@进行中{chatterjee-etal-2018年调查结果,title=“{WMT}2018自动后期编辑共享任务的发现”,author=“Chatterjee、Rajen和Negri、Matteo和鲁比诺、拉斐尔和马可·图尔奇“,editor=“Bojar,Ond{\v{r}}ej和Chatterjee、Rajen和费德曼、克里斯蒂安和费舍尔、马克和格雷厄姆、伊维特和哈多、巴里和哈克、马蒂亚斯和是的,安东尼奥·吉梅诺和Koehn、Philipp和蒙兹、克里斯托夫和Negri、Matteo和N{\'e}v{\'e}ol,Aur{\e}谎言和内维斯、玛丽安娜和Post、Matt和Specia、Lucia和图尔奇、马尔科和卡琳·弗斯普尔”,booktitle=“第三届机器翻译会议论文集:共享任务文件”,月=10月,年份=“2018”,address=“比利时,布鲁塞尔”,publisher=“计算语言学协会”,url=“https://aclantology.org/W18-6452”,doi=“10.18653/v1/W18-6452”,页码=“710--725”,abstract=“我们展示了第四轮WMT共享任务关于机器翻译自动后期编辑的结果。该任务包括自动更正{`}黑盒{'}的输出机器翻译系统通过学习人工更正。保持前三轮的一般评估设置不变,今年我们重点关注一种语言对(英语-德语)和特定领域的数据(信息技术),机器翻译输出由两种不同的范式产生:基于短语(PBSMT)和神经(NMT)。五个团队分别为PBSMT子任务提交了11次运行,为NMT子任务提供了10次运行。在前一个子任务中,以低质量的原始翻译为特征,顶级结果取得了令人印象深刻的改进,与基线{`}\textit{do-nothing}{''系统相比,TER和BLEU分别达到-6.24和+9.53分。NMT子任务被证明更具挑战性,因为原始翻译的质量更高,可用的训练数据更少。在这种情况下,顶部结果显示,改善较小,达到-0.38 TER和+0.8 BLEU点。”,}
<?xml version=“1.0”encoding=“UTF-8”?><modsCollection xmlns=“http://www.loc.gov/mods/v3"><mods ID=“chatterjee-etal 2018调查结果”><标题信息>WMT 2018自动后期编辑共享任务的发现</titleInfo><name type=“personal”>拉詹查特吉<角色>作者</角色></name><name type=“personal”>马蒂奥Negri(奈格里)<角色>作者</角色></name><name type=“personal”>拉斐尔鲁比诺<角色>作者</角色></name><name type=“personal”><namePart type=“given”>马可图尔奇<namePart type=“family”><角色>作者</角色></name><originInfo>2018-10发布日期</originInfo><typeOfResource>文本<relatedItem type=“主机”><标题信息>第三届机器翻译会议论文集:共享任务文件</titleInfo><name type=“personal”>Ondřej博加尔<角色>编辑器</角色></name><name type=“personal”>拉詹查特吉<角色>编辑器</角色></name><name type=“personal”>克里斯蒂安<namePart type=“family”>费德曼</namePart><角色>编辑器</角色></name><name type=“personal”>标记费舍尔<角色>编辑器</角色></name><name type=“personal”><namePart type=“给定”>Yvette</namePart>格雷厄姆<角色>编辑器</角色></name><name type=“personal”>巴里哈多<角色>编辑器</角色></name><name type=“personal”>马提亚斯哈克<角色>编辑器</角色></name><name type=“personal”>安东尼奥Jimeno是的<角色>编辑器</角色></name><name type=“personal”>飞利浦科恩<角色>编辑器</角色></name><name type=“personal”>克里斯托夫蒙兹<角色>编辑器</角色></name><name type=“personal”>马蒂奥Negri(奈格里)<角色>编辑器</角色></name><name