@在建项目{farajian-etal-2016-fbks,title=“{FBK}{'}'s Neural Machine Translation Systems for{IWSLT}2016”,author=“Farajian、M.Amin和Chatterjee、Rajen和Conforti、Costanza和贾拉凡德、沙哈布和巴拉曼、维瓦克和Di Gangi,Mattia A.和阿塔曼、杜伊古和图尔奇、马尔科和Negri、Matteo和Federico,Marcello“,editor={Cettolo、Mauro和Niehues、Jan和圣克、塞巴斯蒂安和Bentivogli、Luisa和卡特尼、罗兰多和费德里科(Federico)、马塞洛(Marcello)、,booktitle=“第十三届国际口语翻译会议论文集”,月=12月#“8-9”,year=“2016”,address=“华盛顿特区西雅图”,publisher=“国际口语翻译研讨会”,url=“https://aclantology.org/2016.iwslt-1.15”,abstract=“在本文中,我们描述了在2016年国际口语翻译研讨会(IWSLT)上提交的FBK的神经机器翻译(NMT)系统。这些系统基于最先进的NMT架构,该架构配备了双向编码器和解码器中的注意机制。它们利用语言信息,例如词元和源词的部分话语标记,以附加因素的形式与单词一起使用。我们比较了字和子字NMT系统以及不同优化器的性能。此外,我们探索了不同的集成技术,以利用同一网络内和不同网络之间的多个模型。还探索了几种重新分类的方法。我们提交的资料涵盖了MSLT任务的所有方向,以及TED的en-{de,fr}和{de,fr}-en方向。与之前在TED 2014测试集上发布的最佳结果相比,我们的模型在en-de上取得了可比较的结果,在en-fr(+2 BLEU)和fr-en(+7.7 BLEU)语言对上超过了它们。”,}
<?xml version=“1.0”encoding=“UTF-8”?><modsCollection xmlns=“http://www.loc.gov/mods/v3"><mods ID=“farajian-etal-2016-fbks”><标题信息>FBK 2016年IWSLT神经机器翻译系统</titleInfo><name type=“个人”><namePart type=“given”>M</namePart>Amin(阿明)法拉基安<角色>作者</角色></name><name type=“个人”>拉詹查特吉<角色>作者</角色></name><name type=“个人”>科斯坦萨Conforti公司<角色>作者</角色></name><name type=“个人”>Shahab贾拉夫兰<角色>作者</角色></name><name type=“个人”>维瓦克巴拉拉曼<角色>作者</角色></name><name type=“个人”>马蒂亚<namePart type=“given”>A</namePart>迪甘吉<角色>作者</角色></name><name type=“个人”>Duygu阿塔曼<角色>作者</角色></name><name type=“个人”><namePart type=“given”>马可<namePart type=“family”>图尔奇</namePart><角色>作者</角色></name><name type=“个人”>马蒂奥Negri(奈格里)<角色>作者</角色></name><name type=“个人”>马塞洛费德里科<角色>作者</角色></name><originInfo>2016年12月8日至9日发布</originInfo><typeOfResource>文本<relatedItem type=“主机”><标题信息>第十三届国际口语翻译会议记录</titleInfo><name type=“个人”>毛罗塞托洛<角色>编辑器</角色></name><name type=“个人”>一月尼胡斯<角色>编辑器</角色></name><name type=“个人”>塞巴斯蒂安施蒂克<角色>编辑器</角色></name><name type=“个人”>路易莎Bentivogli<角色>编辑器</角色></name><name type=“个人”>罗兰多卡特尼<角色>编辑器</角色></name><name type=“个人”>马塞洛费德里科<角色>编辑器</角色></name><originInfo><publisher>国际口语翻译研讨会<位置><placeTerm type=“text”>华盛顿特区西雅图</placeTerm></place></originInfo>会议出版物</relatedItem>在本文中,我们描述了FBK在2016年国际口语翻译研讨会(IWSLT)上提交的神经机器翻译(NMT)系统。这些系统基于最先进的NMT架构,该架构配备了双向编码器和解码器中的注意机制。他们利用语言信息,如引理和源词的词性标签,以附加因素的形式与单词一起使用。我们比较了单词和子单词NMT系统以及不同优化器的性能。此外,我们探索了不同的集成技术,以利用同一网络内和不同网络之间的多个模型。还探索了几种重新分类的方法。我们提交的资料涵盖了MSLT任务的所有方向,以及TED的en-de、fr和de、fr-en方向。与之前在TED 2014测试集上发布的最佳结果相比,我们的模型在en-de上取得了可比较的结果,在en-fr(+2 BLEU)和fr-en(+7.7 BLEU)语言对上超过了它们</摘要>farajian-etal-2016-fbks<位置><网址>https://aclantology.org/2016.iwslt-1.15</url></位置><部分>2016年12月8日至9日</部分></mods></modsCollection>
%0会议记录%T FBK 2016年IWSLT神经机器翻译系统%A Farajian,M.Amin先生%拉詹·查特吉%Costanza的Conforti%沙哈卜,贾拉夫兰%维瓦克,巴拉曼%A Di Gangi,马蒂亚·A。%阿塔曼,杜伊古%马可·A Turchi%A Negri,马特奥%费德里科,马塞洛%Y Cettolo,毛罗%Y Niehues,简%塞巴斯蒂安·Y Stüker%Y Bentivogli,路易莎%Y Cattoni,罗兰多%Y Federico,马塞洛%第十三届国际口语翻译会议论文集%2016年4月%2009年12月8日%国际口语翻译研讨会%C西雅图,华盛顿特区%F farajian-etal-2016-fbks公司%X在本文中,我们描述了FBK在2016年国际口语翻译研讨会(IWSLT)上提交的神经机器翻译(NMT)系统。这些系统基于最先进的NMT架构,该架构配备了双向编码器和解码器中的注意机制。它们利用语言信息,例如词元和源词的部分话语标记,以附加因素的形式与单词一起使用。我们比较了单词和子单词NMT系统以及不同优化器的性能。此外,我们探索了不同的集成技术,以利用同一网络内和不同网络之间的多个模型。还探索了几种重新分类的方法。我们提交的资料涵盖了MSLT任务的所有方向,以及TED的en-de、fr和de、fr-en方向。与之前在TED 2014测试集上发布的最佳结果相比,我们的模型在en-de上取得了可比较的结果,在en-fr(+2 BLEU)和fr-en(+7.7 BLEU)语言对上超过了它们。%U型https://aclantology.org/2016.iwslt-1.15
降价(非正式)
【FBK为IWSLT 2016提供的神经机器翻译系统】(https://aclantology.org/2016.iwslt-1.15)(Farajian等人,IWSLT 2016)
国际计算语言学协会
- M.Amin Farajian、Rajen Chatterjee、Costanza Conforti、Shahab Jalalvand、Vevake Balaraman、Mattia A.Di Gangi、Duygu Ataman、Marco Turchi、Matteo Negri和Marcello Federico。2016FBK 2016年IWSLT神经机器翻译系统.英寸第十三届国际口语翻译会议记录华盛顿特区西雅图国际口语翻译研讨会。