.png){kind=icon}
返回
Improving LLM-Based Document-Level MT with Multi-Knowledge Fusion
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-95-3349-7_14.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近期针对文档级机器翻译（DMT）的大语言模型（LLM）提示方法主要关注通过将源文档展平为长序列来利用句子间上下文。这种方法仅依赖文档内的句子序列。然而，文档级序列的复杂性高于较短的句子级序列，仅使用这种单一来源知识可能限制LLM在DMT中的能力。本文提出了一种增强方法，通过整合多种知识来源（包括文档摘要和实体翻译）来提升基于LLM的DMT性能。给定源文档，我们首先通过LLM获取其摘要和实体翻译作为附加知识。然后利用LLMs分别融合这两种单一知识来源生成源文档的两个翻译。最后，认识到不同知识来源可能对句子翻译产生促进或阻碍作用，我们通过多知识融合策略对翻译进行优化和排序，以确保最佳结果。在八个文档级翻译任务上的实验结果表明，与无额外知识的基线相比，我们的方法分别使LLaMA3-8B-Instruct、Mistral-Nemo-Instruct和GPT-4o-mini的平均COMET得分提升了0.8、0.6和0.4。
Keyword:
Document-level machine translation
Large language model
Multi-knowledge fusion
期刊
N
机构
引用论文
.png){kind=icon}
Exploring Prompt Engineering with GPT Language Models for Document-Level Machine Translation: Insights and Findings探索使用GPT语言模型进行文档级机器翻译的提示工程：见解与发现
OAAI
OAAI分享收藏
查看更多内容