type=“personal”>奥雷利内维尔<角色>编辑器</角色></name><name type=“personal”>玛丽安娜内维斯<角色>编辑器</角色></name><name type=“personal”><namePart type=“given”>马特帖子<角色>编辑器</角色></name><name type=“personal”>露西娅Specia系列<角色>编辑器</角色></name><name type=“personal”><namePart type=“given”>马可图尔奇<namePart type=“family”><角色>编辑器</角色></name><name type=“personal”>卡琳Verspoor公司<角色>编辑器</角色></name><originInfo>计算语言学协会<位置>比利时、布鲁塞尔</地点></originInfo>会议出版物</relatedItem><abstract>我们展示了第四轮WMT共享任务关于机器翻译自动后编辑的结果。该任务包括通过学习人工更正,自动更正“黑盒”机器翻译系统的输出。保持前三轮的一般评估设置不变,今年我们重点关注一种语言对(英语-德语)和特定领域的数据(信息技术),机器翻译输出由两种不同的范式产生:基于短语(PBSMT)和神经(NMT)。五个团队分别为PBSMT子任务提交了11次运行,为NMT子任务提供了10次运行。在前一个子任务中,以低质量的原始翻译为特征,顶级结果取得了令人印象深刻的改进,与基线“do-nothing”系统相比,TER高达-6.24分,BLEU高达+9.53分。NMT子任务被证明更具挑战性,因为原始翻译的质量更高,可用的训练数据更少。在这种情况下,顶部结果显示,改善较小,达到-0.38 TER和+0.8 BLEU点</摘要>2018年chatterjee-etal调查结果10.18653/v1/W18-6452<位置><网址>https://acl选集.org/W18-6452</url></位置><部分>2018-10年<扩展单元=“page”><开始>710<end>725</范围></部分></mods></modsCollection>
%0会议记录%WMT 2018自动后期编辑共享任务的T发现%拉詹·查特吉%A Negri,马特奥%拉斐尔·鲁比诺%马可·A Turchi%Y Bojar,Ondřej%拉金·查特吉%Y Federmann,克里斯蒂安%Y Fishel,马克%伊维特·Y·格雷厄姆%巴里·Y·哈多%Y哈克,马提亚斯%Y Yepes,安东尼奥·吉梅诺%Y Koehn,菲利普%克里斯托夫·蒙兹%Y Negri,马蒂奥%奥雷利·Y·内维尔%玛丽亚娜·尼维斯%Y Post,马特%露西娅·Y·斯佩西亚%马尔科·图尔奇%Y Verspoor,卡琳%第三届机器翻译会议论文集:共享任务文件%2018年D月%10月8日%计算语言学协会%C比利时,布鲁塞尔%F chatterjee-tal-2018调查结果%X我们展示了第四轮WMT共享任务关于机器翻译自动后期编辑的结果。该任务包括通过学习人工更正,自动更正“黑盒”机器翻译系统的输出。保持前三轮的一般评估设置不变,今年我们重点关注一种语言对(英语-德语)和特定领域的数据(信息技术),机器翻译输出由两种不同的范式产生:基于短语(PBSMT)和神经(NMT)。五个团队分别为PBSMT子任务提交了11次运行,为NMT子任务提供了10次运行。在前一个子任务中,以低质量的原始翻译为特征,顶级结果取得了令人印象深刻的改进,与基线“do-nothing”系统相比,TER高达-6.24分,BLEU高达+9.53分。NMT子任务被证明更具挑战性,因为原始翻译的质量更高,并且可用的训练数据更少。在这种情况下,顶部结果显示,改善较小,达到-0.38 TER和+0.8 BLEU点。%10.18653/v1/W18-6452兰特%U型https://aclantology.org/W18-6452%U型https://doi.org/10.18653/v1/W18-6452%电话710-725
降价(非正式)
【WMT 2018自动后期编辑共享任务的发现】(https://aclantology.org/W18-6452)(Chatterjee等人,WMT 2018)
国际计算语言学协会
- Rajen Chatterjee、Matteo Negri、Raphael Rubino和Marco Turchi。2018WMT 2018自动后期编辑共享任务的发现.英寸第三届机器翻译会议记录:共享任务文件,第710-725页,比利时,布鲁塞尔。计算语言学协会。