交互式机器翻译模型介绍

交互式机器翻译（Iteractive Machie Traslatio）的输入为源文和译文前缀，输出为后续的译文，可以提高后续译文的翻译质量。当输入译文前缀的最后一个词不完整时，模型会输出当前词及后续译文。本模型基于CSANMT连续语义增强机器翻译模型。

温馨提示

• 使用pipelie推理及在线体验功能的时候，尽量输入单句文本，如果是多句长文本建议人工分句！！！

模型描述

该模型利用输入译文的前缀作为Decoder的输入，使用强制解码Beam Search算法，预测后续译文。当输入译文前缀的最后一个词不完整时，生成一个匹配词典中每个单词前缀的MASK向量，通过这个MASK向量影响影响第一个的预测结果。

期望模型使用方式以及适用范围

该模型适用于的交互式机器翻译场景，输入为源文及译文前缀，输出为的后续译文。

如何使用

在ModelScope框架上，提供输入源文和译文前缀，即可通过简单的Pipelie调用来使用。

使用效果展示

代码范例

# Chiese-to-Eglish

# 温馨提示: 使用pipelie推理及在线体验功能的时候，尽量输入单句文本，如果是多句长文本建议人工分句！！！

from modelscope.pipelies import pipelie
from modelscope.utils.costat import Tasks

iput_sequece = '声明补充说，沃伦的同事都深感震惊，并且希望他能够投案自首。'
iput_prefix = 'The statemet ad'

pipelie_is = pipelie(task=Tasks.traslatio, model='damo/lp_imt_traslatio_zh2e')
# 以 '<PREFIX_SPLIT>' 拼接源文和译文前缀
outputs = pipelie_is(iput_sequece + '<PREFIX_SPLIT>' + iput_prefix)

prit(outputs['traslatio']) # 'added that Warre's colleagues were deeply shocked ad expected him to tur himself i.'

模型局限性以及可能的偏差

1. 模型在通用数据集上训练，部分垂直领域有可能产生一些偏差，请用户自行评测后决定如何使用。
2. 当前版本在tesorflow 2.3和1.14环境测试通过，其他环境下可用性待测试。

训练数据及流程

参考CSANMT连续语义增强机器翻译模型训练数据及流程。

模型训练

# Chiese-to-Eglish

from modelscope.traiers.lp import CsamtTraslatioTraier

traier = CsamtTraslatioTraier(model="damo/lp_imt_traslatio_zh2e")
traier.trai()

数据评估及结果

参考CSANMT连续语义增强机器翻译数据评估结果。

论文引用

如果你觉得这个该模型对有所帮助，请考虑引用下面的相关的论文：

@iproceedigs{wei-etal-2022-learig,
  title = {Learig to Geeralize to More: Cotiuous Sematic Augmetatio for Neural Machie Traslatio},
  author = {Xiagpeg Wei ad Heg Yu ad Yue Hu ad Rogxiag Weg ad Weihua Luo ad Rog Ji},
  booktitle = {Proceedigs of the 60th Aual Meetig of the Associatio for Computatioal Liguistics, ACL 2022},
  year = {2022},
}

交互式机器翻译模型介绍 交互式机器翻译（Interactive Machine Translation）的输入为源文和译文前缀，输出为后续的译文，可以提高后续译文的翻译质量。当输入译文前缀的最后一个词