CCAE: A Corpus of Chinese-based Asian Englishes
University of Science and Technology Beijing（北京科技大学）
本研究构建了包含6种基于中文的亚洲英语变体、规模达3.4亿token的CCAE语料库，填补了中式英语公开语料的空白，为世界英语的NLP研究提供支撑资源。
2023-10-09 cs.AI cs.CL cs.LG
NEJM-enzh: A Parallel Corpus for English-Chinese Translation in the Biomedical Domain
Baidu Research（百度研究院）；Oregon State University（俄勒冈州立大学）
机器翻译需要大量的平行文本。虽然这样的数据集在新闻专线等领域很丰富，但在生物医学领域却不太容易获得。汉语和英语是世界上使用最广泛的两种语言，但据我们所知，在生物医学领域还没有一个平行的语料库。在这项研究中，我们开发了一个有效的管道来获取和处理一个英汉平行语料库，由大约10万个句子对和每边300万个标记组成，来自新英格兰医学杂志（NEJM）。我们发现，在域外数据上进行训练并使用少至4，000个NEJM句子对进行微调，可以将en $\to$ zh（zh $\to$ en）方向的翻译质量提高25.3（13.4）BLEU。在较大的域内数据集上，翻译质量继续以较慢的速度提高，在完整数据集上，en $\to$ zh（zh $\to$ en）方向的BLEU增加了33.0（24.3）。
2020-05-18 cs.CL cs.DL
A New Dataset and Empirical Study for Sentence Simplification in Chinese
Wangxuan Institute of Computer Technology, Peking University（北京大学王选计算机研究所）；Center for Data Science, Peking University（北京大学数据科学中心）；The MOE Key Laboratory of Computational Linguistics, Peking University（北京大学计算语言学教育部重点实验室）
针对中文句子简化数据不足的问题，本文构建 CSS 数据集，分析英汉简化差异，并评测无监督、零样本/少样本方法及大型语言模型的表现。
2023-06-07 cs.CL
CVLUE: A New Benchmark Dataset for Chinese Vision-Language Understanding Evaluation
Zhejiang Lab（之江实验室）；Harbin Institute of Technology（哈尔滨工业大学）
本文提出由中文母语者驱动的CVLUE基准数据集，涵盖图像-文本检索、视觉问答、视觉定位和视觉对话四个任务，用于评估视觉-语言模型在中国文化背景下的理解能力，并通过基线实验揭示现有模型缺乏中国文化知识以及微调可有效改善该问题。
2024-07-01 cs.CL cs.CV
CHEF: A Pilot Chinese Dataset for Evidence-Based Fact-Checking
Tsinghua University（清华大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；University of Cambridge（剑桥大学）
媒体生态系统中错误信息的爆炸式传播迫切需要自动化的事实核查。虽然错误信息跨越了地理和语言的界限，但该领域的大多数工作都集中在英语上。以其他语文（如中文）提供的数据集和工具有限。为了弥补这一差距，我们构建了CHEF，这是中国第一个基于证据的事实核查数据集，包含10K个真实世界的索赔。该数据集涵盖了从政治到公共卫生的多个领域，并提供了从互联网上检索到的注释证据。此外，我们还开发了一种新的方法和已建立的基线，该方法能够将证据检索建模为潜在变量，从而允许以端到端的方式与准确性预测模型进行联合训练。广泛的实验表明，CHEF将提供一个具有挑战性的测试平台，用于开发旨在检索和推理非英语索赔的事实检查系统。
2022-06-06 cs.CL
CLUE: A Chinese Language Understanding Evaluation Benchmark
英语自然语言理解（NLU）基准的出现，如GLUE和SuperGLUE，允许在各种任务中评估新的NLU模型。这些全面的基准促进了自然语言处理（NLP）的广泛研究和应用。然而，问题是大多数这样的基准仅限于英语，这使得英语NLU的许多成功很难复制到其他语言。为了解决这个问题，我们引入了第一个大规模的中文语言理解评测（CLUE）基准。CLUE是一个开放式的社区驱动的项目，它汇集了9个任务，涵盖了几个成熟的单句/句子对分类任务，以及机器阅读理解，所有这些都是基于中文原文。为了确定这些任务的结果，我们使用一组详尽的当前最先进的预训练中国模型（共9个）来报告分数。我们还介绍了一些补充数据集和其他工具，以帮助促进中国NLU的进一步发展。我们的基准测试在https://www.CLUEbenchmarks.com上发布
2020-11-05 cs.CL cs.LG
A Chinese Corpus for Fine-grained Entity Typing
HKUST（香港科技大学）；Tencent Technology (SZ) Co., Ltd.（腾讯科技（深圳）有限公司）
