尤叢叢，高盛祥，余正濤，毛存禮，潘潤(rùn)海

(1.昆明理工大學(xué)信息工程與自動(dòng)化學(xué)院，云南 昆明 650500;2.昆明理工大學(xué)云南省人工智能重點(diǎn)實(shí)驗(yàn)室，云南 昆明 650500)

1 引言

由于缺乏大型平行語(yǔ)料庫(kù)訓(xùn)練神經(jīng)機(jī)器翻譯系統(tǒng)，導(dǎo)致低資源語(yǔ)言的機(jī)器翻譯非常困難[1,2]。在計(jì)算機(jī)視覺(jué)領(lǐng)域，數(shù)據(jù)增強(qiáng)被廣泛應(yīng)用于增強(qiáng)模型的魯棒性[3,4]。盡管數(shù)據(jù)增強(qiáng)已成為圖像處理訓(xùn)練深層網(wǎng)絡(luò)的標(biāo)準(zhǔn)技術(shù)，但它在機(jī)器翻譯領(lǐng)域并不常見(jiàn)[5,6]。目前在機(jī)器翻譯領(lǐng)域，主要的數(shù)據(jù)增強(qiáng)方法有2類(lèi)，一類(lèi)是詞匯替換，一類(lèi)是回譯[7]。

詞匯替換方法主要利用一定規(guī)模的雙語(yǔ)平行語(yǔ)料，通過(guò)源語(yǔ)言和目標(biāo)語(yǔ)言中的詞進(jìn)行替換獲得擴(kuò)展平行語(yǔ)料，是當(dāng)前較為流行的增強(qiáng)方法。Fadaee等人[8]利用語(yǔ)言模型在目標(biāo)語(yǔ)言端的句子中找到可以被低頻詞替換的高頻詞的位置并進(jìn)行詞匯替換，然后利用雙語(yǔ)詞典完成源語(yǔ)言端對(duì)應(yīng)的詞匯替換。通過(guò)這種簡(jiǎn)單的詞匯替換，提高了訓(xùn)練語(yǔ)料中低頻詞的出現(xiàn)頻次，從而增強(qiáng)神經(jīng)機(jī)器翻譯模型對(duì)低頻詞的翻譯能力。作者在英法數(shù)據(jù)集上獲得的實(shí)驗(yàn)結(jié)果的BLEU值比基準(zhǔn)線(xiàn)高2.9，比回譯高3.2。蔡子龍等人[9]提出了一個(gè)簡(jiǎn)單有效的增強(qiáng)方法。該方法首先利用源語(yǔ)言端句子中最相似的2個(gè)詞進(jìn)行相互替換形成新的句子，然后通過(guò)詞對(duì)齊信息找到目標(biāo)端對(duì)應(yīng)的詞匯并進(jìn)行相互替換，進(jìn)而形成新的平行句對(duì)。作者在藏漢語(yǔ)種上進(jìn)行了實(shí)驗(yàn)，獲得的BLEU值比基準(zhǔn)線(xiàn)高4。

回譯方法利用翻譯引擎翻譯句子并進(jìn)行篩選獲得新的平行語(yǔ)料，其廣泛應(yīng)用于提升神經(jīng)機(jī)器翻譯的性能。Yang等人[10]提出門(mén)增強(qiáng)型神經(jīng)機(jī)器翻譯模型。該模型通過(guò)將回譯合成的平行語(yǔ)料數(shù)據(jù)和真正的平行語(yǔ)料數(shù)據(jù)分發(fā)到不同的通道，使模型能夠根據(jù)輸入序列的類(lèi)型執(zhí)行不同的轉(zhuǎn)換。實(shí)驗(yàn)結(jié)果表明，該模型在漢英和英法數(shù)據(jù)集上的BLEU值比基準(zhǔn)線(xiàn)分別提高了1.47和2.5。Zhang等人[11]提出基于自動(dòng)編碼器和回譯的對(duì)抗學(xué)習(xí)方法。該方法通過(guò)對(duì)目標(biāo)端詞嵌入與原始的跨語(yǔ)言詞映射進(jìn)行回譯，以學(xué)習(xí)最終的跨語(yǔ)言詞映射。作者在3種語(yǔ)言對(duì)上的實(shí)驗(yàn)結(jié)果驗(yàn)證了該方法的有效性。

