摘要

数据增强是提升机器翻译语料多样性的一种有效方法，但以往的方法由于采用不可逆操作和随机子词采样过程，可能导致原始数据与增强数据之间产生语义不一致。为生成在符号层面多样且语义上保持一致的增强数据，我们提出了一种简单而高效的数据增强方法——确定性可逆数据增强（Deterministic Reversible Data Augmentation, DRDA），适用于神经机器翻译。DRDA 采用确定性分词策略与可逆操作，生成多粒度的子词表示，并通过多视角技术将这些表示拉近。该方法无需额外语料或模型修改，在多个翻译任务上显著优于强基准模型（相较于 Transformer 最高提升达 4.3 BLEU），并在噪声数据、低资源场景及跨领域数据集上均表现出良好的鲁棒性。