细粒度实体分类是一个具有挑战性的任务，具有广泛的应用。然而，这项任务的大多数现有数据集都是英文的。在本文中，我们介绍了一个用于中文细粒度实体分类的语料库，其中包含4，800个通过众包手动标记的提及。每个引用都使用自由格式的实体类型进行注释。为了使我们的数据集在更多可能的场景中有用，我们还将所有细粒度类型分类为10种一般类型。最后，我们对一些神经模型进行了实验，这些模型的结构在细粒度实体类型中是典型的，并展示了它们在我们的数据集上的表现。我们还展示了通过跨语言迁移学习提高中文细粒度实体分类的可能性。
2020-04-19 cs.CL
A Corpus of Adpositional Supersenses for Mandarin Chinese
Georgetown University（乔治城大学）
形容词是语义关系的常用标记，但它具有高度的歧义性，并且在不同的语言中有很大的差异。此外，还缺乏用于研究介词语义的跨语言变异或用于构建多语言消歧系统的注释语料库。本文介绍了一个语料库，其中所有的形容词都有语义注释的汉语普通话，据我们所知，这是第一个汉语语料库，以广泛的形容词语义注释。我们的方法采用了一个框架，该框架根据表面上独立于语言的语义标准定义了一组一般的超义，尽管其发展主要集中在英语介词上（Schneider et al.，2018年）。我们发现，尽管汉语和英语在句法上存在差异，但超义范畴非常适合汉语形容词。在《小王子》的中文译本中，我们获得了较高的注释者间一致性，并分析了双文本中介词标记的语义对应关系。
2020-03-18 cs.CL cs.DL
FFN: a Fine-grained Chinese-English Financial Domain Parallel Corpus
School of Economics and Finance（经济与金融学院）；Shanghai International Studies University（上海外国语大学）；School of Education（教育学院）
本文构建了细粒度中英金融新闻平行语料库FFN，并通过对比ChatGPT、ERNIE-bot和OpenNMT模型的翻译质量，揭示了LLM在金融翻译中的不足，旨在推动该领域的优化研究。
2024-06-27 cs.AI cs.CE cs.CL
C-Pack: Packed Resources For General Chinese Embeddings
Beijing Academy of AI（北京人工智能研究院）；Renmin University of China（中国人民大学）；HuggingFace；USTC（中国科学技术大学）；University of Montreal（蒙特利尔大学）
本文提出C-Pack资源包，包含C-MTEB基准、C-MTP数据集和C-TEM模型系列，显著提升通用中文嵌入性能，并同步发布达到SOTA的英文嵌入资源。
2024-09-24 cs.AI cs.CL cs.IR
WeTS: A Benchmark for Translation Suggestion
Tencent Inc（腾讯公司）
翻译建议（TS），它提供的机器翻译（MT）\cite{lee2021intellicat}翻译的整个文件中的特定单词或短语的替代，已被证明在后编辑（PE）中发挥重要作用。然而，仍然没有公开的数据集来支持对这个问题的深入研究，也没有可重复的实验结果可以被这个社区的研究人员所遵循。为了打破这一限制，我们创建了一个基准数据集TS，称为\emph{WeTS}，其中包含黄金语料库注释的专家翻译的四个翻译方向。除了人类注释的黄金语料库，我们还提出了几种新的方法来生成合成语料库，可以大大提高TS的性能。实验结果表明，该模型在英-德、德-英、汉-英、英-汉四个翻译方向上均达到了SOTA（State-Of-The-Art）的效果。代码和语料库可以在https://github.com/ZhenYangIACAS/WeTS.git上找到。
2022-10-11 cs.CL
A Cascade Sequence-to-Sequence Model for Chinese Mandarin Lip Reading
Zhejiang University（浙江大学）
唇读的目的是从说话者的嘴部动作中解读文本。近年来，唇读方法在单词和句子两个层面上都取得了很大的进步。然而，与英语不同，汉语普通话是一种基于音调的语言，依赖于音高来区分词汇或语法意义，这大大增加了唇读任务的歧义。在本文中，我们提出了一个级联序列到序列模型（CSMCM）的汉语普通话唇读，明确模型的音调时，预测的句子。声调是基于视觉信息和句法结构建模的，并与视觉信息和句法结构一起用于预测句子。为了评估CSSMCM，收集并发布了一个名为CMLR（汉语普通话唇读）的数据集，该数据集由中国网络电视网站上的10万多个自然句子组成。在CMLR数据集上进行训练时，所提出的CSMCM超过了最先进的唇读框架的性能，这证实了汉语普通话唇读声调显式建模的有效性。
2019-11-28 cs.CL cs.CV
Connected Speech-Based Cognitive Assessment in Chinese and English
Usher Institute, Medical School（医学院厄舍研究所）；School of Health in Social Science（社会科学健康学院）；School of Engineering, University of Edinburgh（爱丁堡大学工程学院）；Carnegie Mellon University（卡内基梅隆大学）；University of Delaware（特拉华大学）；Cardinal Tien Hospital（圣保禄医院）
本研究提出中英文连贯言语认知评估的新型基准数据集与预测任务，经倾向得分匹配保证数据平衡，构建跨语言泛化的评估框架，基线模型取得59.2%诊断召回率与2.89分数预测均方根误差。
2024-06-18 cs.CL cs.LG cs.SD
DuRecDial 2.0: A Bilingual Parallel Corpus for Conversational Recommendation
