機器翻譯是計算語言學的一個分支，是人工智能的終極目標之一，具有重要的科學研究價值。同時，機器翻譯又具有重要的實用價值。隨著經(jīng)濟全球化及互聯(lián)網(wǎng)的飛速發(fā)展，機器翻譯技術(shù)在促進政治、經(jīng)濟、文化交流等方面起到越來越重要的作用。機器翻譯雖已廣泛應用于各個領(lǐng)域，但現(xiàn)有神經(jīng)網(wǎng)絡(luò)測試工作均未在自然語言處理的模型上進行過測試。然而，研究發(fā)現(xiàn)在這些翻譯模型中存在不一致性問題。發(fā)表于 ICSE 2020 的論文《Automatic Testing and Improvement of Machine Translation》率先對機器翻譯進行測試，并提出了一種用于檢測及修復神經(jīng)網(wǎng)絡(luò)翻譯器中所存在的不一致性問題的方法——TransRepair。TransRepair 結(jié)合了變異測試及蛻變測試兩種方法以檢測不一致性問題。對于所檢測的問題，提出了一種基于概率的后處理方法以對該問題進行修復。本期 AI Time PHD 直播間，我們很榮幸地邀請到論文的一作，北京大學孫澤宇博士為大家分享他們的研究成果！
孫澤宇，北京大學信息科學技術(shù)學院 2019 級博士生，導師為張路教授，指導老師為熊英飛研究員。主要研究方向為程序自動生成和軟件測試，已在相關(guān)領(lǐng)域的國際頂級會議如ICSE， AAAI， IJCAI， FSE等發(fā)表多篇論文。
研究動機：機器翻譯的不一致性
隨著機器學習的發(fā)展，多用途的自然語言翻譯系統(tǒng)相繼問世，許多系統(tǒng)能夠?qū)崟r有效地在數(shù)千種語言之間進行翻譯。然而事實上，大多翻譯系統(tǒng)并不完美，存在大量翻譯上的錯誤。研究發(fā)現(xiàn)，人為的誤譯可能造成非常嚴重的后果，成為改變歷史的導火索。例如，19 世紀末著名的《烏查里條約》誤譯事件。由于意大利對條約第17條錯誤的翻譯，最終導致了意大利和埃塞俄比亞兩國爆發(fā)戰(zhàn)爭。
同樣，機器翻譯的誤譯也會造成困惑及誤解。例如，將傳統(tǒng)小吃“四喜烤夫”翻譯成“roasted husband”，將“小心滑倒”譯為“slip and fall down carefully”等。更為嚴重地，出現(xiàn)不公平性現(xiàn)象，對特定的用戶群體造成傷害。圖1顯示了幾個語言對（英語→中文）的谷歌翻譯結(jié)果，當主語是“men”或“male students”，將“good”翻譯成“很好的 （very good）”，然而當主語是“women”或“female students”時，則將“good”翻譯成“很多 （a lot）”，這種不一致性不僅會讓用戶感到困惑，而且顯然對計算機科學領(lǐng)域的女性研究人員也不公平。與進行“very good”研究相比，進行“a lot”研究明顯是一種更具貶義的解釋。為了避免這種翻譯錯誤，需要能夠自動識別和糾正不一致性的技術(shù)。
圖1 翻譯不一致產(chǎn)生的公平問題的示例
方法：如何解決不一致性問題
針對機器翻譯中的不一致性問題，傳統(tǒng)機器學習系統(tǒng)的修復方法一般是使用數(shù)據(jù)增強或算法優(yōu)化，提高機器學習的整體性能，不針對單個錯誤進行特定修復；同時還需要數(shù)據(jù)收集、標注和模型的再訓練，通常來說成本很高。
另外，傳統(tǒng)修復軟件錯誤的方法是白盒，當識別出需要修改的源代碼后才能進行修復，但這種方法不能用于修復源代碼不可用的軟件，比如第三方代碼。
圖2 不一致性問題的傳統(tǒng)修復方法
為改進傳統(tǒng)修復方法存在的缺陷，孫澤宇等提出了一種用于檢測及修復神經(jīng)網(wǎng)絡(luò)翻譯器中所存在的不一致性問題的組合方法——TransRepair，結(jié)合變異測試及蛻變測試的方法對不一致性問題進行測試，并通過黑盒和灰盒兩種方式自動修復在測試階段發(fā)現(xiàn)的翻譯錯誤。
圖3 TransRepair方法
TransRepair 測試及修復概述
圖4 TransRepair測試及修復不一致性問題概述
圖4為 TransRepair 測試及修復的過程概述，主要有以下三個步驟：
