18

Chapter18/chapter18.tex

@@ -18,7 +18,7 @@
 \chapterimage{fig-NEU-8.jpg} % Chapter heading image
 
 %----------------------------------------------------------------------------------------
-%	CHAPTER 17
+%	CHAPTER 18
 %----------------------------------------------------------------------------------------
 
 \chapter{机器翻译应用技术}
@@ -106,25 +106,53 @@
 
 \section{交互式机器翻译}
 
+\parinterval 机器翻译的结果会存在错误，因此很多时候需要人工的修改才能被使用。例如，在{\small\bfnew 译后编辑}\index{译后编辑}（Post-editing）\index{Post-editing}中，译员对机器翻译的译文进行修改，最终使译文达到要求。但是，译后编辑的成本仍然很高，因为它需要译员阅读机器翻译的结果，同时做出修改的动作。有时候，由于译文修改的内容较为复杂，译后编辑的时间甚至比人工直接翻译源语言句子的时间都长。因此在机器翻译应用中，需要更高效的方式调整机器翻译的结果，使其达到可用。比如，可以使用质量评估方法（{\chapterfour}），选择模型置信度较高的译文进行译后编辑，对置信度低的译文直接进行人工翻译。而另一种思路是，让人的行为直接影响机器翻译生成译文的过程，让人和机器翻译系统进行交互，在不断的修正中生成更好的译文。这个过程也被称作{\small\bfnew 交互式机器翻译}\index{交互式机器翻译}（Interactive Machine Translation,，IMT）\index{Interactive Machine Translation,，IMT}。
+
+\parinterval 交互式机器翻译的大致流程如下：机器翻译系统根据用户输入的源语言句子预测出可能的译文交给用户，然后用户在现有翻译的基础上进行接受、修改或者删除等操作，然后翻译系统根据用户的反馈信息再次生成比前一次更好的翻译并提交给用户。以此循环，直到得到最终的译文。
+
+\parinterval {\red 图1.3.1}给出了一个使用TranSmart系统进行交互式机器翻译的例子，在这里我们要将一个汉语句子“疼痛/也/可能/会在/夜间/使/你/醒来。”翻译成英语“The pain may also wake you up during the night .”。在开始交互之前，系统首先推荐一个可能的译文“The pain may also wake you up at night .”。在第一次交互中，用户将单词at替换成during，然后系统根据用户修改后的译文立即给出新的译文候选，提供给用户选择。循环往复，直到用户接受了系统当前推荐的译文。
+
+%----------------------------------------------
+\begin{figure}[htp]
+\centering
+%\input{./Chapter18/Figures/figure-comparison-of-incremental-model-optimization-methods}
+%\setlength{\abovecaptionskip}{-0.2cm}
+\caption{使用TranSmart系统进行交互式翻译的实例}
+\label{fig:18-1}
+\end{figure}
+%----------------------------------------------
+
+\parinterval 交互式机器翻译系统主要通过用户的反馈来提升译文的质量，不同类型的反馈信息则影响着系统最终的性能。根据反馈形式的不同，可以将交互式机器翻译分为以下几种：
+\begin{itemize}
+\item {\small\bfnew 基于前缀的交互式机器翻译}。早期的交互式机器翻译系统都是采用基于前缀的方式。基于翻译系统生成的初始译文，翻译人员从左到右检查翻译的正确性，并在第一个错误的位置进行更正。这为系统提供了一种双重信号：表明该位置上单词必须是译员修改过后的单词，并且该位置之前的单词都是正确的。之后系统根据已经检查过的前缀再生成后面的译文\upcite{DBLP:conf/acl/WuebkerGDHL16,Zens2003EfficientSF,DBLP:journals/coling/BarrachinaBCCCKLNTVV09,DBLP:journals/csl/PerisC19}。
+
+\item {\small\bfnew 基于片段的交互式机器翻译}。根据用户提供的反馈来生成更好的翻译结果是交互式翻译系统的关键。而基于前缀的系统则存在一个严重的缺陷，当翻译系统获得确定的翻译前缀之后，再重新生成译文时会将原本正确的翻译后缀遗漏了，因此会引入新的错误。在基于片段的交互式机器翻译系统中，翻译人员除了纠正第一个错误的单词，还可以指定在未来迭代中保留的单词序列。之后系统根据这些反馈信号再生成新的译文\upcite{Peris2017InteractiveNM,DBLP:journals/mt/DomingoPC17}。
+
+\item {\small\bfnew 基于评分的交互式机器翻译}。随着计算机算力的提升，有时会出现“机器等人”的现象，因此需要提升人参与交互的效率也是需要考虑的。与之前的系统不同，基于评分的交互式机器翻译系统不需要译员选择、纠正或删除某个片段，而是使用译员对译文的评分来强化机器翻译的学习\upcite{DBLP:journals/corr/abs-1805-01553,DBLP:conf/emnlp/NguyenDB17}。
+\end{itemize}
+
+\parinterval 除此之外，基于在线学习的框架越来越引发人们的关注。在学习过程中，用户希望翻译系统能从反馈中自动纠正以前的错误。当用户最终确认一个修改过后的译文后，翻译系统将源语与该修正后的译文作为训练语料继续训练\upcite{DBLP:conf/acl/DomingoGEBHPCH19}。实际上，交互式机器翻译是机器翻译大规模应用的重要路径之一，它为打通译员和机器翻译系统之间的障碍提供了手段。不过，交互式机器翻译也有许多挑战等待解决。一个是如何设计交互方式？理想的交互方式应该式更加贴近译员输入文字的习惯，比如，利用输入法完成交互；另一个是如何把交互式翻译嵌入到翻译的生产流程里？这本身不完全是一个技术问题，可能需要更多的产品手段来求解。
+
+
 %----------------------------------------------------------------------------------------
 %    NEW SECTION
 %----------------------------------------------------------------------------------------
 