Harbin Institute of Technology（哈尔滨工业大学）；Baidu Inc.（百度公司）
在本文中，我们提供了一个双语并行人对人的推荐对话数据集（DuRecDial 2.0），使研究人员能够探索具有挑战性的任务，多语言和跨语言的会话推荐。DuRecDial 2.0与现有会话式推荐数据集的区别在于，DuRecDial 2.0中的数据项（Profile，Goal，Knowledge，Context，Response）使用两种语言进行注释，英语和中文，而其他数据集则使用单一语言设置。我们收集了8.2k个跨英语和汉语的对话（共16.5k个对话和255k个话语），这些对话由众包工作人员进行注释，并具有严格的质量控制程序。然后，我们在DuRecDial 2.0上构建单语，多语言和跨语言会话推荐基线。实验结果表明，使用额外的英语数据可以带来性能的改善，中文会话推荐，显示DuRecDial 2.0的好处。最后，这个数据集提供了一个具有挑战性的测试平台，为未来的研究单语，多语言和跨语言的会话推荐。
2021-09-18 cs.AI cs.CL
Chinese Learners' Phonetic Transfer of /i/ from Mandarin Chinese to General American English: A Case Study of a Chinese Learner with Advanced English
Teachers College, Columbia University（哥伦比亚大学教师学院）
本文从语音层面探讨语言迁移现象，着重探讨高级英语学习者在英语元音/i/及其对应元音习得中的迁移现象。本文通过对中国英语学习者Vanya在普通美国英语中是否能准确区分/i/和其lax对应词，并准确发音的研究，为进一步研究中国英语学习者之间的语言迁移提供参考。有两个目标：首先，研究学习者区分元音/i/和其宽松对应物的感知能力; 2其次，确定语音迁移的效果。两个感知测试和生产测试被用来实现这两个目标。两次感知测试的结果证明了Vanya区分/i/和其宽松对应物的感知能力，为后续生产测试的有效性奠定了坚实的基础。考虑到Vanya的/i/的F1和F2值在他的第一语言（汉语普通话）和第二语言（GAE）中高度相似，并且这两个值都低于GAE中常见/i/的典型值，F2值之间的差异特别突出，可以合理地得出发生语音迁移的结论。参与者的高知觉能力作为一个先进的水平ELL并没有显着缓和语音迁移的效果。
2022-10-20 cs.CL
Contrastive Analysis of Constituent Order Preferences Within Adverbial Roles in English and Chinese News: A Large-Language-Model-Driven Approach
School of Humanities, Beijing University of Posts and Telecommunications（北京邮电大学人文学院）
本文以LLM标注的可比英汉语新闻语料为基础，从状语角色功能块视角对比英汉语新闻语序偏好，揭示了两者在核心信息叙事顺序、SVO结构中功能块分布及共现时灵活性的差异，为英汉语信息结构对比研究提供新实证支持。
2025-08-08 cs.CL
A Multichannel Convolutional Neural Network For Cross-language Dialog State Tracking
Panasonic Corporation（松下公司）
第五届对话状态跟踪挑战赛（DSTC 5）引入了一种新的跨语言对话状态跟踪场景，要求参与者基于英语训练语料库构建跟踪器，同时使用未标记的中文语料库对其进行评估。虽然数据集中提供了英文和中文语料的计算机生成的翻译，但这些翻译包含错误，不小心使用它们很容易损害所构建的跟踪器的性能。为了解决这个问题，我们提出了一个多通道卷积神经网络（CNN）架构，其中我们把英语和汉语作为一个单一的CNN模型的不同输入通道。在DSTC 5的评估中，我们发现这种多通道架构可以有效地提高对翻译错误的鲁棒性。此外，我们的DSTC 5方法纯粹是基于机器学习的，不需要关于目标语言的先验知识。我们认为这是在跨语言上下文中构建跟踪器的理想属性，因为不是每个开发人员都熟悉这两种语言。
2017-01-23 cs.AI cs.CL cs.LG
OC16-CE80: A Chinese-English Mixlingual Database and A Speech Recognition Baseline
Tsinghua University（清华大学）；Chinese Academy of Sciences（中国科学院）；SpeechOcean（海天瑞声）
OC 16-CE 80中英混合语言语音数据库是O-COCOSDA 2016上发布的中英混合语言语音识别（MixASR-CHEN）挑战赛的主要训练、开发和测试资源。该数据库由1,400多人80小时的语音信号组成，这些语音信号是汉语的，但每个语音信号都包含一个或几个英语单词。基于该数据库和另外两个免费数据源（THCHS 30和CMU词典），采用深度神经网络-隐马尔可夫模型（DNN-HMM）混合系统构建了语音识别（ASR）基线。然后，我们根据MixASR-CHEN评估规则报告了基线结果，并证明OC 16-CE 80是混合语言研究的合理数据源。
2016-09-27 cs.CL
SubCharacter Chinese-English Neural Machine Translation with Wubi encoding
Ocean University of China（中国海洋大学）；Global Tone Communication Technology Co., Ltd.（环球语音通信技术有限公司）
