[论文解读] QuickEdit: Editing Text & Translations by Crossing Words Out
QuickEdit 提出了一种神经序列到序列模型，通过让用户划掉希望替换的词语来实现文本和翻译的编辑；该模型会生成避免标记词的重述句子。在翻译后编辑中，其 BLEU 分数最高提升 5 分，并在人类评估中于改写任务上优于强基线模型。
We propose a framework for computer-assisted text editing. It applies to translation post-editing and to paraphrasing. Our proposal relies on very simple interactions: a human editor modifies a sentence by marking tokens they would like the system to change. Our model then generates a new sentence which reformulates the initial sentence by avoiding marked words. The approach builds upon neural sequence-to-sequence modeling and introduces a neural network which takes as input a sentence along with change markers. Our model is trained on translation bitext by simulating post-edits. We demonstrate the advantage of our approach for translation post-editing through simulated post-edits. We also evaluate our model for paraphrasing through a user study.
研究动机与目标
- 开发一种简单、交互式的文本与翻译编辑方法，仅需最少的用户输入。
- 使用户能够通过标记需避免的词语来编辑句子，而无需完全重述或提供复杂反馈。
- 训练一个神经模型，利用翻译双语语料中的模拟后编辑，生成避免标记词的重述句子。
- 在翻译后编辑和单语改写设置中评估该方法。
- 证明最少的用户标记即可生成高质量、流畅且准确的重写结果。
提出的方法
- 该模型采用基于卷积序列到序列模型（Gehring et al., 2017）的编码器-解码器架构，配备多头注意力机制。
- 输入为源句和二值掩码，指示输出中应避免的标记。
- 通过将参考翻译中不存在的标记词标记为需更改，模型在模拟后编辑上进行训练。
- 通过打乱源句、参考句和生成句来构建训练数据，以防止数据泄露。
- 模型通过避免标记词并保留语义，学习生成多样、流畅且准确的重述句。
- 提出一种新颖的训练流程，使模型能够基于用户标记的词执行删除、插入和重排操作。
实验结果
研究问题
- RQ1仅通过最少的用户交互——标记需避免的词语——是否能实现有效的文本与翻译编辑？
- RQ2神经模型在保留语义的前提下，能否有效生成避免标记词的重述句子？
- RQ3该方法在翻译后编辑和改写任务中是否优于现有方法？
- RQ4在用户输入有限的情况下，模型在生成编辑时在流畅性和准确性方面表现如何？
- RQ5同一模型是否能在单语改写和翻译后编辑任务中实现良好泛化？
主要发现
- 与后编辑基线相比，QuickEdit 在 WMT’14 英德和德英翻译任务中的 BLEU 分数最高提升了 5 分。
- 在 WMT’14-en-fr 翻译数据集上，QuickEdit 的 BLEU 得分为 53.4，显著优于基线（47.8）和强大的神经机器翻译系统（40.2）。
- 在 MTC 数据集的人工评估中，QuickEdit 对 72% 的句子生成了准确的改写，而 ParaNet 为 56%。
- 在流畅性方面，53% 的 QuickEdit 改写句被评为与原句同样或更具流畅性，而 ParaNet 为 37%。
- 与 ParaNet 相比，QuickEdit 更好地保留了输入内容，避免了缩短或扭曲语义的倾向。
- 用户研究证实，QuickEdit 生成的改写句在准确性和流畅性方面更优，尤其在编辑强度较高的粗体改写场景中表现更佳。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。