y - JOUR A2 - Constantoudis, Vassilios AU - Luo, Gong-Xu AU - Yang, AU - Dong, yating AU - Dong, Rui AU - Chen, Yan-Hong AU - Zhang，针对低资源语言的AB -神经机器翻译(NMT)近年来引起了广泛的关注。在本文中，我们提出了一种针对低资源语言的联合反翻译和迁移学习方法。人们普遍认为，数据增强方法和迁移学习方法都是解决低资源问题的直接而有效的方法。然而，现有的方法仅使用其中一种方法，限制了NMT模型处理低资源问题的能力。为了充分利用现有方法的优势，进一步提高低资源语言的翻译性能，我们提出了一种新的方法，将反向翻译方法与主流迁移学习体系结构完美结合，该方法不仅可以通过传递预训练模型的参数来初始化NMT模型，还可以通过翻译目标侧的大规模单语数据来生成合成的并行数据，以提高翻译的流畅性。我们通过将反向翻译融入到亲子和层次迁移学习体系结构中来探索联合方法的有效性。此外，还探索了不同的预处理和训练方法，以获得更好的性能。对维吾尔汉、土耳其英翻译的实验结果表明，该方法相对于单一方法的基线具有一定的优越性。 SN - 1024-123X UR - https://doi.org/10.1155/2020/6140153 DO - 10.1155/2020/6140153 JF - Mathematical Problems in Engineering PB - Hindawi KW - ER -