神经机器翻译是理解两种语言之间语义规则差异的最佳方法之一。特别是对于印欧语言，子词级模型已经取得了令人印象深刻的结果。然而，当翻译任务涉及到中文时，语义粒度仍然停留在词和字的层次上，因此仍然需要更细粒度的中文翻译模型。本文介绍了一种简单有效的子字级汉语翻译方法。我们的方法使用五笔字型的方法将中文翻译成英文，然后应用字节对编码（BPE）。我们的方法用于汉英翻译，消除了在预处理过程中复杂的分词算法的需要。此外，我们的方法允许基于递归神经网络（RNN）架构的子字符级神经翻译，而无需预处理。实验结果表明，对于汉英翻译任务，我们的子字符级模型具有可比的BLEU得分的子词模型，尽管有一个小得多的词汇。此外，小词汇量对于NMT模型压缩是非常有利的。
2019-11-07 cs.CL
Comparative Study on the Discourse Meaning of Chinese and English Media in the Paris Olympics Based on LDA Topic Modeling Technology and LLM Prompt Engineering
Communication University of China（中国传媒大学）
本研究通过LDA主题建模、LLM提示工程和语料库短语学方法，比较中英文媒体对巴黎奥运会的报道，揭示两者在话语主题和态度意义（如语义韵）上的异同。
2025-04-25 cs.CL
Word, Subword or Character? An Empirical Study of Granularity in Chinese-English NMT
National Laboratory of Pattern Recognition, CASIA（中国科学院自动化研究所模式识别国家重点实验室）；University of Chinese Academy of Sciences（中国科学院大学）；CAS Center for Excellence in Brain Science and Intelligence Technology（中国科学院脑科学与智能技术卓越创新中心）
神经机器翻译（NMT）是一种新的机器翻译方法，它在多种语言对上的翻译性能优于传统的统计机器翻译（SMT）。翻译是一个开放词汇的问题，但现有的NMT系统大多使用固定词汇，这导致了对稀有词汇的翻译能力不足。这个问题可以通过使用不同的翻译粒度，如字符，子字和混合字字符来缓解。中文翻译是机器翻译中最困难的任务之一，然而，据我们所知，目前还没有任何其他的工作探索哪种翻译粒度最适合于中文翻译。本文以汉英非母语翻译为例进行了广泛的对比研究。此外，我们详细讨论了各种翻译粒度的优点和缺点。实验结果表明，在词汇量不大的情况下，子词模型的翻译效果最好，而词字混合模型的翻译效果最好。不同粒度的实验结果表明，Hybrid_BPE方法在汉英翻译任务中取得了最佳的效果。
2017-11-13 cs.CL
Underutilization of Syntactic Processing by Chinese Learners of English in Comprehending English Sentences, Evidenced from Adapted Garden-Path Ambiguity Experiment
本研究通过改编花园路径实验，发现中国英语学习者在理解英语句子时存在句法加工利用不足，并识别出部分与完全两种类型，为提升其句子理解水平的新型解析方法奠定基础。
2024-12-21 cs.CL
Zero-shot Chinese Discourse Dependency Parsing via Cross-lingual Mapping
Peking University（北京大学）；Peng Cheng Laboratory（鹏城实验室）
由于缺乏标记数据，语篇分析在某些语言中仍然具有挑战性。本文提出了一种利用英语语篇标注数据和句法分析技术进行zero-shot中文文本级依存句法分析的方法。首先从句子和基本话语单位（EDU）两个层面构建汉英映射，然后利用对应英文译文的句法分析结果构建中文文本的话语树。该方法不需要大规模的中文标注数据，就能自动进行汉语篇章分析。
2019-11-27 cs.CL
Upping the Ante: Towards a Better Benchmark for Chinese-to-English Machine Translation
National University of Singapore（新加坡国立大学）
有许多机器翻译（MT）论文提出了新的方法，并显示了对其自定义基线的改进。每篇论文的实验设置往往各不相同。因此，很难确定所提出的方法是否真的有用并推进了最新技术水平。汉英翻译是机器翻译论文中常见的翻译方向，尽管汉英机器翻译还没有一个被广泛接受的实验环境。本文的目标是提出一个中文到英文的机器翻译的评估设置的基准，这样一个新提出的MT方法的有效性可以直接比较以前的方法。为此，我们还构建了一个具有高度竞争力的最先进的MT系统，该系统在大规模训练集上进行训练。我们的系统在过去11年中在计算语言学和人工智能的主要会议和期刊上发表的几乎所有论文中都优于NIST OpenMT测试集的报告结果。我们认为，一个标准化的基准数据和性能是很重要的有意义的比较。
2018-05-04 cs.CL
Building a Non-native Speech Corpus Featuring Chinese-English Bilingual Children: Compilation and Rationale
FAU
本文介绍了一个包含50名5至6岁中英双语儿童、总计6.5小时的非母语语音语料库，采用自研远程方法采集音视频以缓解低可懂度转写挑战，并附带人工评分与错误标注，为二语教学及提升ASR性能提供宝贵资源。
