基于上下文信息筛选的篇章级神经机器翻译

摘要

在篇章神经机器翻译领域，现有模型往往未对融入的上下文信息进行有效筛选，导致噪声增加和模型性能下降.为此，论文提出了一种基于篇章上下文信息筛选(Context-Filtered Document Translation, CFDT)的机器翻译方法.该方法通过引入句内约束注意力(Intra-Sentence Constraint Attention, ISCA)和筛选注意力(Filter Attention, FA)机制，实现了对篇章上下文信息的精细化管理和有效利用.ISCA模块专注于句子内部信息，提升了模型长序列表征能力；FA模块则通过计算注意力分数和应用掩码操作，筛选出与当前词汇翻译最相关的上下文信息，从而排除了冗余和不相关信息.实验结果表明，该方法在中英和英德翻译任务中，相较于现有模型，在BLEU值上取得了显著提升，证明了上下文信息筛选在篇章级神经机器翻译中的积极作用.

关键词

篇章翻译 / 上下文筛选 / 神经机器翻译 / 注意力机制