由于漢語(yǔ)-越南語(yǔ)屬于低資源語(yǔ)言對(duì)，雙語(yǔ)詞典難以獲得，但跨語(yǔ)言詞替換方法需要一定規(guī)模的詞典資源，因此難以實(shí)現(xiàn)，而漢語(yǔ)和越南語(yǔ)有大量的單語(yǔ)語(yǔ)料，通過(guò)單語(yǔ)語(yǔ)言訓(xùn)練獲得單語(yǔ)環(huán)境下的詞向量及相關(guān)詞匯非常容易。因此，本文提出一種基于低頻詞的同義詞替換的雙語(yǔ)平行語(yǔ)料數(shù)據(jù)增強(qiáng)方法。該方法通過(guò)探索單語(yǔ)環(huán)境構(gòu)建詞向量，進(jìn)而尋找低頻詞的同義詞，再通過(guò)同義詞替換獲得擴(kuò)展的平行語(yǔ)料。

2 基于同義詞的數(shù)據(jù)增強(qiáng)方法

本文方法利用小規(guī)模的平行語(yǔ)料，通過(guò)單語(yǔ)詞向量尋找一端語(yǔ)言低頻詞的同義詞；然后對(duì)低頻詞進(jìn)行同義詞替換，再利用語(yǔ)言模型對(duì)替換后的句子進(jìn)行篩選[12]；最后將篩選后的句子與另一端語(yǔ)言中的句子進(jìn)行匹配，從而獲得擴(kuò)展的平行語(yǔ)料。本文方法的實(shí)現(xiàn)主要分為以下幾個(gè)方面：

(1)構(gòu)建低頻詞詞表VR(R表示低頻詞匯)。本文在訓(xùn)練語(yǔ)料源語(yǔ)言端范圍內(nèi)構(gòu)建詞匯表V，再將V中出現(xiàn)頻率為N(1≤N<5)的詞匯作為低頻詞加入到低頻詞列表中，從而構(gòu)建低頻詞詞表VR。單詞vi為低頻詞的確定方法，如式(1)所示：

(1)

其中，1表示vi為低頻詞，0表示vi不是低頻詞，N表示vi(vi∈V)的詞頻，vi∈V為V中第i個(gè)詞匯，0≤i≤30000。

(2)尋找同義詞。由于在單語(yǔ)語(yǔ)義空間內(nèi)，可以通過(guò)計(jì)算詞匯間的距離來(lái)判斷2個(gè)詞匯的相似度。因此，本文利用Wikipedia 中文文本訓(xùn)練BERT(Birdirectional Encoder Representations for Transformers)模型[13]獲得漢語(yǔ)端詞向量，然后通過(guò)計(jì)算表征詞匯的向量之間的余弦值判斷2個(gè)詞匯之間的相似度，進(jìn)而尋找漢語(yǔ)端的低頻詞的同義詞，以構(gòu)建低頻詞的同義詞列表。假設(shè)詞匯A與詞匯B的向量分別表征為a={wa1,wa2…,wan}與b={wb1,wb2…,wbn}，詞匯間語(yǔ)義相似度計(jì)算如式(2)所示：

(2)

Figure 1 Example of synonym replacement 圖1 同義詞替換示例

P(A1A2…An)=P(A1)P(A2|A1)…

P(An|A1A2…An-1)

(3)

其中，P(A1A2…An-1)>0，P(A1)表示第1個(gè)詞A1出現(xiàn)的概率，P(A2|A1)是已知第1個(gè)詞Ai的前提下，第2個(gè)詞A2出現(xiàn)的概率，以此類(lèi)推，詞An出現(xiàn)的概率取決于它前面所有的詞。

(5)目標(biāo)句選擇。對(duì)于平行句對(duì)(S,T)，由于本文對(duì)源語(yǔ)言端S進(jìn)行的是同義詞替換操作，所以源句S與增強(qiáng)句S′為同義句。很大概率上，(S′,T)也是平行句對(duì)。因此，本文對(duì)目標(biāo)語(yǔ)言端不進(jìn)行變動(dòng)。將(S′,T)句對(duì)直接加入到訓(xùn)練集中參與模型訓(xùn)練。如圖2所示為目標(biāo)句匹配示意圖。