2024-01-07 cs.CL
ChineseHarm-Bench: A Chinese Harmful Content Detection Benchmark
针对中文有害内容检测数据集稀缺的问题，提出了涵盖六个类别的真实世界数据基准ChineseHarm-Bench及知识规则库，并设计了融合人工与模型隐式知识的增强基线，使小模型性能媲美最先进LLMs。
2025-08-13 cs.AI cs.CL cs.CR
Character-level Chinese-English Translation through ASCII Encoding
Institute of Neuroinformatics, University of Zürich and ETH Zürich（苏黎世大学与苏黎世联邦理工学院神经信息学研究所）
神经网络机器翻译（NMT）模型最近在许多语言对上取得了令人印象深刻的结果。它们主要适用于印欧语言对，这些语言共享相同的书写系统。然而，对于汉英翻译来说，两种不同的书写系统之间的差距构成了一个重大挑战，因为单个语言单位之间缺乏系统的对应关系。在本文中，我们使字符级的NMT为中国，打破了中国的字符到语言单位类似的印欧语言。我们使用五笔编码方案，它保留了字符的原始形状和语义信息，同时也是可逆的。我们展示了在字符和子字级别上使用递归和卷积模型训练基于Wubi的模型的有希望的结果。
2018-08-27 cs.CL
Evaluating and Preserving Lexical Stress in English-to-Chinese Speech-to-Speech Translation
The Chinese University of Hong Kong, Shenzhen, China（香港中文大学（深圳））；Shenzhen Loop Area Institute, China（深圳环域研究所）
针对英汉语音翻译中词汇重音跨语言传递不足的问题，构建重音标注数据集和普通话重音检测器，提出跨语言重音评估指标，并微调CosyVoice3构建重音感知S2ST系统，实验表明该系统在重音翻译能力上显著优于现有系统。
2026-06-16 cs.CL
GCDT: A Chinese RST Treebank for Multigenre and Multilingual Discourse Parsing
Georgetown University（乔治城大学）
由于缺乏大规模人工标注数据，汉语层次语篇分析受到了限制。本文在修辞结构理论的框架下，提出了最大的汉语层次语篇树库GCDT。GCDT涵盖了五种类型的免费文本中超过6万个标记，使用与当代英语树库相同的关系库存。我们还报告了这个数据集的解析实验，包括最先进的（SOTA）得分为中文的GUM数据集和中文的GUM数据集，使用跨语言的训练，在中文和英文的多语言嵌入。
2022-10-19 cs.CL
ChLogic: Evaluating Robustness of Logical Reasoning in Chinese Expressions
College of Mathematics, Sichuan University（四川大学数学学院）；Theory Lab, 2012 Labs, Huawei Technologies Co., Ltd（华为技术有限公司2012实验室理论实验室）
提出英中对照基准ChLogic，通过形式逻辑模板构建数据集，测试模型在英文和多种中文表达下逻辑推理的鲁棒性，发现英中性能差距，回译效果因数据集和模型而异。
2026-06-17 cs.CL
The role of inhibitory control in garden-path sentence processing: A Chinese-English bilingual perspective
Guangdong University of Foreign Studies（广东外语外贸大学）；The Chinese University of Hong Kong（香港中文大学）；Nanyang Technological University（南洋理工大学）
本研究从汉英双语视角探究抑制控制在花园路径句加工中的作用，发现其不影响母语花园路径恢复，与二语熟练度呈复杂关联，还确定了双语研究中测量抑制控制的优选Stroop任务版本。
2024-12-13 cs.CL
Semantic Prosody in Machine Translation: the English-Chinese Case of Passive Structures
Centre de Llenguatge i Computacio (CLiC), Universitat de Barcelona（巴塞罗那大学语言与计算中心）；Institut de Recerca en Sistemes Complesos (UBICS), Universitat de Barcelona（巴塞罗那大学复杂系统研究所）
针对机器翻译忽视语义韵律的问题，本文构建英汉“被”字句数据集并微调多个模型，使其在翻译中正确使用被动结构，且知识可跨语言迁移。
2025-10-16 cs.CL
Shallow Discourse Annotation for Chinese TED Talks
Tianjin University（天津大学）；University of Edinburgh（爱丁堡大学）
标注了语言相关属性的文本语料库是语言技术发展的重要资源。目前的工作为中文语言技术和中英翻译提供了一个新的资源，以一组TED演讲的形式（一些最初是用英语给出的，一些是中文），这些演讲已经以Penn Discourse TreeBank的风格用话语关系进行了注释，适应了中文文本中不存在的属性。该资源是目前唯一的注释话语级属性计划的口头独白，而不是书面文本。一个注释者之间的协议研究表明，注释方案是能够实现高度可靠的结果。
