[论文解读] Explanation-based Learning for Machine Translation

Janine Toole, Fred Popowich+3 more|ArXiv.org|Jul 6, 1999

Natural Language Processing Techniques参考文献 8被引用 3

一句话总结

本文提出了一种基于解释的学习（EBL）方法，以提升实时英西语字幕机器翻译系统中的解析效率。通过从特定翻译示例中进行泛化，该方法在保持高空间和时间效率的同时，提高了学习覆盖范围，从而在解析速度和准确率方面实现了有效的性能提升。

ABSTRACT

In this paper we present an application of explanation-based learning (EBL) in the parsing module of a real-time English-Spanish machine translation system designed to translate closed captions. We discuss the efficiency/coverage trade-offs available in EBL and introduce the techniques we use to increase coverage while maintaining a high level of space and time efficiency. Our performance results indicate that this approach is effective.

研究动机与目标

• 提升实时字幕机器翻译系统中的解析效率。
• 解决基于解释的学习（EBL）中学习覆盖范围与计算效率之间的权衡问题。
• 在提升系统对翻译示例泛化能力的同时，保持高空间和时间效率。
• 将EBL技术专门应用于实际机器翻译系统中的解析模块。
• 评估EBL在实时约束条件下提升翻译性能的有效性。

提出的方法

• 该系统使用基于解释的学习，从单个解析示例中泛化出可重用的抽象规则。
• 将EBL应用于面向字幕的英西语翻译系统中的解析模块。
• 该方法包括为正确解析构建解释，并将其泛化为更高级别的规则，以降低未来搜索成本。
• 引入技术以在不牺牲空间或时间效率的前提下提高覆盖范围，例如选择性泛化和规则剪枝。
• 通过平衡具体性与泛化性，确保规则应用高效且准确。
• 性能基于实时翻译场景中的解析速度、覆盖范围和准确率进行评估。

实验结果

研究问题

• RQ1 如何有效应用基于解释的学习以提升实时机器翻译系统中的解析效率？
• RQ2 EBL中覆盖范围与效率之间存在何种权衡？在实际翻译环境中如何优化？
• RQ3 EBL在多大程度上能从特定翻译示例中泛化，以提升解析性能而不降低效率？
• RQ4 所提出的EBL方法如何在提升翻译模式覆盖范围的同时保持高空间和时间效率？
• RQ5 EBL在字幕翻译中为解析速度和准确率带来了哪些性能提升？

主要发现

• 基于EBL的解析方法通过泛化规则减少冗余搜索，显著提升了解析效率。
• 该系统在保持强大空间和时间效率的同时，实现了对翻译模式的高覆盖范围。
• 性能结果表明，EBL方法在实时翻译场景中尤为有效，特别是在字幕处理方面。
• 通过有针对性的泛化技术，该方法成功平衡了覆盖范围与效率之间的权衡。
• 该方法实现了更快、更具可扩展性的解析，且未损害翻译准确性。
• 结果支持EBL在需要实时性能的实际机器翻译系统中的可行性。