基于迁移学习的神经机器翻译在资源匮乏语言中的应用

《ACM Transactions on Asian and Low-Resource Language Information Processing》：Transfer Learning-Based Neural Machine Translation for Low-Resource Languages

该研究针对低资源语言神经机器翻译中错误提示率高的问题，提出基于似然度的LMTM模型。通过融合回译与替换策略，结合迁移学习优化词频和潜在替换分析，显著提升翻译准确率（9.15%）和正确率（7.46%），同时降低错误提示（7.7%）和计算复杂度（8.52%）。

　　

摘要

鲁东大学文学院，中国烟台 264025

中国烟台汉语词典研究中心，中国烟台 264025

神经机器翻译（NMT）通过基于单词精确概率来增强句子建议，从而提高可读性。这些单词建议是通过重复翻译、单词搜索和用户输入等学习方法进行训练的。然而，对于资源匮乏的语言来说，NMT的应用存在挑战，因为错误建议或单词替换的可能性较高。因此，本文提出了一种基于概率的机器翻译模型（LMTM），专门用于资源匮乏的语言。该模型利用单词频率和来自较少见句子的潜在替换词来准确识别句子。这是通过结合循环学习和替换学习来实现的。识别出的高概率单词被用于句子的增强，生成的句子中的所有单词都会更新学习模型。该模型为NMT提供概率最高的单词建议，从而防止句子被篡改，并确保翻译的准确性。所提出的模型将概率提高了9.15%，正确性提高了7.46%，替换词的数量增加了7.7%。同时，它还将错误率和时间复杂度分别降低了9.33%和8.52%。总体而言，LMTM提高了资源匮乏语言的翻译质量。