Introduction

• 个性化翻译的挑战：
  • 自然语言中语言风格和语义通常交织在一起，因此建立这样的机器翻译模型具有挑战性。
  • 能体现语言风格的数据比较少。
  • 不同内容对个性化的需求不同。
• this paper： （1）利用UGTC；（2）Transformer 先通用翻译，再转换风格；（3）以微博为例，提出原型（4）在评估中增加可理解性

Model

Evaluation

3个月获得了2217006个post， 属于4587个用户，只考虑用户公开发表的帖子

删除字数少于10的， 转发的，剩余1135427个post， 3446个用户

过滤活动度较低的用户（发帖数少于50的）→ 1128327个post， 3256个用户

选择1000个用户， 352516个post， 每一轮添加100个用户，发现结果没有变化，从而说明1000个用户已经收敛

Platform-based analysis

用biLSTM分类微博平台的语言和一般翻译的语言是否有区别

User-based analysis

一般翻译跟某个用户之间的差异

Automatic Evaluation Metrics and Results

Human Evaluation