2020-04-06 cs.CL
The University of Edinburgh's Submissions to the WMT19 News Translation Task
University of Edinburgh（爱丁堡大学）
爱丁堡大学参加了WMT 19新闻翻译共享任务，涉及六种语言：英语到古吉拉特语，古吉拉特语到英语，英语到汉语，汉语到英语，德语到英语和英语到捷克语。对于所有翻译方向，我们创建或使用目标语言的单语数据的反向翻译作为附加的合成训练数据。对于英语-古吉拉特语，我们还探索了具有跨语言语言模型预训练的半监督MT，以及通过印地语的翻译旋转。对于中文翻译，我们研究了基于字符的分词与中文文本的子分词。对于德语到英语，我们研究了大量反向翻译的训练数据对翻译质量的影响，获得了一些额外的见解。对于英语到捷克语，我们比较了不同的预处理和标记化制度。
2019-07-12 cs.CL
Chinese Intermediate English Learners outdid ChatGPT in deep cohesion: Evidence from English narrative writing
Nanjing University of Posts and Telecommunications（南京邮电大学）；Guangzhou University（广州大学）
ChatGPT是一个公开的聊天机器人，可以快速生成给定主题的文本，但目前尚不清楚聊天机器人是否真的在写作的各个方面都优于人类作家，以及其写作质量是否可以在更新命令的基础上显著提高。因此，本研究比较了ChatGPT和中国中级英语学习者在叙事主题上的写作表现，以揭示Chatbot在写作中的优势和劣势。使用Coh-Meetron（一种分析语言语篇的特殊工具）对数据进行了五个语篇成分的分析，结果显示ChatGPT在叙述性、词语具体性和指称衔接方面优于人类作者，但在句法简单性和深层衔接方面不如人类作者。经过多次修改后的版本虽然在句法简洁性上有所提高，但在深层衔接方面仍远远落后于中国英语学习者的写作水平。此外，话语成分的相关性分析表明，叙述性与指称衔接在ChatGPT和人类作家，但每个组的相关性有所不同。
2023-03-21 cs.CL
Fine Grained Human Evaluation for English-to-Chinese Machine Translation: A Case Study on Scientific Text
Deakin University（迪肯大学）；Zhongtukexin Co. Ltd.（中图科信有限公司）
最近的研究表明，神经机器翻译（MT）在新闻领域已经达到了人类水平的性能，但对于其他专业领域，它远远低于人类水平。本文对四种广泛使用的汉英自然语言翻译系统进行了细粒度的系统化人工评价。我们的人工评估结果表明，所有的系统返回平均超过10\%的出错率，这需要大量的后期编辑工作，真正的学术用途。此外，我们还将六种主要的错误类型进行了分类，并提供了一些真实的例子。我们的研究结果强调，在机器翻译界的研究重点应该从短文本的一般翻译转向专业的机器翻译，并建立大规模的双语语料库，这些特定的领域。
2021-09-13 cs.CL
Fine-grained Human Evaluation of Transformer and Recurrent Approaches to Neural Machine Translation for English-to-Chinese
University of Groningen（格罗宁根大学）
本研究提出了一个细粒度的人的评价比较Transformer和递归的方法神经机器翻译（MT），翻译方向上的英语到汉语。为此，我们开发了一个符合多维质量管理（MQM）框架的错误分类，该框架是定制的翻译方向的相关现象。然后，我们在WMT2019新闻测试集的一个子集上，使用这种自定义的错误分类法对最先进的基于递归和基于transformer的MT系统的输出进行错误注释。由此产生的注释表明，与最佳递归系统相比，最佳Transformer系统导致错误总数减少31%，并且在22个错误类别中的10个中产生的错误显著减少。我们还注意到，两个系统的评估不产生任何错误的一个类别，这是相关的翻译方向之前出现的NMT系统：中国的分类。
2020-06-15 cs.CL
Neural Network Models for Implicit Discourse Relation Classification in English and Chinese without Surface Features
Yelp（Yelp公司）；University of Saarland（萨尔大学）；Brandeis University（布兰迪斯大学）
从自然语言文本中推断隐含的语篇关系是语篇分析中最困难的子任务。表面特征取得了良好的性能，但它们不容易适用于其他语言没有语义词典。以前的神经模型需要解析、表面特征或小标签集才能正常工作。在这里，我们提出了神经网络模型，是基于前馈和长短期记忆架构没有任何表面特征。令我们惊讶的是，尽管进行了彻底的调整，但在大多数情况下，我们最佳配置的前馈架构的性能仍优于基于LSTM的模型。在各种细粒度的标签集和跨语言设置下，我们的前馈模型的性能始终更好，或者至少与需要手工制作的表面特征的系统一样好。我们的模型提出了第一个神经汉语语篇分析器在风格的汉语语篇树库，表明我们的结果持有跨语言。
2016-06-07 cs.CL
The Study of Perceptual Training of Chinese Mandarin Tones for Monolingual Speakers of English Using Adaptive Computer Based Training Software
