...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Machine translation >Addressing data sparsity for neural machine translation between morphologically rich languages
【24h】

Addressing data sparsity for neural machine translation between morphologically rich languages

机译：解决形态丰富语言之间神经机翻译的数据稀疏性

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Translating between morphologically rich languages is still challenging for current machine translation systems. In this paper, we experiment with various neural machine translation (NMT) architectures to address the data sparsity problem caused by data availability (quantity), domain shift and the languages involved (Arabic and French). We show that the Factored NMT (FNMT) model, which uses linguistically motivated factors, is able to outperform standard NMT systems using subword units by more than 1 BLEU point even when a large quantity of data is available. Our work shows the benefits of applying linguistic factors in NMT when faced with low- and high-resource conditions.
机译：在形态学上丰富的语言之间翻译仍然挑战当前机器翻译系统。在本文中，我们尝试各种神经电机翻译（NMT）架构来解决由数据可用性（数量），域移和涉及的语言引起的数据稀疏问题（阿拉伯语和法语）。我们表明，即使在有大量数据可用时，也能够使用序列单元的次字单元优越标准NMT系统的因素NMT（FNMT）模型。我们的作品显示了在面对低资源和高资源条件时在NMT中应用语言因素的好处。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号