 \section{翻译结果可干预性}
 
-\parinterval 交互式机器翻译体现了一种用户的行为“干预”机器翻译结果的思想。实际上，在机器翻译出现错误时，人们总是希望用一种直接有效的方式“改变”译文，到达改善翻译质量的目的。比如，如果机器翻译系统可以输出多个候选译文，用户可以在其中挑选最好的译文进行输出。也就是，人干预了译文候选的排序过程。另一个例子是使用{\small\bfnew{翻译记忆}}\index{翻译记忆}（Translation Memory\index{Translation Memory}）改善机器翻译系统的性能。翻译记忆记录了高质量的源语言-目标语言句对，有时也可以被看作是一种先验知识或“记忆”。因此，当进行机器翻译（包括统计机器翻译和神经机器翻译）时，使用翻译记忆指导翻译过程也可以被看作是一种干预手段（{\color{red} 参考文献！SMT和NMT都有，SMT中CL上有个长文，自动化所的，NMT的我记得腾讯应该有，找到后和我确认一下！}）。
+\parinterval 交互式机器翻译体现了一种用户的行为“干预”机器翻译结果的思想。实际上，在机器翻译出现错误时，人们总是希望用一种直接有效的方式“改变”译文，到达改善翻译质量的目的。比如，如果机器翻译系统可以输出多个候选译文，用户可以在其中挑选最好的译文进行输出。也就是，人干预了译文候选的排序过程。另一个例子是使用{\small\bfnew{翻译记忆}}\index{翻译记忆}（Translation Memory\index{Translation Memory}）改善机器翻译系统的性能。翻译记忆记录了高质量的源语言-目标语言句对，有时也可以被看作是一种先验知识或“记忆”。因此，当进行机器翻译（包括统计机器翻译和神经机器翻译）时，使用翻译记忆指导翻译过程也可以被看作是一种干预手段\upcite{DBLP:conf/acl/WangZS13,DBLP:conf/aaai/XiaHLS19}。
 
