比赛背景
目前,神经机器翻译(NMT)技术在翻译质量和速度方面已经取得了显著进展。然而,在特定领域或行业中,NMT仍面临一些挑战,尤其是在术语一致性方面。对于术语名词、人名地名等特定词汇,机器翻译经常会出现不准确的结果,这会导致翻译的混淆或歧义。通过引入术语词典,可以纠正这些错误,从而提高翻译质量。
赛事任务
本次比赛的任务是基于术语词典干预的英文到中文的机器翻译。大赛提供了以下数据:
- 训练集:中英双语数据,共计14万余对句子。
- 开发集:英中双语数据,共计1000对句子。
- 测试集:英中双语数据,共计1000对句子。
- 术语词典:包含英中对照的2226条术语。
参赛队伍需要使用提供的训练数据,构建并训练多语言机器翻译模型,并基于测试集和术语词典,提供最终的翻译结果。
数据说明
所有文件均为UTF-8编码,训练集、开发集、测试集和术语词典的格式如下:
-
训练集:每行为一个句对样本,格式如图1所示。
示例:
图1 训练集格式
术语词典格式如图2所示。
图2 术语词典格式
评估指标
对于参赛队伍提交的测试集翻译结果文件,采用自动评价指标BLUE-4进行评价,具体工具使用sacrebleu开源版本。
Baseline
- 加载和预处理训练数据和术语词典。
- 定义序列到序列的神经网络模型,包括编码器和解码器。
- 使用训练数据训练模型,并保存训练好的模型参数。
- 在测试集上进行推理,并利用术语词典干预翻译结果,确保术语的一致性。
# 安装torchtext
!pip install torchtext
import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import Dataset, DataLoader
from torchtext.data.utils import get_tokenizer
from collections import Counter
import random
from torch.utils.data import Subset, DataLoader
import time
# 定义数据集类,处理术语词典
class TranslationDataset(Dataset):
def __init__(self, filename, terminology):
self.data = []
with open(filename, 'r', encoding='utf-8') as f:
for line in f:
en, zh = line.strip().split('\t')
self.data.append((en, zh))
self.terminology = terminology
# 创建词汇表,确保术语词典中的词也被包含在词汇表中
self.en_tokenizer = get_tokenizer('basic_english')
self.zh_tokenizer = list # 使用字符级分词
en_vocab = Counter(self.terminology.keys())