[论文解读] 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 23

一句话总结

TranSmart 是一个实用的交互式机器翻译系统，通过灵活的、由用户驱动的交互方式，包括词级和句级自动补全，以及一种新型的翻译记忆增强神经机器翻译模型，显著提升了翻译质量和效率。该系统在多个语种对上相比强基线模型，BLEU得分最高提升3分，显著提高了准确性和效率，同时支持非从左到右的翻译工作流。

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).

研究动机与目标

• 解决现有交互式机器翻译（IMT）系统中僵化、从左到右翻译工作流的局限性。
• 通过支持超越顺序输入的灵活用户交互模式，提升翻译质量和效率。
• 通过将翻译记忆集成到神经机器翻译模型中，减少文档级翻译中的重复翻译错误。
• 开发一个实用的、公开可用的IMT系统，支持真实世界的翻译工作流。
• 评估约束解码与翻译记忆集成在神经翻译模型中的有效性。

提出的方法

• TranSmart 采用词级自动补全，允许用户输入部分字符并实时获得建议，无需强制从左到右输入。
• 句级自动补全支持用户输入非连续的词或短语，系统根据上下文和用户输入补全完整句子。
• 系统集成了一种基于图的翻译记忆（G-TFM）模型，将历史翻译编码为图结构，提升解码效率和准确性。
• 采用约束解码，引导神经机器翻译模型生成与用户提供的部分输入或修正一致的翻译。
• 翻译记忆组件复用先前翻译过的句子，避免重复出现错误，尤其在内容重复或相似的文档中效果显著。
• 系统基于基于Transformer的神经机器翻译架构构建，并通过公开API暴露其功能，便于集成与评估。

实验结果

研究问题

• RQ1 神经机器翻译系统是否能够在保持高翻译质量的同时，支持灵活的、非从左到右的用户交互模式？
• RQ2 基于图的翻译记忆表示在提升神经机器翻译性能和减少翻译错误方面有多有效？
• RQ3 将翻译记忆集成到Transformer模型中，在多个语种对上能将BLEU分数提升多少？
• RQ4 与传统IMT系统相比，该系统的自动补全机制在用户效率和错误减少方面表现如何？
• RQ5 在神经机器翻译中引入翻译记忆时，翻译质量、推理速度和内存使用之间的权衡如何？

主要发现

• 在es-en任务上，TranSmart相比最强基线模型（P-TFM）实现了1.9个BLEU点的提升，测试集BLEU得分为66.21。
• 所提出的G-TFM模型在所有五个评估的语种对上均优于TFM，最高提升达3个BLEU点，包括en-fr的69.59和fr-en的70.87。
• G-TFM将每句的推理时间缩短至0.36秒，平均仅编码129.18个词，显著低于SEQ-TFM（214.97）和SEG-TFM（374.52）。
• 与SEG-TFM相比，该系统将模型编码的词数减少最多达3倍，表明内存效率更优。
• 基于图的翻译记忆模型（G-TFM）在Transformer架构中表现优于基于上下文的键值记忆模型。
• 实证结果证实，翻译记忆的集成显著减少了文档级翻译中相似翻译错误的重复出现。