McGill University（麦吉尔大学）
本文研究面向英语单语者的汉语普通话声调感知训练，提出并考察一种基于自适应计算机训练软件的新型语音声调训练技术。
2023-09-24 cs.CL cs.HC
StyleBERT: Chinese pretraining by font style information
Sunshine Insurance Group Co., Ltd（阳光保险集团股份有限公司）
随着使用英语预训练语言模型的下行任务的成功，预训练的汉语语言模型也是必要的，以获得更好的性能，中文NLP任务。与英语不同的是，汉语有其特殊的专用字符，如汉字信息。因此，本文提出了一种中文预训练语言模型StyleBERT，它包含了以下嵌入信息，以增强语言模型的理解能力，如单词、笔画、五笔画和柴字。实验表明，该模型在大范围的中文自然语言处理任务上取得了良好的性能。
2022-02-23 cs.CL
ProphetNet-X: Large-Scale Pre-training Models for English, Chinese, Multi-lingual, Dialog, and Code Generation
University of Science and Technology of China（中国科学技术大学）；Microsoft Research Asia（微软亚洲研究院）；Microsoft（微软）；Nanjing University of Science and Technology（南京理工大学）
目前，预训练技术在自然语言处理领域中无处不在。AptNet是一种基于预训练的自然语言生成方法，在英文文本摘要和问题生成任务上表现出强大的性能。在本文中，我们将OpenNet扩展到其他领域和语言，提出了OpenNet家族的预训练模型：OpenNet X，其中X可以是英语、汉语、多语言等，我们预训练了一个跨语言生成模型OpenNet Multi，一个汉语生成模型OpenNet Zh，两个开放领域对话生成模型OpenNet Dialog-En和OpenNet Dialog-Zh。此外，我们还提供了一个PLG（程序设计语言生成）模型，以显示除了NLG（自然语言生成）任务的生成性能。在我们的实验中，AptNet-X模型在10个基准测试中实现了新的最先进的性能。所有的型号都共享相同的模型结构，这使得用户可以轻松地在不同的模型之间切换。我们公开了代码和模型，并将不断更新更多的预训练模型和微调脚本。
2021-06-22 cs.CL
Decoding Machine Translationese in English-Chinese News: LLMs vs. NMTs
School of Foreign Studies, Tongji University（同济大学外国语言学院）；Language and Translation Technology Team, Ghent University（根特大学语言与翻译技术团队）
本研究构建大型数据集并采用五层特征集与卡方排序算法，分析英汉新闻中机器翻译体特征，发现原始中文与机器翻译输出可近乎完美区分，且LLMs与NMTs在词汇多样性等方面存在约70%准确率的可分类差异。
2025-06-27 cs.CL
Achieving Human Parity on Automatic Chinese to English News Translation
Microsoft AI & Research（微软人工智能与研究部）
近年来，机器翻译取得了飞速的发展。如今，数百万人在在线翻译系统和移动应用程序中使用它，以便跨越语言障碍进行交流。自然会产生这样的问题，即这种系统是否可以接近或实现与人类翻译的平等。在本文中，我们首先解决的问题，如何定义和准确衡量翻译中的人类平等。然后，我们描述了微软的机器翻译系统，并在广泛使用的WMT 2017新闻翻译任务中测量其翻译质量。我们发现，我们最新的神经机器翻译系统已经达到了最先进的水平，与专业的人工翻译相比，翻译质量与人类不相上下。我们还发现，它大大超过了众包非专业翻译的质量。
2018-06-29 cs.CL
Discourse Representation Structure Parsing for Chinese
University of Groningen（格罗宁根大学）
该研究探索无标注数据下中文话语表征结构语义解析的可行性，构建数据收集流水线与专用测试集，发现副词是主要难点，且机器翻译加英语解析器的效果略低于直接用中文数据训练。
2023-06-16 cs.CL
Component-Enhanced Chinese Character Embeddings
The Hong Kong Polytechnic University（香港理工大学）；Chinese Academy of Sciences（中国科学院）；Peking University（北京大学）
分布式词表示对于捕获语义信息非常有用，并且已经成功地应用于各种NLP任务，特别是英语。在这项工作中，我们创新性地开发了两个组件增强的汉字嵌入模型和它们的二元组扩展。区别于英语词嵌入，我们的模型探讨的是汉字的组成，这往往是固有的语义指示符。对词相似度和文本分类的评价表明了模型的有效性。
2015-08-26 cs.CL
Code-Based English Models Surprising Performance on Chinese QA Pair Extraction Task
Ant Group（蚂蚁集团）
本研究发现基于代码的模型不仅在推理密集场景优于文本模型，在中文问答对抽取任务中表现也很突出，含一定中文数据的此类模型性能更优，还为“中文屋”思想实验讨论提供了新视角。