 
 \parinterval 虽然干预机器翻译系统的方式很多，最常用的还是对源语言特定片段翻译的干预，以期望最终句子的译文中满足某些对片段翻译的约束。这个问题也被称作{\small\bfnew{基于约束的翻译}}\index{基于约束的翻译} （Constraint-based Translation\index{Constraint-based Translation}）。比如，在翻译网页时，需要保持译文中的网页标签与源文一致。另一个典型例子是术语翻译。在实际应用中，经常会遇到公司名称、品牌名称、产品名称等专有名词和行业术语，以及不同含义的缩写，比如，对于“小牛翻译”这个专有术语，不同的机器翻译系统给出的结果不一样:“Maverick translation”、“Calf translation”、“The mavericks translation”…… 而它正确的翻译应该为“NiuTrans”。 对于这些类似的特殊词汇，大多数机器翻译引擎很难翻译得准确。一方面，因为模型大多是在通用数据集上训练出来的，并不能保证数据集能涵盖所有的语言现象。另一方面，即使是这些术语在训练数据中出现，它们通常也是低频的，模型比较难学到。为了保证翻译的准确性，对术语翻译进行干预是十分有必要的，这对领域适应等问题的求解也是非常有意义的。
 
-\parinterval 就{\small\bfnew 术语翻译}\index{术语翻译}（Lexically Constrained Translation）\index{Lexically Constrained Translation}而言，在不干预的情况下让模型直接翻译出正确术语是很难的，因为目标术语翻译词很可能是未登录词，因此必须人为提供额外的术语词典，那么我们的目标就是让模型的翻译输出遵守用户提供的术语约束。这个过程如图\ref{fig:18-2}所示。
+\parinterval 就{\small\bfnew 术语翻译}\index{术语翻译}（Lexically Constrained Translation）\index{Lexically Constrained Translation}而言，在不干预的情况下让模型直接翻译出正确术语是很难的，因为目标术语翻译词很可能是未登录词，因此必须人为提供额外的术语词典，那么我们的目标就是让模型的翻译输出遵守用户提供的术语约束。这个过程如图\ref{fig:18-3}所示。
 %----------------------------------------------
 \begin{figure}[htp]
 \centering
 \input{./Chapter18/Figures/figure-translation-interfered}
 %\setlength{\abovecaptionskip}{-0.2cm}
 \caption{翻译结果可干预性（{\color{red} 这个图需要修改！有些乱，等回沈阳找我讨论！}）}
-\label{fig:18-2}
+\label{fig:18-3}
 \end{figure}
 %----------------------------------------------
 