Figure 2 Target sentence matching diagram

圖2 目標(biāo)句匹配示意圖

(6)采樣。本文對(duì)增強(qiáng)后的語(yǔ)料庫(kù)進(jìn)行多次循環(huán)，以確保每個(gè)低頻詞的詞頻最多被增強(qiáng)至5。

3 實(shí)驗(yàn)與結(jié)果分析

3.1 實(shí)驗(yàn)數(shù)據(jù)設(shè)置

本文收集20萬(wàn)個(gè)漢越平行句對(duì)作為數(shù)據(jù)增強(qiáng)前的訓(xùn)練數(shù)據(jù)。驗(yàn)證集與測(cè)試集分別由2 000個(gè)漢越平行句對(duì)組成。實(shí)驗(yàn)數(shù)據(jù)如表1所示。

3.2 實(shí)驗(yàn)設(shè)置

本文設(shè)置機(jī)器翻譯實(shí)驗(yàn)來(lái)比較同義詞數(shù)據(jù)增強(qiáng)前后的結(jié)果，以檢驗(yàn)數(shù)據(jù)增強(qiáng)的效果。本文使用

Table 1 Experimental data表1 實(shí)驗(yàn)數(shù)據(jù)

transformer[15]作為神經(jīng)機(jī)器翻譯模型。模型的隱藏層大小為512維，批次大小為64，訓(xùn)練輪次為20。在所有實(shí)驗(yàn)中，神經(jīng)機(jī)器翻譯模型詞匯量被限制在漢越2種語(yǔ)言中最常見(jiàn)的30 000個(gè)單詞中。注意，數(shù)據(jù)增強(qiáng)不會(huì)將新詞匯引入詞匯表。本文使用5 GB大小的來(lái)自Wikipedia的中文文本訓(xùn)練kenLM語(yǔ)言模型。KenLM語(yǔ)言模型屬于n-gram語(yǔ)言模型，本文將n設(shè)置為3。

3.3 結(jié)果及分析

為了驗(yàn)證所提方法的有效性，本文設(shè)計(jì)了3組實(shí)驗(yàn)，通過(guò)BLEU值進(jìn)行評(píng)價(jià)。

實(shí)驗(yàn)1為使得本文增強(qiáng)方法效果達(dá)到最佳，以對(duì)源語(yǔ)言端進(jìn)行同義詞替換，匹配目標(biāo)語(yǔ)言端為例進(jìn)行實(shí)驗(yàn)參數(shù)選擇的對(duì)比，以評(píng)估采用不同方法構(gòu)建低頻詞的同義詞列表，以及低頻詞的同義詞個(gè)數(shù)K對(duì)神經(jīng)機(jī)器翻譯模型的影響。采用方法分別為：(1)使用Synonyms工具包[16]構(gòu)建源語(yǔ)言端低頻詞的同義詞列表。(2)使用中文BERT模型生成源語(yǔ)言端詞匯的詞向量，通過(guò)計(jì)算和比較詞表V與低頻詞詞表VR中詞匯間的余弦相似度，由高到低構(gòu)建源語(yǔ)言端低頻詞的同義詞列表[17]。實(shí)驗(yàn)將低頻詞的同義詞個(gè)數(shù)K設(shè)置為1～5，將每個(gè)低頻詞詞頻通過(guò)本文方法增加至5。注意，低頻詞的同義詞個(gè)數(shù)的不同并不會(huì)對(duì)語(yǔ)料庫(kù)的大小產(chǎn)生不同的影響，增強(qiáng)后的漢越平行句對(duì)均為310 000。實(shí)驗(yàn)結(jié)果如圖3所示。

Figure 3 Comparison of Chinese-Vietnamese translation performance with different parameters圖3 不同參數(shù)漢語(yǔ)-越南語(yǔ)的翻譯性能比較

圖3中，實(shí)線(xiàn)為采用Synonyms構(gòu)建源語(yǔ)言端低頻詞的同義詞列表；虛線(xiàn)為采用BERT構(gòu)建源語(yǔ)言端低頻詞的同義詞列表；橫坐標(biāo)為源語(yǔ)言端低頻詞的同義詞個(gè)數(shù)；縱坐標(biāo)為翻譯模型對(duì)應(yīng)的BLEU值。

