谷歌开源首个「方言」数据集：让机器翻译更地道
虽然全中国的人都在说汉语，但具体到各地的方言却略有不同，比如同样是小巷的意思，「胡同」一开口就知道是老北京了，而到了南方则叫「弄」。这种细微的地域性差异反应在「机器翻译」任务上，就会显得翻译结果不够「地道」，而目前几乎所有的机器翻译系统都没有考虑地区性语言（即方言）的影响。而在世界范围内也存在这种现象，比如巴西的官方语言是葡萄牙语，跟欧洲的葡萄牙语之间也有一些地域性差异。最近谷歌发布了一个全新的，可用于Few-shotRegion-aware机器翻译的数据集和评估基准FRMT，主要解决方言翻译问题，论文
虽然全中国的人都在说汉语，但具体到各地的方言却略有不同，比如同样是小巷的意思，「胡同」一开口就知道是老北京了，而到了南方则叫「弄」。
这种细微的地域性差异反应在「机器翻译」任务上，就会显得翻译结果不够「地道」，而目前几乎所有的机器翻译系统都没有考虑地区性语言（即方言）的影响。
而在世界范围内也存在这种现象，比如巴西的官方语言是葡萄牙语，跟欧洲的葡萄牙语之间也有一些地域性差异。
最近谷歌发布了一个全新的，可用于Few-shot Region-aware机器翻译的数据集和评估基准FRMT，主要解决方言翻译问题，论文发表在TACL（Transactions of the Association for Computational Linguistics）上。
论文链接：https://arxiv.org/pdf/2210.00193.pdf
开源链接：https://github.com/google-research/google-research/tree/master/frmt
该数据集包括从英语到葡萄牙语和中文普通话的两个地区变体的专业翻译，源文档是为了能够详细分析感兴趣的现象，包括词汇上不同的术语和干扰术语。
研究人员探索了 FRMT 的自动评估指标，并在区域匹配和不匹配评分情景下验证了其与专家人工评估的相关性。
最后，为这项任务提出了一些基线模型，并为研究人员如何训练、评估和比较自己的模型提供指导建议，数据集和评估代码已开源。
Few-Shot泛化
大多数现代机器翻译系统都经过数百万或数十亿翻译样本的训练，输入数据包括英语输入句及其相应的葡萄牙语翻译。
然而，绝大多数可用的训练数据并没有说明翻译的地区差异。
鉴于这种数据稀缺性，研究人员将 FRMT 定位为few-shot翻译的基准，当给定每种语言不超过100个带标签的例子时，测量机器翻译模型识别出指定区域语言变体的能力。
机器翻译模型需要根据少量标记过的样本(即范例)中显示的语言模式，来识别出其他未标记训练样本中的相似模式。模型需要通过这种方式进行泛化，从而生成模型中没有明确指定区域的「地道」翻译结果。
比如输入句子：The bus arrived，再给定几个巴西葡萄牙语的例子，模型应该能翻译出「O ônibus chegou」；如果给的样例是欧洲葡萄牙语，模型的翻译结果应该变为「O autocarro chegou」。
机器翻译的few-shot方法是很有研究价值的，能够以一种非常简单的方式来对现有系统中增加对额外区域语言的支持能力。
虽然谷歌目前发表的工作是针对两种语言的区域变体，但研究人员预测，一个好的方法将很容易适用于其他语言和区域的变体。
从原理上来说，这些方法也适用于其他语言差异现象，例如礼节和风格等。
数据收集
FRMT 数据集包括部分英文维基百科文章，来源于 Wiki40b 数据集，这些文章已经由付费的专业翻译人员翻译成不同的地区性的葡萄牙语和汉语。
为了突出关键区域感知的翻译难题，研究人员使用了三个内容桶（content buckets）来设计数据集：
1. 词汇 Lixical
词汇桶主要关注不同地区在词汇选择上的差异，例如当把一个带有单词「bus」的句子分别翻译成巴西语和欧洲葡萄牙语时，模型需要能够识别出「ônibus」与「autocarro」的区别。
研究人员根据博客和教育网站手动收集了20-30个具有地区特色的翻译术语，并根据来自每个地区的母语志愿者的反馈对翻译进行过滤和审核。
根据得到的英语术语列表，从相关的英语维基百科文章（例如，bus）中提取出100个句子。再对普通话，重复上述相同的的收集过程。
2. 实体 Entity
实体桶以类似的方式填充，涉及的人、位置或其他实体与某一特定语言所涉两个区域之一有着密切联系。
比如给定一个说明性的句子，如「In Lisbon, I often took the bus.」（在里斯本，我经常坐公共汽车。），为了正确地将其翻译成巴西葡萄牙语，模式必须能够识别出两个潜在的陷阱：
