面向低资源语言机器翻译的跨语言语境化向量表示与迁移研究

Cross-lingual embedding representation and low-resource language machine translation are popular directions of Natural Language Processing. In the case of severe shortage of parallel resources, it is still very challenging to obtain better cross-lingual embedding representation and better machine translation performance. Towards low-resource languages, this research is aiming at obtaining high-quality cross-lingual embedding representation and improving the quality of machine translation of low-resource languages with cross-lingual embedding. The specific research contents include: (1) Employing neural networks integrated with linguistic features based on deep language analysis to obtain word alignments for low-resource language pairs; (2) Obtaining high-quality cross-lingual embeddings using supervised and unsupervised methods, and evaluating them with intrinsic and extrinsic evaluations to conduct comprehensive and reasonable evaluations, while developing relevant test resources. Thus, a complete training-evaluation system is formed; (3) Improving the quality of machine translation with several approaches such as transfer learning, by applying the cross-lingual embeddings to low-resource language machine translation models. This research is expected to achieve key progress in the field of low-resource cross-lingual embedding and low-resource machine translation, and release relevant data resources and test benchmarks. At the same time, it can be combined with relevant vertical fields to realize technology launching and promote the development of Natural Language Processing as a whole.

跨语言向量表示和低资源语言机器翻译是自然语言处理的热点方向。在平行资源严重缺乏的情况下，如何获得更好的跨语言向量表示和机器翻译性能仍然具有很大的挑战性。本研究面向低资源语言，旨在获得高质量的跨语言向量表示并利用跨语言向量改善低资源语言的机器翻译质量。具体研究内容包括：（1）基于深层次的语言分析，利用融合语言特征的神经网络模型获取低资源语言对的词对齐资源；（2）利用有监督和无监督方法获得高质量的跨语言向量表示，并采用内部评测和外部评测对其进行全面合理的评价，同时开发相关测试资源，从而形成完整的训练-评测体系；（3）将跨语言向量表示应用到低资源语言机器翻译中，利用迁移学习等方法进一步改善机器翻译质量。.本研究有望在低资源跨语言向量表示和低资源机器翻译领域取得关键性进展，并发布相关数据资源和测试基准，同时能与相关垂直领域结合，实现技术落地，整体上推动自然语言处理的发展。

神经网络机器翻译早已成为主流翻译方法，翻译技术和翻译质量有了很大提升，但面向低资源语言场景的神经网络机器翻译的效果仍然不理想，是目前的热点研究方向之一。本项目面向低资源语言机器翻译，开展了几个方面的研究：（1）利用融合语言特征的神经网络模型对低资源语言之间进行对齐；（2）获得多样化的跨语言向量表示资源；（3）研究低资源语言机器翻译的方法与模型，进一步提升翻译质量。代表性研究成果包括大规模多语言语料对齐资源及向量表示资源、低资源机器翻译方法全面总结、汉语-藏语之间的机器翻译模型算法等，研究成果可以为相关研究提供重要的资源支持，对于机器翻译等领域的研究者具有参考价值，有助于促进机器翻译、语言资源建设等方面的发展。