圖3顯示，采用BERT構(gòu)建源語(yǔ)言端低頻詞的同義詞列表的模型比采用Synonyms構(gòu)建獲得了較高的BLEU值。這是因?yàn)镾ynonyms采用的基本技術(shù)是word2vect[18]。BERT相比于word2vect考慮了上下文信息。所以,采用BERT構(gòu)建源語(yǔ)言端低頻詞的同義詞列表，在進(jìn)行低頻詞替換后更容易產(chǎn)生平行度較高的漢越句對(duì)。因此，本文方法采用BERT構(gòu)建源語(yǔ)言端低頻詞的同義詞列表。

圖3中虛線(xiàn)顯示，當(dāng)源語(yǔ)言端低頻詞的同義詞個(gè)數(shù)K=1時(shí)，翻譯模型性能達(dá)到最高值，取得的BLEU值為11.4。隨著低頻詞的同義詞個(gè)數(shù)的增加，翻譯模型的BLEU值隨之下降，當(dāng)?shù)皖l詞的同義詞個(gè)數(shù)K=5時(shí)，取得了最低BLEU值8.6。這是因?yàn)楸疚姆椒ㄔ跇?gòu)建源語(yǔ)言端低頻詞的同義詞列表時(shí)是按照詞匯間的余弦相似度由高到低進(jìn)行構(gòu)建,所以位置越偏后的同義詞與其低頻詞的相似度越低，在進(jìn)行同義詞替換后生成的增強(qiáng)句S′與源句S的句子相似度越低，經(jīng)過(guò)語(yǔ)言模型篩選，目標(biāo)句匹配后生成句對(duì)(S′,T)的平行度越低。由于翻譯模型訓(xùn)練語(yǔ)料噪聲增加，BLEU值隨之降低。因此，本文方法取低頻詞的同義詞個(gè)數(shù)K=1。

實(shí)驗(yàn)2為使本文模型效果達(dá)到最佳，本文在漢語(yǔ)到越南語(yǔ)以及越南語(yǔ)到漢語(yǔ)的不同翻譯方向上，分別對(duì)源語(yǔ)言端進(jìn)行詞替換，對(duì)目標(biāo)語(yǔ)言端進(jìn)行詞替換，以及對(duì)2個(gè)語(yǔ)言端一起進(jìn)行詞替換進(jìn)行相關(guān)實(shí)驗(yàn)，結(jié)果如表2所示。在進(jìn)行越南語(yǔ)端詞匯替換時(shí)，使用Grave等人[19]在Common Crawl和Wikipedia上訓(xùn)練的fasttext 模型獲得越南語(yǔ)端的詞向量，以進(jìn)行低頻詞的同義詞列表構(gòu)建，取低頻詞的同義詞個(gè)數(shù)K=1，將越南語(yǔ)低頻詞詞頻在原語(yǔ)料基礎(chǔ)上增加至5，詞匯替換細(xì)節(jié)請(qǐng)參照第2節(jié)。

Table 2 Effect of word substitution in different languages on translation performance表2 不同語(yǔ)言端進(jìn)行詞替換對(duì)翻譯性能的影響

表2中，Model(c→v)表示漢語(yǔ)為源語(yǔ)言端，越南語(yǔ)為目標(biāo)語(yǔ)言端；Model(v→c)表示越南語(yǔ)為源語(yǔ)言端，漢語(yǔ)為目標(biāo)語(yǔ)言端；TDA(c)表示對(duì)漢語(yǔ)端進(jìn)行詞匯替換；TDA(v)表示對(duì)越南語(yǔ)端進(jìn)行詞匯替換；TDA(c-v)表示同時(shí)使用TDA(c)和TDA(v)2種方法。

