Incremental and Adaptive Learning for Interactive Machine Translation

Abstract

[EN] High-quality translation between any pair of languages can be achieved by human post-editing of the outputs of a MT system or by following the Interactive Machine Translation (IMT) approach. In the interactive pattern recognition framework, IMT can predict the translation of the next words in the output, and can suggest them to the human translator who, iteratively, can accept or correct the suggested translations. The consolidated translations obtained through the successive steps of the interaction process can be considered as “perfect translations” due to the fact that they have been validated by a human expert. Therefore, this consolidated translations can easily be converted into new, fresh, training data, useful for dynamically adapting the system to the changing environment. Taking that into account, on the one hand, the IMT paradigm offers an appropriate framework for incremental and adaptive learning in SMT. On the other hand, incremental and adaptive learning offers the possibility to substantially save human effort by simply avoiding the user to perform the same corrections again and again.

[ES] La traducción de alta calidad entre cualquier par de lenguas puede lograrse mediante la postedición humana de los resultados de un sistema de traducción automática o siguiendo el enfoque de la traducción automática interactiva (IMT). En el marco del reconocimiento interactivo de patrones, la IMT puede predecir la traducción de las siguientes palabras de la salida y sugerirlas al traductor humano que, de forma iterativa, puede aceptar o corregir las traducciones sugeridas. Las traducciones consolidadas obtenidas a través de los sucesivos pasos del proceso de interacción pueden considerarse "traducciones perfectas", ya que han sido validadas por un experto humano. Por tanto, estas traducciones consolidadas pueden convertirse fácilmente en datos de entrenamiento nuevos y frescos, útiles para adaptar dinámicamente el sistema al entorno cambiante. Teniendo esto en cuenta, por un lado, el paradigma IMT ofrece un marco adecuado para el aprendizaje incremental y adaptativo en SMT. Por otro lado, el aprendizaje incremental y adaptativo ofrece la posibilidad de ahorrar sustancialmente el esfuerzo humano al evitar simplemente que el usuario realice las mismas correcciones una y otra vez.