1）里斯本和葡萄牙之间更密切的地理关联可能会影响模型翻译的选择，从而帮助模型判断出应该翻译成欧洲葡萄牙语而非巴西葡萄牙语，即选择「autocarro」而不是「ônibus」。
2）用「巴西利亚」代替「里斯本」可能是一个比较简单的方式，对于同一个模式，对巴西葡萄牙语本地化其输出，即便翻译结果仍然很流畅，但也可能会导致不准确的语义。
3. 随机 Random
随机桶用于检查一个模型是否正确处理了其他不同的现象，包含从维基百科的featured和good）集合中随机抽取的100篇文章。
系统性能
为了验证为 FRMT 数据集收集的翻译能够捕获特定区域的现象，研究人员对数据质量进行了人工评估。
来自每个相应区域的专家标注员使用多维质量度量(MQM)框架来识别和分类翻译中的错误：该框架包括一个分类加权方案，将识别出的错误转换成一个单一的分数，粗略地表示每句话的主要错误数量，即数值越小表示翻译越好。
对于每个地区，研究人员要求 MQM 评分者对来自他们所在地区的翻译和来自他们语言的其他地区的翻译进行评分。
例如，巴西的葡萄牙语评分员同时对巴西和欧洲的葡萄牙语译本都进行了评分，两个分数之间的差异表明语言现象的普遍性，即该语言变体是否可接受，而并非是另一种语言。
实验结果发现，在葡萄牙语和汉语中，评分者平均比匹配的译文中每个句子多发现大约两个主要错误，表明FRMT数据集确实能够捕获特定区域的语言现象。
虽然人工评估是确保模型质量的最佳方法，但其往往是缓慢且昂贵的。
因此，研究人员希望找到一个现成的自动度量指标，可以用来评估模型在基准中的性能，研究人员考虑选择使用 chrF，BLEU 和 BLEURT.
根据 MQM 评估者对几个基线模型翻译结果的评分，可以发现 BLEURT 与人类判断具有最好的相关性，并且该相关性的强度(0.65 Pearson 相关系数，ρ)与标注者间一致性(0.70组内相关性)相当。
系统性能
文中评估了一些最近发布的、具有few-shot控制能力的模型。
基于 MQM 的人类评估，基线方法都表现出一定的localize葡萄牙语输出的能力，但是对于中文普通话，大多没有利用目标地区的知识来生成优秀的当地翻译结果。
在评估的基准中，谷歌的语言模型 PaLM 模型的性能最佳，为了使用 PaLM 生成针对区域的翻译，首先将一个有指导意义的提示输入模型，然后从中生成文本以填充空白。
PaLM 仅通过一个例子就获得了很好的结果，在葡萄牙语方面，当增加到10个例子时，质量略有提高，考虑到 PaLM 是在无监督的情况下进行训练的，这种表现已经非常好了。
研究结果还表明，像 PaLM 这样的语言模型可能特别擅长记忆流畅翻译所需的特定区域的词汇选择。
然而，在 PaLM 和人类之间仍然存在显著的性能差距。
参考资料：
https://ai.googleblog.com/2023/02/frmt-benchmark-for-few-shot-region.html
WPS Office是一款面向macOS用户的综合办公套件，将文字处理、电子表格、演示文稿、PDF工具、模板与云协作整合在同一应用中。它兼容常见Microsoft Office格式，支持Intel及Apple芯片Mac，基础功能可免费使用，
Shapr3D是一款面向工业设计、机械工程、建筑概念和三维打印工作流的CAD软件。Mac版采用Parasolid建模内核，支持草图约束、实体建模、工程图、可视化渲染及常见CAD格式交换，并可通过账户在多台设备之间同步项目。
REAPER是Cockos开发的数字音频工作站，提供多轨音频与MIDI录制、剪辑、处理、混音和母带制作工具。Mac版兼容Intel与Apple芯片，支持AU、VST、VST3、CLAP等插件格式，并提供高度可定制的工作流程。
Ableton Live 是面向音乐制作人与现场表演者的数字音频工作站，提供编曲视图、独具特色的现场视图、音频录制、MIDI创作、实时变速、乐器及效果器。Mac版原生支持Apple芯片，并可连接音频接口、MIDI控制器和第三方插件。
Adobe After Effects 是面向动态图形、影视特效与视频合成的专业创作软件。它提供关键帧动画、遮罩抠像、运动跟踪、三维空间、文字动画和表达式等工具，并可与 Premiere Pro、Photoshop、Illustrator
Adobe Audition 是面向播客、影视后期、音乐制作及内容创作者的专业音频工作站，提供波形精修、多轨录制与混音、频谱编辑、降噪修复、响度匹配和效果处理工具，并可与 Adobe Premiere 协同完成视频声音制作。
Adobe Bridge 是面向摄影师、设计师及内容团队的免费数字资产管理工具，可集中预览照片、视频和 Adobe 项目文件，并利用评级、标签、关键词、元数据、筛选与收藏集完成分类检索。它还支持批量重命名、格式导出、相机导入及 Camera