1） 自動測試輸入生成生成用于一致性測試的句子，對每個句子使用上下文相似的單詞進行替換，生成的候選變異句使用語法檢查進行篩選，通過篩選的變異句將作為被測機器翻譯的輸入。
2） 自動測試oracle生成根據(jù)翻譯輸入和輸出之間的蛻變關(guān)系，生成oracle以識別不一致的翻譯，思想是，翻譯原句與其上下文相似變異句的輸出應具有一定程度的一致性。使用相似度指標衡量翻譯輸出和oracle的一致性程度。
3）自動不一致性修復自動修復具有不一致性的翻譯，有黑盒和灰盒兩種方法，根據(jù)變異中最優(yōu)的翻譯對原譯文進行轉(zhuǎn)換?？紤]兩種最優(yōu)翻譯的選擇方法，一種是預測概率法，另一種是交叉引用法。
一、測試
測試第一步是構(gòu)建上下文相似語料庫。進行上下文相似的單詞替換的關(guān)鍵步驟是，找到一個可以被其他相似單詞替換、且不影響句子結(jié)構(gòu)的單詞，替換生成的新句應與原句的翻譯一致，單詞之間的相似度通過詞向量進行衡量。
為了構(gòu)建一個可靠的上下文相似語料庫，采用 GloVe、SpaCy 兩種詞向量模型，并使用其訓練結(jié)果的交集。當兩個單詞在兩個模型中的相似度都超過 0．9 時，則認為它們是上下文相似的，將這對單詞放入上下文相似語料庫中，得到變異算子。以圖 5 的句子為例，通過計算詞向量相似度，衡量句中“Male”和“Female”能否進行替換？在設(shè)定的標準下，答案是可替換的。
圖5 上下文相似語料庫構(gòu)建
構(gòu)建好上下文相似語料庫后，下一步進行翻譯輸入變異。首先是單詞替換，對于原句中的每個單詞，在語料庫中搜索是否存在匹配單詞，如果找到了一個匹配的詞，替換并生成變異句。同一單詞在不同語境下意思或許有所不同，但上述替換只考慮了整體語境，忽視了具體情況下的差異，因此替換的單詞可能不適合新句子的上下文，導致生成的變異句無法解析。
為解決此類解析失敗問題，提出通過附加約束來檢測變異句的合理性，基于 Stanford Parser 進行結(jié)構(gòu)過濾。分析得到原句和變異句的語法樹，假設(shè)二者結(jié)構(gòu)相同，則認為對原句的變異在結(jié)構(gòu)上是合理的，反之不合理，從候選中刪除。
圖6 翻譯輸入變異
通過對原句和變異句的翻譯結(jié)果進行比較，測試翻譯是否具有一致性。具體做法是對原句和變異句的譯文進行切片，刪除部分得到不同子序列并分別計算它們的相似度。相似度計算主要采用 Tf－idf， BLEU， LCS， ED 等幾種常用方法，使用最高相似度作為最終一致性評分的結(jié)果。當最終相似度小于設(shè)定的閾值時，認定為翻譯不一致。
圖7 翻譯不一致性測試
二、黑盒和灰盒修復
發(fā)現(xiàn)問題就要解決問題，下一步工作是對識別出的不一致性問題進行修復。同樣以之前的句子為例，在將“Male”改為“Female”之后，對“good”的翻譯從“很好”變?yōu)榱恕昂芏唷保敲淳烤鼓膫€翻譯是正確的還是都不正確？首先任取一句話作為原句，然后通過上述測試同樣的方法對句子進行變異，生成變異句并進行翻譯。使用預測概率（Predictive probability）或交叉引用（cross reference）對原句及變異句的譯文進行排序，排序高者為候選目標翻譯，再利用詞對齊（Word Alignment）尋找單詞之間的映射關(guān)系，生成最終修復后的翻譯結(jié)果。
其中，利用預測概率意在選擇出現(xiàn)概率最高的譯文成為修復依據(jù)，是一種灰盒修復方法，既不需要訓練數(shù)據(jù)，也不需要訓練算法的源代碼，只需要機器翻譯提供的預測概率。而交叉引用是計算譯文之間的相似度，兩兩比較后找到與其他句子相似度最高的譯文，是一種黑盒修復方法，只需要翻譯器的輸出。
圖8 不一致性問題修復
圖9 詞對齊后的翻譯結(jié)果
TransRepair的模型評估
TransRepair能夠自動檢測和修復機器翻譯中的不一致性問題，那么模型性能究竟如何，還需要進行評估。對TransRepair的評估主要圍繞以下三個問題：
問題一
TransRepair測試輸入的準確度？
問題二
TransRepair發(fā)現(xiàn)bug的能力？
問題三
TransRepair修復bug的能力？
