
该文综述诗歌生成研究，涵盖多种方法：提出非文言文生成古诗的无监督机器翻译方法；利用GPT模型生成绝句、律诗、词牌、对联及藏头诗；研究多语言文本风格生成；探索机器翻译用于诗歌翻译，发现多语言微调效果更优；采用RoBERTa编码器和GPT-2解码器生成法语诗歌；构建英越最大语料库以提升翻译BLEU值；微调Bloomz和GPTJ提升越南语性能；用GPT-2生成五行诗并进行量化评价；提出两阶段规划以生成连贯诗句；利用BART等模型生成韵律诗，图灵测试显示AI诗难与人类诗区分。
延伸解读
从古诗到多语种：诗歌生成的技术脉络
文章梳理了诗歌生成研究的多个方向：早期聚焦文言诗生成，如利用GPT模型生成绝句、律诗、词牌和对联，并实现藏头诗；随后扩展到非文言文古诗的无监督机器翻译方法，以及多语言文本风格生成。近年的研究则覆盖法语诗歌生成、越南语性能提升和韵律诗生成等。这一脉络显示，诗歌生成正从单一语言和形式，走向多语言、多风格和更精细的控制。
机器翻译在诗歌翻译中的关键发现
文章提到，机器翻译用于诗歌翻译时，多语言微调比单语模型更具优势。针对英越低资源语言对，研究构建了历史上最大的越南-英语语料库，并采用最新神经机器翻译模型取得最高BLEU得分。此外，通过参数高效调整方法微调Bloomz和GPTJ，使越南语性能提升约20-30%。这些结果表明，语料规模和微调策略对诗歌翻译效果有直接影响。
AI诗歌与人类诗歌的边界正在模糊
文章引用图灵测试结果称，高水平的诗歌爱好者无法区分AI生成的诗歌与人类诗歌，显示模型在诗歌生成方面表现突出。同时，研究采用量化评价方法，如对五行诗进行自动评分并呈现排名高的作品以激发人类创造力。这提示读者，AI诗歌已具备一定审美质量，但评价仍依赖自动指标和人工测试，其文学价值与原创性仍需进一步讨论。
两阶段规划提升诗歌连贯性
针对诗歌生成中语义连贯性的问题，文章介绍了一种两阶段方法：先根据用户写作意图规划诗歌的子主题，再使用改进的循环神经网络编解码框架连续生成每行诗句。人工评价表明，该方法优于现有诗歌生成方法，诗歌质量与人类诗人相当。这表明，引入规划机制有助于解决长文本生成中意图衰减和前后不一致的问题，对实际应用有参考价值。
Q&A
如何用非文言文生成古典诗歌？
文章提出了一种利用非文言文生成古典诗歌的新任务，采用无监督机器翻译方法，通过基于分词的填充和强化学习等方法，在语义上给予用户更多控制权，并取得了很好的实验效果。
GPT模型能生成哪些形式的文言诗？
采用GPT模型可以生成各种形式的文言诗，包括绝句、律诗、词牌和对联，并且通过微调还可以实现生成藏头诗的方法。
机器翻译用于诗歌翻译时，多语言微调效果如何？
研究比较了诗歌和非诗歌语料库大小、双语和多语言学习等效果，得出多语言微调在诗歌翻译中具有重要性和优越性。
如何提升英越机器翻译的BLEU值？
通过构建历史上最大的越南-英语语料库，并采用最新的神经机器翻译模型进行广泛实验，从而实现最高BLEU得分。
如何提升大语言模型在越南语上的性能？
利用开源项目中的大规模指令遵循数据集，采用参数高效调整方法对Bloomz和GPTJ进行微调，使其在越南语上取得显著性能提升，自动评分显示效果提升约20-30%。
AI生成的诗歌能否与人类诗歌区分？
运用BART等模型生成的诗歌进行的AI诗歌图灵测试显示，高水平的诗歌爱好者不能区分AI生成的诗歌与人类的诗歌，表明模型在诗歌生成方面表现出色。
