基于伪数据的机器翻译质量估计模型的训练

doi:10.13209/j.0479-8023.2017.158

北京大学学报（自然科学版） ›› 2018, Vol. 54 ›› Issue (2): 279-285.DOI: 10.13209/j.0479-8023.2017.158

基于伪数据的机器翻译质量估计模型的训练

吴焕钦¹, 张红阳¹, 李静梅², 朱俊国¹, 杨沐昀^1,†, 李生¹

1. 哈尔滨工业大学计算机科学与技术学院, 哈尔滨 150001
2. 哈尔滨工程大学计算机科学与技术学院, 哈尔滨 150001

收稿日期:2017-06-05 修回日期:2017-09-05 出版日期:2018-03-20 发布日期:2018-03-20
通讯作者: 杨沐昀, E-mail: yangmuyun(at)hit.edu.cn
基金资助:
国家高技术研究发展计划(2015AA015405)和国家自然科学基金(61370170, 61402134)资助

Training Machine Translation Quality Estimation Model Based on Pseudo Data

WU Huanqin¹, ZHANG Hongyang¹, LI Jingmei², ZHU Junguo¹, YANG Muyun^1,†, LI Sheng¹

1. Computer Science and Technology, Harbin Institute of Technology, Harbin 150001
2. Computer Science and Technology, Harbin Engineering University, Harbin 150001

Received:2017-06-05 Revised:2017-09-05 Online:2018-03-20 Published:2018-03-20
Contact: YANG Muyun, E-mail: yangmuyun(at)hit.edu.cn

摘要/Abstract

摘要：

为向基于深度学习的机器翻译质量估计模型提供高效的训练数据, 提出面向目标数据集的伪数据构造方法, 采用基于伪数据预训练与模型精调相结合的两阶段模型训练方法对模型进行训练, 并针对不同伪数据规模设计实验。结果表明, 在构造得到的伪数据下, 利用两阶段训练方法训练得到的机器翻译质量估计模型给出的得分与人工评分的相关性有显著的提升。

关键词: 机器翻译质量估计, 深度学习, 伪数据

Abstract:

Aimed at providing efficient training data for neural translation quality estimation model, a pseudo data construction method for target dataset is proposed, the model is trained by two stage model training method: pre training based on pseudo data and fine tuning. The experimental design of different pseudo data scale is carried out. The experiment results show that the machine translation quality estimation model trained by the pseudo data has significantly improved in the correlation between the scores given by human and the artificial scores.

Key words: machine translation quality estimation, deep learning, pseudo data

中图分类号:

TP391

吴焕钦, 张红阳, 李静梅, 朱俊国, 杨沐昀, 李生. 基于伪数据的机器翻译质量估计模型的训练[J]. 北京大学学报（自然科学版）, 2018, 54(2): 279-285.

WU Huanqin, ZHANG Hongyang, LI Jingmei, ZHU Junguo, YANG Muyun, LI Sheng. Training Machine Translation Quality Estimation Model Based on Pseudo Data[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2018, 54(2): 279-285.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://xbna.pku.edu.cn/CN/10.13209/j.0479-8023.2017.158

https://xbna.pku.edu.cn/CN/Y2018/V54/I2/279

[1]	李玳, 王天牧, 张思, 秦跃, 谢福贵, 刘辛军, 聂振国, 黄红拾. 基于足底压力和卷积长短期记忆神经网络的前交叉韧带断裂智能辅助诊断[J]. 北京大学学报自然科学版, 2024, 60(1): 109-117.
[2]	张丰硕, 李豫, 李向前, 徐金安, 陈钰枫. 一种消减多模态偏见的鲁棒视觉问答方法[J]. 北京大学学报自然科学版, 2024, 60(1): 23-33.
[3]	姚照原, 马磊, 万玮, 宋本钦, 王卫红, 邓继伟, 肖蕾, 冀锐, 魏之皓, 崔要奎. 基于深度学习的遥感样本库一致性评估[J]. 北京大学学报自然科学版, 2023, 59(4): 563-568.
[4]	周翔宇, 毛善君, 李梅. 基于频域降采样和CNN的轴承故障诊断方法[J]. 北京大学学报自然科学版, 2023, 59(2): 251-260.
[5]	李放, 曹健, 李普, 谢豪, 赵雄波, 王源, 张兴. 基于ARM+FPGA异构平台的目标检测加速模块设计与实现[J]. 北京大学学报自然科学版, 2022, 58(6): 1035-1041.
[6]	李天然, 刘明童, 张玉洁, 徐金安, 陈钰枫. 基于深度学习的实体链接研究综述[J]. 北京大学学报自然科学版, 2021, 57(1): 91-98.
[7]	黄德朋, 李正华, 龚晨, 张民. 基于神经耦合模型的异构词法数据转化和融合[J]. 北京大学学报自然科学版, 2020, 56(1): 97-104.
[8]	黄红拾, 王政飞, 许国雄, 李文新, 张思, 张东霞, 敖英芳. 基于步行时足底压力信息的前交叉韧带断裂辅助诊断方法[J]. 北京大学学报自然科学版, 2019, 55(5): 859-864.
[9]	方海泉, 蒋云钟, 冶运涛, 曹引. 基于深度学习和多次棋盘分割法的高分辨率影像河流提取[J]. 北京大学学报自然科学版, 2019, 55(4): 692-698.
[10]	蔡振宇, 盖增喜. 人工智能在拾取地震P波初至中的应用——以汶川地震余震序列为例[J]. 北京大学学报自然科学版, 2019, 55(3): 451-460.
[11]	厉小军, 施寒潇, 陈南南, 柳虹, 邹轶. 基于表示学习的情感分析研究[J]. 北京大学学报自然科学版, 2019, 55(1): 105-112.
[12]	王潜升, 余南, 张梅山, 韩子嘉, 付国宏. N3LDG: 一种轻量级自然语言处理深度学习库[J]. 北京大学学报自然科学版, 2019, 55(1): 113-119.
[13]	谭亦鸣, 王明文, 李茂西. 基于翻译质量估计的神经网络译文自动后编辑[J]. 北京大学学报（自然科学版）, 2018, 54(2): 255-261.
[14]	刘勘,袁蕴英. 基于自动编码器的短文本特征提取及聚类研究[J]. 北京大学学报（自然科学版）, 2015, 51(2): 282-288.
[15]	奚雪峰,周国栋. 基于Deep Learning的代词指代消解[J]. 北京大学学报（自然科学版）, 2014, 50(1): 100-110.

基于伪数据的机器翻译质量估计模型的训练

Training Machine Translation Quality Estimation Model Based on Pseudo Data

RichHTML

PDF

PDF (翻译版)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

留言