評估實驗主要通過谷歌翻譯和 Transformer 模型兩個機器翻譯器進行，測試數(shù)據(jù)集為News Commentary。對于每個測試句，生成變異句并檢查它們是否通過了結(jié)構(gòu)過濾。2001 個測試句一共生成 21960 個變異句，過濾掉 17268 句保留 4692 句作為測試輸入，隨機抽取 400 句手動評估它們是否能夠檢測翻譯不一致性，查看變異句的替換詞是否會導致語法錯誤、變異體的翻譯是否與原句一致。這一驗證步驟發(fā)現(xiàn)了三個無效的變異句，其余的 397 句符合有效性標準，準確率為 99％，說明 Transformer 有很高的概率能夠產(chǎn)生有效的測試句。
圖10 測試輸入準確度
使用谷歌翻譯和 Transformer 對 4692 個變異句進行翻譯，將它們與原始句的翻譯進行比較，計算每個變異句的四種一致性得分，圖 11 右邊為一致性得分直方圖，四種度量都發(fā)現(xiàn)了大量得分低于 1．0 的翻譯，表明翻譯存在不一致性。圖 11 左邊為四種度量不同閾值下的不一致翻譯個數(shù)，可以看到即使在一致性閾值較寬松時，bug 依然存在。
圖11 一致性指標值
手動檢查變異句和原句的翻譯，不一致錯誤的條件為：1）有不同的含義；2） 有不同的情感色彩；3）專有名詞使用了不同的字符表示。最后結(jié)果如圖12，可以看出Transformer 在發(fā)現(xiàn) bug 問題上能夠有很好地表現(xiàn)。
圖12 Transformer發(fā)現(xiàn)bug能力的實驗結(jié)果
對所有不一致的翻譯進行修復，檢驗 Transformer 對 bug 的修復能力，修復結(jié)果對比見圖 13。黑盒平均減少了谷歌翻譯 28％ 的 bug，灰盒修復了 Transformer 30％ 的 bug、黑盒修復了 19％ 到 20％ 的 bug，表明灰盒和黑盒方法是修復不一致缺陷的有效方法。
圖13 Transformer不一致性修復結(jié)果
手動比較修復前后的翻譯一致性＆修復前后翻譯的可接受性（原句和變異句），考慮充分性和流利性，手動出“Improved”、“Unchanged”或“Decreased”標簽，結(jié)果見圖 14。表明 TransRepair 在提高翻譯一致性方面有很好的效果，平均 87％ 的谷歌翻譯和 Transformer 翻譯的一致性提高了。
圖14 Transformer修復bug能力的實驗結(jié)果
擴展分析和討論
之前的工作采用了數(shù)據(jù)增強的方法提高機器學習模型的魯棒性，對于源代碼已知的翻譯器，訓練數(shù)據(jù)增強是增加翻譯一致性的方案之一，因此設(shè)計實驗研究添加更多的訓練數(shù)據(jù)是否會產(chǎn)生更好的翻譯一致性。使用 10％， 20％， ．．．， 90％ 的原始訓練數(shù)據(jù)分別訓練 Transformer，結(jié)果見圖 15，當比例在 0．7 到 1．0 之間時，沒有觀察到 bug 下降的趨勢，這說明增加訓練數(shù)據(jù)對改善翻譯不一致性的效果有限。
圖15 數(shù)據(jù)增強實驗結(jié)果
在不一致檢測和修復過程中都會產(chǎn)生變異句，為了研究變異句的數(shù)量如何影響檢測和修復性能，比較不同設(shè)置下不一致的 bug 數(shù)和修復的 bug 數(shù)，灰盒修復結(jié)果如圖 16 所示?？梢钥吹皆跈z測時，使用更多的變異句有助于發(fā)現(xiàn)和修復更多不一致的問題。
圖16 不同變異句數(shù)量比較結(jié)果
TransRepair 可以應用到端到端模型上，給定輸入和翻譯器，將自動測試和修復翻譯輸出，并向用戶提供新的翻譯輸出。圖 17 是 TransRepair 的幾個具體使用示例。
圖17 TransRepair使用示例
總結(jié)來說，TransRepair 通過黑盒和灰盒方法，在自動測試和修復機器翻譯不一致性問題上具有很好的表現(xiàn)。不需要源代碼，不需要訓練數(shù)據(jù)，能夠修復特定錯誤，不僅成本較低，還具有高效、實時、靈活等優(yōu)點。
點擊閱讀原文，下載本次報告！喜歡本篇內(nèi)容，請分享、點贊、在看
（免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關(guān)資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。 ）