bibliography.bib

@@ -12499,6 +12499,140 @@ author    = {Zhuang Liu and
 
 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
 %%%%% chapter 18------------------------------------------------------
+@inproceedings{DBLP:conf/aaai/XiaHLS19,
+  author    = {Mengzhou Xia and
+               Guoping Huang and
+               Lemao Liu and
+               Shuming Shi},
+  title     = {Graph Based Translation Memory for Neural Machine Translation},
+  pages     = {7297--7304},
+  publisher = {the Association for the Advance of Artificial Intelligence},
+  year      = {2019}
+}
+
+@inproceedings{DBLP:conf/acl/WangZS13,
+  author    = {Kun Wang and
+               Chengqing Zong and
+               Keh-Yih Su},
+  title     = {Integrating Translation Memory into Phrase-Based Machine Translation
+               during Decoding},
+  pages     = {11--21},
+  publisher = {Annual Meeting of the Association for Computational Linguistics},
+  year      = {2013}
+}
+
+@inproceedings{DBLP:conf/acl/DomingoGEBHPCH19,
+  author    = {Miguel Domingo and
+               Mercedes Garc{\'{\i}}a-Mart{\'{\i}}nez and
+               Amando Estela and
+               Laurent Bi{\'{e}} and
+               Alexandre Helle and
+               {\'{A}}lvaro Peris and
+               Francisco Casacuberta and
+               Manuel Herranz},
+  title     = {Demonstration of a Neural Machine Translation System with Online Learning
+               for Translators},
+  pages     = {70--74},
+  publisher = {Annual Meeting of the Association for Computational Linguistics},
+  year      = {2019}
+}
+
+@inproceedings{DBLP:conf/emnlp/NguyenDB17,
+  author    = {Khanh Nguyen and
+               Hal Daum{\'{e}} III and
+               Jordan L. Boyd-Graber},
+  editor    = {Martha Palmer and
+               Rebecca Hwa and
+               Sebastian Riedel},
+  title     = {Reinforcement Learning for Bandit Neural Machine Translation with
+               Simulated Human Feedback},
+  pages     = {1464--1474},
+  publisher = {Empirical Methods in Natural Language Processing},
+  year      = {2017}
+}
+
+@article{DBLP:journals/corr/abs-1805-01553,
+  author    = {Tsz Kin Lam and
+               Julia Kreutzer and
+               Stefan Riezler},
+  title     = {A Reinforcement Learning Approach to Interactive-Predictive Neural
+               Machine Translation},
+  journal   = {CoRR},
+  volume    = {abs/1805.01553},
+  year      = {2018}
+}
+
+@article{DBLP:journals/mt/DomingoPC17,
+  author    = {Miguel Domingo and
+               {\'{A}}lvaro Peris and
+               Francisco Casacuberta},
+  title     = {Segment-based interactive-predictive machine translation},
+  journal   = {Machine Translation},
+  volume    = {31},
+  number    = {4},
+  pages     = {163--185},
+  year      = {2017}
+}
+
+@article{Peris2017InteractiveNM,
+  title={Interactive neural machine translation},
+  author={{\'A}lvaro Peris and Miguel Domingo and F. Casacuberta},
+  journal={Computer Speech and Language},
+  year={2017},
+  volume={45},
+  pages={201-220}
+}
+
+@article{DBLP:journals/csl/PerisC19,
+  author    = {{\'{A}}lvaro Peris and
+               Francisco Casacuberta},
+  title     = {Online learning for effort reduction in interactive neural machine
+               translation},
+  journal   = {Computer Speech Language},
+  volume    = {58},
+  pages     = {98--126},
+  year      = {2019}
+}
+
+@article{DBLP:journals/coling/BarrachinaBCCCKLNTVV09,
+  author    = {Sergio Barrachina and
+               Oliver Bender and
+               Francisco Casacuberta and
+               Jorge Civera and
+               Elsa Cubel and
+               Shahram Khadivi and
+               Antonio L. Lagarda and
+               Hermann Ney and
+               Jes{\'{u}}s Tom{\'{a}}s and
+               Enrique Vidal and
+               Juan Miguel Vilar},
+  title     = {Statistical Approaches to Computer-Assisted Translation},
+  journal   = {Computer Linguistics},
+  volume    = {35},
+  number    = {1},
+  pages     = {3--28},
+  year      = {2009}
+}
+
+@inproceedings{Zens2003EfficientSF,
+  title={Efficient Search for Interactive Statistical Machine Translation},
+  author={Franz Josef Och and Richard Zens and Hermann Ney},
+  booktitle={the European Chapter of the Association for Computational Linguistics},
+  year={2003},
+  pages = {387--393}
+}
+
+@inproceedings{DBLP:conf/acl/WuebkerGDHL16,
+  author    = {Joern Wuebker and
+               Spence Green and
+               John DeNero and
+               Sasa Hasan and
+               Minh-Thang Luong},
+  title     = {Models and Inference for Prefix-Constrained Machine Translation},
+  publisher = {Annual Meeting of the Association for Computational Linguistics},
+  year      = {2016}
+}
+
 @article{DBLP:journals/corr/abs-2010-05680,
   author    = {Jiarui Fang and
                Yang Yu and