ECoh: 多语言对话的逐轮连贯性评估
内容提要
本文提出了一种端到端生成省略和共指技术模型，结合多任务学习框架，显著提高了对话中的省略和共指识别能力。同时，研究探讨了文档连贯性评估方法和基于强化学习的翻译优化，提升了多语种文档的凝聚力和连贯性。
延伸解读
多任务学习提升对话省略与共指识别
文章提出将省略和共指识别集成到端到端任务导向对话中的多任务学习框架。实验表明，该模型在识别省略和共指上显著优于seq2seq基线，并且结合GECOR的多任务学习方法在任务完成成功率上高于TSCP。这说明多任务学习能有效利用对话中的连贯性信息，提升对话系统的理解能力。
文档连贯性评估方法DCoEM
针对文档翻译的连贯性评估，研究提出了DCoEM方法，考虑参考、连词、替换和词汇连贯四种连贯方式。通过文档级NMT系统的评估，结果表明该方法在评估文档级翻译方面既实用又必要。这为衡量翻译质量提供了更全面的视角，弥补了传统指标在连贯性评估上的不足。
强化学习优化翻译连贯性
文章提出基于强化学习的训练方法，明确优化词汇凝聚力和连贯性两个话语质量指标。在中英语言对中，词汇凝聚力和连贯性分别提高了2.46和1.17个百分点，BLEU和F_BERT分数也分别提升0.63和0.47个百分点。这表明在不牺牲翻译忠实度的前提下，可以更有效地提升多语种文档翻译的连贯性。
Q&A
ECoh模型如何提高对话中的省略和共指识别能力？
ECoh模型通过端到端生成省略和共指技术，结合多任务学习框架，显著提高了对话中的省略和共指识别能力。
DCoEM文档连贯性评估方法的主要贡献是什么？
DCoEM方法考虑了四种连贯方式，为测量文档翻译的连贯性做出了重要贡献。
强化学习在多语种文档翻译中的应用效果如何？
基于强化学习的训练方法优化了词汇凝聚力和连贯性，显著提高了多语种文档翻译的质量。
ECoh模型与seq2seq基线模型相比，表现如何？
实验结果表明，ECoh模型在识别省略和共指问题上显著优于seq2seq基线模型。
在中英语言对中，ECoh模型的具体提升数据是什么？
在中英语言对中，词汇凝聚力和连贯性分别提高了2.46和1.17个百分点。
如何通过多任务学习框架提升对话任务的成功率？
通过将省略和共指技术模型与多任务学习框架结合，可以提高任务完成的成功率。