2024-03-11 cs.AI cs.CL
PETCI: A Parallel English Translation Dataset of Chinese Idioms
The University of Chicago（芝加哥大学）
成语是汉语中一种重要的语言现象，但成语翻译是出了名的难。现有的机器翻译模型在习语翻译上表现不佳，而习语在许多翻译数据集中是稀疏的。我们提出了PETCI，一个平行的英语翻译数据集的中国成语，旨在提高成语翻译的人力和机器。数据集是通过利用人类和机器的努力来构建的。基线生成模型在提高翻译质量方面表现不佳，而结构感知分类模型在区分好的翻译方面表现出良好的性能。此外，PETCI的规模可以很容易地增加，而无需专业知识。总的来说，PETCI可以帮助语言学习者和机器翻译系统。
2022-02-19 cs.CL cs.LG
A Comparison of Word Embeddings for English and Cross-Lingual Chinese Word Sense Disambiguation
National University of Singapore（新加坡国立大学）；NUS Interactive and Digital Media Institute（新加坡国立大学互动与数字媒体研究所）
词嵌入是自然语言处理中普遍存在的词表示形式。词嵌入在英语单语词义消歧中已有应用，但比较研究较少。本文试图弥合这一差距，通过检查流行的嵌入任务的单语英语词义消歧。我们的简化方法无需昂贵的再培训即可获得可比的最先进性能。跨语言WSD -其中源语言e中的单词的词义来自单独的目标翻译语言f -也可以帮助语言学习;例如，当为学习者提供目标词汇的翻译时。因此，我们还将词嵌入应用于中文跨语言词义消歧的新任务，并提供了一个公共数据集，以供进一步基准测试。我们还尝试了在LSTM网络中使用词嵌入，令人惊讶地发现基本的LSTM网络并不能很好地工作。我们讨论了这一结果的后果。
2017-04-09 cs.CL
The Role of Handling Attributive Nouns in Improving Chinese-To-English Machine Translation
Carnegie Mellon University（卡内基梅隆大学）；New York University（纽约大学）；Northeastern University（东北大学）；Barcelona Supercomputing Center（巴塞罗那超级计算中心）
本文针对中文定语名词导致的中译英歧义问题，通过手动插入被省略的“的”构建数据集并微调 Hugging Face 模型，从而改进关键功能词处理并提升翻译质量。
2025-01-02 cs.AI cs.CL
Automatic Alignment of English-Chinese Bilingual Texts of CNS News
本文提出了一种结合词汇分析和统计分析的方法对中国新闻社的英汉双语新闻报道进行对齐。由于英汉两种语言在句法结构上的差异，在句子层次上进行匹配时，往往会出现多个句子同时匹配的情况。有鉴于此，目前的工作也试图通过允许更精细的匹配从两个文本之间的条款，如果可能的话，创建更短的对齐对。目前的方法是基于句子或分句长度的统计相关性，同时使用明显的锚点，如数字和地名经常出现在新闻报道作为词汇线索。
1996-08-27 cmp-lg cs.CL
HardMTBench: Stress-Testing Chinese-English Translation on Knowledge-Intensive Domains
Large Language Model Department, Tencent（腾讯大语言模型部门）
针对现有中英翻译基准饱和问题，提出HardMTBench，一种难度感知的诊断基准，通过多阶段构建和难度融合规则，在12个知识密集型领域上显著扩大系统性能差异并暴露术语和知识弱点。
2026-05-27 cs.CL
Beyond English and Evasion: A Human-Annotated Multi-Domain Benchmark for High-Stakes LLM Safety Evaluation in Chinese
Northwestern University in Qatar（卡塔尔西北大学）
针对LLM在中文环境下安全系统失效的问题，构建了包含1,897个对抗性提示的人工标注基准ChiSafe-PAS，覆盖四个高风险领域，并提供完整标注以评估模型安全对齐。
2026-05-28 cs.CL
Evaluation of Chinese-English Machine Translation of Emotion-Loaded Microblog Texts: A Human Annotated Dataset for the Quality Assessment of Emotion Translation
University of Surrey（萨里大学）；Xi’an International Studies University（西安外国语大学）
本文提出基于多维质量指标（MQM）的评估框架，分析谷歌翻译对情感负载微博文本的翻译质量，发现约50%的输出丢失原始情感，并识别出情感词、多义词、否定和缩写等主要错误来源。
2023-06-20 cs.CL
Bridge Diffusion Model: Bridge Chinese Text-to-Image Diffusion Model with English Communities
本文提出桥扩散模型，通过端到端结构学习中文语义并保持潜在空间与英文文本到图像模型的兼容性，实现中英文语义融合生成。
2026-03-17 cs.AI cs.CL
