[論文レビュー] TranSmart: A Practical Interactive Machine Translation System

Guoping Huang, Lemao Liu+6 more|arXiv (Cornell University)|May 27, 2021

Natural Language Processing Techniques参考文献 84被引用数 23

ひとこと要約

TranSmart は、単語レベルおよび文レベルのオートコンプリート、および翻訳メモリ拡張型 NMT モデルを備えた、柔軟でユーザー主導のインタラクションを通じて翻訳品質と効率を向上させる実用的なインタラクティブ機械翻訳システムである。複数の言語対で、強力なベースラインを最大 3 BLEU ポイント上回り、正確性と効率性の向上を実証している。また、左から右への翻訳ワークフローに限定されない対応も可能である。

ABSTRACT

Automatic machine translation is super efficient to produce translations yet their quality is not guaranteed. This technique report introduces TranSmart, a practical human-machine interactive translation system that is able to trade off translation quality and efficiency. Compared to existing publicly available interactive translation systems, TranSmart supports three key features, word-level autocompletion, sentence-level autocompletion and translation memory. By word-level and sentence-level autocompletion, TranSmart allows users to interactively translate words in their own manners rather than the strict manner from left to right. In addition, TranSmart has the potential to avoid similar translation mistakes by using translated sentences in history as its memory. This report presents major functions of TranSmart, algorithms for achieving these functions, how to use the TranSmart APIs, and evaluation results of some key functions. TranSmart is publicly available at its homepage (https://transmart.qq.com).

研究の動機と目的

• 既存のインタラクティブ機械翻訳（IMT）システムにおける、硬直的で左から右への翻訳ワークフローの制限を解消すること。
• 逐次的な入力にとどまらない、柔軟なユーザーのインタラクションパターンを可能にすることで、翻訳品質と効率を向上させること。
• 繰り返しまたは類似した内容を含む文書翻訳において、繰り返し発生する翻訳エラーを減らすために、翻訳メモリをニューラル機械翻訳モデルに統合すること。
• 実世界の翻訳ワークフローをサポートする、実用的で公開可能な IMT システムの開発。
• 制約付きデコードと翻訳メモリの統合がニューラル翻訳モデルに与える効果の評価。

提案手法

• TranSmart は単語レベルのオートコンプリートを採用しており、ユーザーが部分的な文字列を入力するだけで、左から右への入力に依存せずにリアルタイムの提案を受け取れる。
• 文レベルのオートコンプリートにより、ユーザーが非連続な語やフレーズを入力できる。システムは文脈とユーザーの入力をもとに、完全な文を完成させる。
• 歴史的翻訳をグラフとしてエンコードするグラフベースの翻訳メモリ（G-TFM）モデルを統合し、デコードの効率性と正確性を向上させている。
• 制約付きデコードを用いて、NMT モデルがユーザーが提供した部分的な入力や修正に一致する翻訳を生成するようにガイドしている。
• 翻訳メモリ部は、以前に翻訳された文を再利用することで、繰り返し発生するエラーを回避し、特に繰り返しや類似する内容を含む文書で有効である。
• システムは Transformer をベースとする NMT アーキテクチャに構築されており、公開 API を通じて機能を公開し、統合や評価を可能としている。

実験結果

リサーチクエスチョン

• RQ1 ニューラル機械翻訳モデルが、高い翻訳品質を維持しながら、柔軟で左から右への制限のないユーザーのインタラクションパターンをサポートできるか。
• RQ2 グラフベースの翻訳メモリ表現は、NMT のパフォーマンス向上と翻訳エラーの低減にどの程度効果的か。
• RQ3 Transformer モデルに翻訳メモリを統合することで、複数の言語対で BLEU スコアがどの程度向上するか。
• RQ4 本システムのオートコンプリート機構は、従来の IMT システムと比較して、ユーザーの効率性とエラー低減の点でどの程度優れているか。
• RQ5 翻訳メモリを NMT に統合する際の、翻訳品質、推論速度、メモリ使用量のトレードオフはどのようなものか。

主な発見

• es-en タスクにおいて、最も強力なベースライン（P-TFM）を 1.9 BLEU ポイント上回り、テストセットで 66.21 BLEU のスコアを達成した。
• 提案された G-TFM モデルは、5 つの評価言語対すべてで TFM を上回り、最大 3 BLEU ポイントの向上を示した。特に en-fr で 69.59、fr-en で 70.87 の BLEU スコアを記録した。
• G-TFM は 1 文あたり 0.36 秒の推論時間を実現し、平均で 129.18 語をエンコードする。これは、SEQ-TFM（214.97）や SEG-TFM（374.52）よりも顕著に少ない。
• SEG-TFM と比較して、モデルがエンコードする語数を最大 3 倍まで削減しており、優れたメモリ効率性を示している。
• グラフベースの翻訳メモリモデル（G-TFM）は、文脈に基づくキー値メモリモデルよりも優れたパフォーマンスを発揮し、特に Transformer アーキテクチャで顕著である。
• 実験的結果により、翻訳メモリの統合が、文書レベルの翻訳において類似する翻訳エラーの再発を顕著に低減することが確認された。