Modelos de Traducción Espacial Continua para la Traducción Automática Estadística Basada en Frases

Este artículo presenta un nuevo enfoque para realizar la estimación de las probabilidades del modelo de traducción de un sistema de traducción automática estadística basado en frases. Utilizamos redes neuronales para aprender directamente la probabilidad de traducción de pares de frases utilizando representaciones continuas. El sistema puede ser fácilmente entrenado con los mismos datos utilizados para construir sistemas estándar basados en frases. Proporcionamos evidencia experimental de que el enfoque parece ser capaz de inferir probabilidades de traducción significativas para pares de frases no vistas en los datos de entrenamiento, o incluso predecir una lista de las traducciones más probables dadas una frase fuente. El enfoque puede ser utilizado para re-evaluar listas de n-mejores, pero también discutimos una integración en el decodificador Moses. Una evaluación preliminar en la tarea IWSLT inglés/francés logró mejoras en la puntuación BLEU y un análisis humano mostró que el nuevo modelo a menudo elige traducciones semánticamente mejores. Se discuten varias extensiones de este trabajo.