[论文解读] Facilitating Access to Multilingual COVID-19 Information via Neural Machine Translation

Andy Way, Rejwanul Haque+4 more|arXiv (Cornell University)|May 1, 2020

Natural Language Processing Techniques参考文献 21被引用 4

一句话总结

本文提出了一套八种神经机器翻译（NMT）系统，用于在英语与德语、法语、意大利语和西班牙语这四种主要欧洲语言之间进行翻译，旨在改善对多语言COVID-19健康信息的获取。这些系统基于免费获取的数据，采用最先进的NMT技术进行训练，性能与谷歌翻译和必应翻译等商业引擎相当或更优，并已公开部署于线上，以支持医疗专业人员和普通公众及时、隐私保护地获取关键疫情相关内容。

ABSTRACT

Every day, more people are becoming infected and dying from exposure to COVID-19. Some countries in Europe like Spain, France, the UK and Italy have suffered particularly badly from the virus. Others such as Germany appear to have coped extremely well. Both health professionals and the general public are keen to receive up-to-date information on the effects of the virus, as well as treatments that have proven to be effective. In cases where language is a barrier to access of pertinent information, machine translation (MT) may help people assimilate information published in different languages. Our MT systems trained on COVID-19 data are freely available for anyone to use to help translate information published in German, French, Italian, Spanish into English, as well as the reverse direction.

研究动机与目标

• 解决疫情期间获取及时、准确的多语言COVID-19健康信息时存在的语言障碍。
• 为受疫情严重影响的关键欧洲语言开发高质量、公开可访问的神经机器翻译（NMT）系统。
• 在保护用户隐私的前提下，确保翻译质量与或优于商业系统。
• 为医疗专业人员和普通公众提供快速、可扩展的多语言公共卫生内容访问。

提出的方法

• 仅使用来自新闻媒体和卫生机构等多样化来源的免费多语言COVID-19文本数据，端到端训练NMT模型。
• 采用模块化预处理流程，包括分词、句子切分、字符规范化、拼写检查，以及对URL和标签等特殊元素的处理。
• 通过为八个语言对中的每一个配置专用GPU服务器，实现分布式架构，以确保低延迟、响应迅速的在线翻译服务。
• 使用Web服务器管理用户请求，将任务分发至相应的MT服务器，并返回经过适当后处理的翻译结果。
• 应用先进的NMT技术，如子词分段、首字母大写校正，以及复合词重组（尤其针对德语），以提升流畅度和准确性。
• 通过自动指标和针对真实疫情相关句子的人工评估，对系统性能进行验证，对比谷歌翻译和必应翻译。

实验结果

研究问题

• RQ1 能否快速开发出高质量、低成本的NMT系统，用于将多语言COVID-19内容翻译为或从英语、法语、德语、意大利语和西班牙语？
• RQ2 在流畅度和充分性方面，这些定制NMT系统的性能与谷歌翻译和必应翻译等领先商业MT平台相比如何？
• RQ3 在危机背景下，模块化多语言预处理流程在提升多样化语言对的翻译质量方面能发挥多大作用？
• RQ4 公开部署的、保护隐私的MT系统能否有效支持非专业用户跨越语言障碍获取关键健康信息？
• RQ5 在应用于敏感且快速演变的公共卫生内容时，定制NMT系统的关键优势和劣势是什么？

主要发现

• 定制NMT系统在相同测试集上的自动评估得分与谷歌翻译和必应翻译相当或更优。
• 人工评估显示，系统生成的翻译在准确性与自然度方面通常优于商业平台，尤其在处理医学术语和上下文方面表现更佳。
• 系统在翻译复杂公共卫生信息方面表现出色，包括症状识别、预防措施和治疗指南等内容。
• 模块化预处理流程通过正确处理标点符号、特殊字符、URL和复合词（尤其是德语）显著提升了翻译质量。
• 通过分布式、保护隐私的Web架构部署系统，实现了全球用户低延迟、实时访问，且无数据泄露风险。
• 系统成功翻译了具有高影响力、时效性强的内容，例如2020年3月20日《世界报》（Die Welt）的一则德语新闻标题，证实了其在真实危机场景中的实际效用。