词对齐是什么

在machine translation中的词对齐问题。算是机器翻译的子衍生问题吧。一篇文文献里的自述:Word Alignment is the task of finding the correspondence between source and target words in a pair of sentences that are translations of each other.
word alignment例子
一般这种对应关系会被表示成这样子的相关矩阵,谁分数高就表示谁与谁对齐,我就把他叫做词相关矩阵了(不知道其他人是不是这么叫的):

衡量

一个人工标注的标签大致如下:
取自AER那个链接的知乎
两个人工标注的数据集分别为: “正确”集合(Sure links,黑色) 和 “可能”集合(Possible links,白色)以下分别用$S$和$P$表示。模型输出的对齐用$A$表示。
常用的分数$recall=\frac{|A\cap S|}{|S|}$ ,$precision=\frac{A\cap P}{A}$ , $AER=1-\frac{|A\cap S|+|A\cap P|}{|S|+|A|}$.

|| 是取个数,AER是Alignment Error Rate。R和P都是越大越好;AER是错误率,错误越少,AER越少,使用AER是越小越好。

https://arxiv.org/pdf/2103.17...
https://zhuanlan.zhihu.com/p/...


如何完成此目标

概率统计方法

需要双语翻译好的对齐的语料才能计算,比较昂贵,但是效果是目前最好的。代表是IBM model 1-5。工具有fast_align、GIZA++等。

端到端词对齐深度学习模型

不依附与其他目的的模型,直接训练词对齐的模型。训练一个模型,该模型只完成词对齐单个任务。代表作MUSE、MUVE等。
此部分详细讲解:词对齐任务:端到端模型

依附机器翻译模型的词对齐

在机翻模型里常用注意力机制,att也可以用来做词对齐。src句子的每个词与target句子的每个词有att值,翻译完成后两两统计词的att能够得到词的相关分数,顺便可以完成词对齐。
完成此目标,换句话说是如何求出第一部分那个词与词的矩阵。
此部分详细讲解:词对齐任务:依附机器翻译

大致实现方式如下:
经典seq2seq+att的模型和transformer based模型会在decoder阶段得到当前输出词与原sentence的词的attention,利用此可以组成相关矩阵。
对于老式的seq2seq+att来说,
在这里插入图片描述
transformer架构也类似。


数据集

  • Dictionary、Dictionary(visual):纯单词
  • Simple Words、Simple Words(visual):纯单词

    在这里插入图片描述

  • Human Query:短语
    在这里插入图片描述
  • HowToW:教你如何干东西的视频,video和text都有,video是video,text是字幕。
    在这里插入图片描述

    杂项

    word2word(ACL 2020)

    一个多语种点对点词典,也提出了一种叫CPE的统计概率的计算方式,并且提供了数据集。

    词对齐对多对多机翻任务的帮助

    首先需要一个词对词的词典,根据这个词典在多对多机翻的loss中加入词对齐loss,以此来帮助机翻任务。
    词对齐loss是在对比学习中很常用的NCE loss,以双语中对应词做正例,以任何不对应的词做负例。
    在这里插入图片描述
    然后在总loss中加入这个align loss就可以了$$L=L_{NMT}+L_{align}$$
    结果标明与baseline(+align)相比有提升(看看就行,毕竟每个paper都说自己是sota)。
    文章中表述获得词对齐的方法有两种一直接用字典,准确但是规模小;二用模型生成,不算准确但规模大。字典方法直接用了word2word数据集,模型生成方法使用fast_align(一个概率模型IBM model 2的实现)。

    小结

    文章baseline只有一个,而且比较的是词齐对于机翻的提升,对词对齐任务的参考作用不大。其实现词对齐的方法就是简单的采取数据集和概率统计模型。


Yonggie
95 声望4 粉丝