表2數(shù)據(jù)顯示，在將低頻詞詞頻增加至5的前提下，TDA(c)和TDA(v)在原語(yǔ)料基礎(chǔ)上分別增加了110 000和50 000。這是因?yàn)樵谠Z(yǔ)料庫(kù)中漢語(yǔ)端詞表規(guī)模是越南語(yǔ)端詞表規(guī)模的2倍。因此TDA(c-v)在原語(yǔ)料基礎(chǔ)上增加了160 000。分析表2數(shù)據(jù)可得：Model(c→v)下的TDA(c)比Model(v→c)下的TDA(c)的BLEU值高0.8；Model(c→v)下的TDA(v)比Model(v→c)下的TDA(v)BLEU值低0.9。這是因?yàn)榉g的質(zhì)量取決于譯出語(yǔ)言的水平而不是源語(yǔ)言的水平。目標(biāo)語(yǔ)言必須是真句子，才能使翻譯結(jié)果更加流暢和準(zhǔn)確。因此，Model(c→v)下的TDA(c-v)中通過(guò)TDA(v)所得到的50 000語(yǔ)料在一定程度上可以理解為噪聲語(yǔ)料，所以盡管Model(c→v)下的TDA(c-v)語(yǔ)料規(guī)模大于Model(c→v)下的TDA(c)的，前者卻比后者的BLEU值低0.5。因此，本文方法采用Model(c→v)下的TDA(c)作為增強(qiáng)方法。

實(shí)驗(yàn)3為證明本文方法的最優(yōu)性，將本文方法與基準(zhǔn)線(xiàn)和回譯進(jìn)行比較，基準(zhǔn)線(xiàn)模型采用的數(shù)據(jù)為表1的實(shí)驗(yàn)數(shù)據(jù)?；刈g方法和本文方法均在表1數(shù)據(jù)的基礎(chǔ)上將數(shù)據(jù)增加到310 000，然后使用這3組數(shù)據(jù)對(duì)同一transformer模型進(jìn)行訓(xùn)練，并比較翻譯的性能(BLEU值)。眾所周知，訓(xùn)練語(yǔ)料的大小直接影響翻譯模型的質(zhì)量，為了在同一水平線(xiàn)上將本文方法與回譯方法進(jìn)行比較，本文將回譯增強(qiáng)后的語(yǔ)料大小設(shè)置為310 000。由于漢語(yǔ)-越南語(yǔ)屬于低資源語(yǔ)言對(duì)，若使用個(gè)人訓(xùn)練的翻譯模型進(jìn)行回譯，顯然會(huì)降低增強(qiáng)后語(yǔ)料的質(zhì)量?；诖嗽?，本文借助谷歌翻譯進(jìn)行回譯。為了不在數(shù)據(jù)增強(qiáng)后引入新的詞匯，本文基于訓(xùn)練語(yǔ)料進(jìn)行回譯。首先借助谷歌翻譯將訓(xùn)練語(yǔ)料從目標(biāo)端譯為源語(yǔ)言端，構(gòu)建漢越平行語(yǔ)料庫(kù)，然后從中隨機(jī)抽取110 000的漢越平行句對(duì)加入訓(xùn)練語(yǔ)料參與模型訓(xùn)練。實(shí)驗(yàn)結(jié)果如表3所示。

Table 3 Comparison of Chinese-Vietnamese translation performance with different methods表3 不同方法漢語(yǔ)-越南語(yǔ)的翻譯性能比較

表3數(shù)據(jù)顯示，本文提出的方法和回譯方法有效地改善了翻譯質(zhì)量，相比基準(zhǔn)線(xiàn)的BLEU值分別提高了1.8和0.7。本文方法獲得最佳BLEU值的原因在于：TDA(c)方法可以幫助漢越神經(jīng)機(jī)器翻譯模型對(duì)源語(yǔ)言端低頻詞進(jìn)行更好的識(shí)別，從而提高翻譯質(zhì)量。

上述3組對(duì)比實(shí)驗(yàn)表明，本文方法采用BERT構(gòu)建源語(yǔ)言端低頻詞的同義詞列表，取低頻詞的同義詞個(gè)數(shù)K=1時(shí)，本文方法效果達(dá)到最優(yōu)，說(shuō)明該方法在提高漢越神經(jīng)機(jī)器翻譯性能上是可行的。

4 結(jié)束語(yǔ)

本文提出了一種有效的用于改善漢越神經(jīng)機(jī)器翻譯性能的數(shù)據(jù)增強(qiáng)方法。該方法利用單語(yǔ)詞向量尋找低頻詞的同義詞，然后通過(guò)同義詞替換獲得擴(kuò)展的漢越平行語(yǔ)料。漢越神經(jīng)機(jī)器翻譯的對(duì)比實(shí)驗(yàn)驗(yàn)證了本文方法的有效性。進(jìn)一步研究將著眼于對(duì)詞匯替換后的語(yǔ)料進(jìn)行質(zhì)量評(píng)估。