基于正向用户指导的交互式机器翻译技术研究

Nowadays, the translation quality of machine translation systems still cannot meet practical requirements, and interactive machine translation becomes an important research topic. Interactive machine translation is a translation mode in which machine translation technology and human translator (user) behaviors are integrated. Human behaviors are the feedback to machine translation and can work as directions to guide the system to achieve more accurate translation. Therefore, they greatly effect the efficiency of human-computer interaction. However, the adoption of user directions in current interactive machine translation methods is far from thorough and complete. This project focuses on the human directions with the style of specifying correct translation fragments and builds statistical interactive machine translation model. The effect of user directions on machine translation are deeply investigated from three aspects. Firstly, interactive pruning and predicting technology are adopted to realize efficient searching of candidate paths under phrase-based machine translation framework. Secondly, syntactic structure constraints and contextual semantic constraints are added to traditional character-level constraint matching process to further enhance the accuracy of translation. Thirdly, the machine translation model is optimized in real time through online learning from constraints and user confidence model. The research of this topic will offer new theoretical basis and research insights to interactive machine translation and help to improve the translation productivity.

目前，机器翻译系统的译文质量仍然无法满足实际要求，交互式机器翻译成为一个重要的研究方向。交互式机器翻译是一种机器翻译技术与翻译人员（用户）行为相结合的翻译方式，其中用户行为是对机器译文的反馈，可以指导机器翻译系统产生更准确的译文，对于提高人机交互的效率有着重要影响。然而，现有交互式机器翻译方法对于用户指导的利用还不够充分、深入。本课题针对指定正确译文片段（正向）形式的用户指导，建立交互式机器翻译模型，从三方面深入挖掘用户指导的启发作用：首先，面向基于短语的机器翻译框架，利用交互式剪枝和预测技术实现多约束条件下的候选路径搜索；其次，在传统的字符层约束匹配过程中加入句法结构和上下文语义限制，进一步提高译文的准确性；最后，从用户指导信息中在线学习，结合用户置信度模型来实时优化机器翻译模型。本课题的研究将为交互式机器翻译技术提供新的理论基础和研究思路，促进翻译生产率的提升。

近年来，随着机器翻译技术的快速发展，机器翻译系统的译文质量得到了显著提升。然而，机器译文仍然不是完全无错误的，需要由人类译员修改后方可使用。交互式机器翻译技术促进了人机之间的协作，可以提高翻译生产率。本项目针对交互式机器翻译技术开展研究，旨在扩展人机交互的途径和方式，更充分、有效地利用人机交互过程中用户提供的反馈信息。项目的主要研究结果包括：（1）提出了基于正向多约束的交互式机器翻译方法，将人机交互的途径由最长正确前缀的确认扩展为多个正向片段的确认，并对解码算法进行了四项改进。实验结果表明，与传统方法相比，该方法在预测速度可比的前提下获得了更少的人机交互次数。（2）提出了基于双语片段的交互式机器翻译方法，允许译员从译项列表中为源语言片段选择正确译项，将确认过的双语片段与前缀一同作为约束参与指导解码，提高翻译假设评价和过滤的准确性。根据译员的翻译认知过程设计了交互界面，并提出了基于多样性的译项重排序算法。人工评测表明，该方法较传统方法能够显著降低认知负担，提升翻译效率。（3）提出了基于深层句法和语义约束的交互式机器翻译方法，将源语言句法结构信息作为隐变量引入交互式机器翻译框架，从子树完整性和子树顺序角度判断前缀与源语言之间能否形成正确的句法对齐关系，并在译文评价函数中引入前缀和后缀之间的语义关联度特征，选择与前缀具有较高搭配合理性及语义相关性的片段来扩展翻译假设。实验结果表明，加入句法和语义约束，能够显著降低人机交互次数。（4）提出了从用户反馈中学习翻译知识并加以利用的方法，通过建立用户置信度评价模型，区分不同用户反馈的翻译知识，优化翻译模型中短语表的各项参数，并提出了置信度颜色标注、译文推送等策略，实现人机交互过程中的信息关联和知识增益。实验表明，这些方法可以在保证较高翻译质量的同时，有效地提高翻译生产率。（5）开展了句对齐等机器翻译基础技术和神经机器翻译技术的研究。