Adobe Illustrator 是 Adobe 推出的专业矢量图形设计软件，适合在 Mac 上制作标志、图标、插画、包装、信息图及印刷版面。它以路径和锚点构建可无损缩放的图形，并提供钢笔、形状、文字、图像描摹、渐变、画板及生成式功能。
Adobe InDesign 是面向印刷品与数字出版物的专业版面设计软件，可在 Mac 上制作书籍、杂志、宣传册、海报、报告及交互式文档。它提供精细的文字样式、网格、母版、长文档管理和印前输出能力。
Adobe Lightroom Classic 是面向桌面摄影工作流的照片管理与后期处理软件，可将原始照片保存在本地硬盘，通过目录、关键词、评分和收藏夹高效整理图库，并提供 RAW 冲印、蒙版、镜头校正、批量同步及多格式导出等功能。
Adobe Media Encoder 是 Adobe 推出的专业音视频编码与转码工具，可通过队列、预设和监视文件夹批量完成格式转换、代理文件创建及多平台成片输出，并与 Premiere Pro、After Effects 等软件紧密协作。
Adobe Photoshop 是面向摄影师、设计师和内容创作者的专业图像处理软件，提供图层、蒙版、选区、修复、调色、文字排版、智能对象及生成式编辑等能力。Mac 版支持 Intel 与 Apple Silicon 处理器。
Adobe Photoshop 是面向摄影师、设计师和内容创作者的专业图像处理工具，可在 Windows 上完成照片修饰、选区抠图、图层合成、文字排版、绘画及生成式编辑。软件采用订阅授权，由 Creative Cloud 管理安装、更新与许
Adobe InDesign 是面向印刷与数字出版的专业页面排版工具，可制作书籍、杂志、宣传册、海报、交互式 PDF 和电子书。它提供精细的文字样式、多页面管理、印前检查及多格式输出能力，并能与 Photoshop、Illustrator
Adobe Illustrator 是用于绘制矢量图形、插画、图标、徽标和版式的专业设计工具。它以路径和锚点为核心，作品放大后仍能保持清晰，并提供画板、文字、渐变、图像描摹及精确变换等功能，适合品牌视觉、印刷物料、数字界面和商业插画创作。
Adobe Bridge 是 Adobe 推出的创意资产管理工具，可集中预览、分类和查找照片、视频、PDF及多种设计文件，并支持元数据、关键词、评级、批量重命名和格式导出。它可与 Photoshop、Illustrator 等应用衔接，
Affinity Photo 是一款面向摄影师、修图师和视觉设计人员的桌面图像编辑工具，提供 RAW 显影、多图层合成、蒙版、实时滤镜、批处理和色彩管理等功能。原独立产品已停止销售，其照片编辑能力已延续至免费的新 Affinity 应用；
Adobe Lightroom Classic 是面向 Windows 桌面摄影工作流的照片管理与无损编辑工具，可通过目录集中整理大型图库，并完成 RAW 显影、局部蒙版、批量调整、打印和多格式导出。它强调本地文件管理与精细控制，
Figma 是面向产品设计与开发团队的云端协作平台，可在 Windows 桌面客户端中完成界面绘制、组件管理、交互原型、评论评审和开发交付。文件保存在云端，多名成员能够同步编辑并共享设计系统；官方同时提供免费 Starter 方案及按席位计
Affinity Designer 是面向矢量图形、数字插画和界面设计的专业创作工具，可在矢量、像素与导出工作区之间快速切换。它提供曲线编辑、形状构建、画板、排版、图层和专业色彩管理，并支持常见设计文件的导入及多种印刷、网页格式输出。
Capture One Pro 是面向摄影师和影像团队的专业桌面照片处理工具，提供相机定制色彩配置、RAW转换、图层与蒙版、联机拍摄、目录及会话管理等功能。它适合棚拍、人像、商业产品、婚礼和风光摄影，
Adobe Acrobat Pro 是面向专业 PDF 工作的综合解决方案，可在 Windows 中创建、编辑、转换、比较、整理和保护文档，并支持表单、电子签名、扫描件文字识别及敏感信息永久遮盖。订阅还包含网页、移动服务和云端协作能力，
Adobe After Effects 是面向动态图形、动画与影视视觉特效制作的专业工具，可完成关键帧动画、图层合成、遮罩跟踪、抠像、文字动画和二维三维元素整合。Windows 版通过 Adobe Creative Cloud 安装及更新，
DaVinci Resolve是Blackmagic Design推出的一体化影视后期工具，将素材管理、非线性剪辑、专业调色、Fusion视觉特效、Fairlight音频处理和成片交付整合在统一工程中。免费版已覆盖多数个人创作需求，