Semi-supervised model adaptation for statistical machine translation

Statistical machine translation systems are usually trained on large amounts of bilingual text (used to learn a translation model), and also large amounts of monolingual text in the target language (used to train a language model). In this article we explore the use of semi-supervised model adaptation methods for the effective use of monolingual data from the source language in order to improve translation quality. We propose several algorithms with this aim, and present the strengths and weaknesses of each one. We present detailed experimental evaluations on the French-English EuroParl data set and on data from the NIST Chinese-English large-data track. We show a significant improvement in translation quality on both tasks.Les syst\ue8mes de traduction statistiques sont habituellement \uab entra\ueen\ue9s \ubb au moyen de grandes quantit\ue9s de texte bilingue (que les syst\ue8mes utilisent pour apprendre un mod\ue8le de traduction). Dans cet article, nous examinons l'utilisation de m\ue9thodes d'adaptation de mod\ue8le semi-supervis\ue9e visant l'utilisation efficace de donn\ue9es monolingues dans la langue source afin d'am\ue9liorer la qualit\ue9 de la traduction. Nous proposons plusieurs algorithmes ayant cet objectif et nous pr\ue9sentons les forces et les faiblesses de chacun d'entre eux. Nous pr\ue9sentons aussi des \ue9valuations exp\ue9rimentales d\ue9taill\ue9es obtenues \ue0 partir du jeu de donn\ue9es fran\ue7ais-anglais EuroParl et de la piste de donn\ue9es de grande taille du couple chinois-anglais du NIST. Nous montrons avec ces deux t\ue2ches qu'il y a eu une am\ue9lioration importante de la qualit\ue9 de la traduction.NRC publication: Ye