摘要

我们针对机器翻译（MT）提出如下问题：能否开发一个单一的通用机器翻译模型作为基础种子，进而针对任意语言对衍生出性能更优的专用模型？为此，我们提出了mRASP——一种用于预训练通用多语言神经机器翻译模型的方法。mRASP的核心思想在于其创新性的随机对齐替换（random aligned substitution）技术，该技术能够将不同语言中语义相近的词汇和短语在表示空间中拉近，从而增强跨语言语义对齐能力。我们在32个语言对上联合使用仅公开的数据集对mRASP模型进行预训练，随后在下游语言对上进行微调，以获得针对特定任务的专用翻译模型。我们在涵盖低资源、中等资源、高资源语言对以及 exotic（罕见/特殊）语言对的42种翻译方向上进行了广泛实验。实验结果表明，与直接在目标语言对上进行训练相比，mRASP显著提升了翻译性能。这是首次实证证明：多个低资源语言对的联合预训练能够有效提升高资源语言对的翻译质量。更令人惊讶的是，mRASP甚至能够提升那些在预训练语料中从未出现过的 exotic 语言的翻译质量。相关代码、数据集及预训练模型已开源，访问地址为：https://github.com/linzehui/mRASP。