题目：Pseudo-kNN-MT: Enhancing Domain Adaptability of Neural Machine Translation Via Target Language Data

作者：阿卜杜热西提·热合曼，罗应峰，阮俊豪，刘宏宇，肖桐，朱靖波

简介：

为了解决神经机器翻译（NMT）在特定领域双语数据稀缺的情况下的领域适应性难题，

我们在这篇论文中提出了一种名为 Pseudo-kNN-MT 的无需模型训练的方法。

该方法通过从目标语言数据中检索跟待翻译句子语义相似的句子，与源语言句子配对构造“伪双语数据”，并在kNN-MT框架下融合相似翻译知识。

为了有效降低伪数据带来的噪声，我们将跨语言检索的句子相似度信息整合进kNN概率的计算过程中。

实验结果表明，该方法在多种语言对和领域的测试中，无论是在高资源还是低资源场景下，都显著提升了NMT模型的领域适应能力。

这是一种高效、灵活且成本低廉的即插即用型解决方案，有效利用了易于获取的单语数据来增强机器翻译的领域适应性。