AbstractMachine translation benefit

Abstract
Machine translation benefits from two types of decoding techniques: consensus decoding over multiple hypotheses under a single model and system combination over hypotheses from different models. We present model combination, a method that integrates consensus decoding and system combination into a unified, forest-based technique. Our approach makes few assumptions about the underlying
component models, enabling us to combine systems with heterogenous structure. Unlike most system combination techniques, we reuse the search space of component models, which entirely avoids the need to align translation hypotheses. Despite its relative simplicity, model combination improves translation quality over a pipelined approach of first applying consensus decoding to individual systems, and then applying system combination to their output. We demonstrate BLEU improvements across data sets and language pairs in large-scale experiments

Kết quả (Việt) 1:

Tóm tắtMáy dịch thuật lợi ích từ hai loại của giải mã kỹ thuật: sự đồng thuận giải mã trên nhiều giả thuyết dưới một sự kết hợp mô hình và hệ thống duy nhất trên các giả thuyết từ mô hình khác nhau. Chúng tôi trình bày kết hợp mô hình, một phương pháp tích hợp đồng thuận giải mã và hệ thống kết hợp vào một thống nhất, rừng dựa trên kỹ thuật. Cách tiếp cận chúng tôi làm cho các giả định vài về cơ bản cácMô hình thành phần, cho phép chúng tôi kết hợp hệ thống với heterogenous cấu trúc. Không giống như hầu hết các kỹ thuật kết hợp hệ thống, chúng tôi tái sử dụng không gian tìm kiếm các mô hình thành phần, hoàn toàn tránh sự cần thiết để sắp xếp dịch giả thuyết. Mặc dù của nó tương đối đơn giản, kết hợp mô hình cải thiện chất lượng bản dịch trong một cách tiếp cận pipelined của sự đồng thuận áp dụng đầu tiên giải mã để hệ thống cá nhân, và sau đó áp dụng hệ thống kết hợp với sản lượng của họ. Chúng tôi chứng minh BLEU cải tiến trên bộ dữ liệu và cặp ngôn ngữ trong các thí nghiệm quy mô lớn

Kết quả (Việt) 2:

Tóm tắt
lợi ích Máy dịch thuật từ hai loại kỹ thuật giải mã: giải mã sự nhất trí trên nhiều giả thuyết theo một mô hình và hệ thống kết hợp duy nhất trên giả thuyết từ các mô hình khác nhau. Chúng tôi trình bày mô hình kết hợp, một phương pháp tích hợp giải mã sự đồng thuận và kết hợp hệ thống thành một kỹ thuật dựa vào rừng thống nhất. Cách tiếp cận của chúng tôi làm vài giả thuyết về các nền tảng
mô hình thành phần, cho phép chúng ta kết hợp các hệ thống có cấu trúc không đồng nhất. Không giống như hầu hết các kỹ thuật kết hợp hệ thống, chúng tôi sử dụng lại không gian tìm kiếm các mô hình thành phần, mà hoàn toàn tránh được sự cần thiết phải sắp xếp giả thuyết dịch. Mặc dù đơn giản tương đối của nó, mô hình kết hợp cải thiện chất lượng dịch thuật qua một phương pháp tiếp cận của pipelined đầu tiên áp dụng giải mã sự đồng thuận với các hệ thống cá nhân, và sau đó áp dụng kết hợp hệ thống để đầu ra của họ. Chúng tôi chứng minh cải tiến BLEU trên toàn bộ dữ liệu và cặp ngôn ngữ trong các thí nghiệm quy mô lớn