Efficiently Exploring Large Language Models for Document-Level Machine Translation with In-context Learning

大型语言模型（LLMs）通过上下文学习在机器翻译中表现出色。与句子级翻译相比，基于上下文学习的文档级翻译（DOCMT）面临两个主要挑战：首先，LLMs生成的文档翻译通常不连贯；其次，上下文学习的演示长度通常受限。为了解决这些问题，我们提出了一种上下文感知提示方法（CAP），使LLMs能够通过上下文学习生成更准确、连贯和连贯的翻译。CAP考虑多级注意力，选择与当前句子最相关的句子作为上下文，然后从这些收集到的句子中生成摘要。随后，从数据存储库中检索与摘要最相似的句子作为演示，这有效地指导LLMs生成连贯和连贯的翻译。我们在各种DOCMT任务中进行了广泛的实验，结果表明我们的方法的有效性，特别是在零代词翻译（ZPT）和文学翻译任务中。

解决问题：该论文旨在解决文档级机器翻译中的连贯性和一致性问题，以及在上下文学习中演示长度的限制问题。

关键思路：该论文提出了一种上下文感知提示（CAP）方法，通过多层关注、选择与当前句子最相关的句子作为上下文，并从这些收集的句子生成摘要，然后从数据存储库中检索与摘要最相似的句子作为演示，有效地引导LLMs生成连贯和一致的翻译。

亮点：通过在各种文档级机器翻译任务中进行广泛的实验，结果表明我们的方法的有效性，尤其是在零代词翻译（ZPT）和文学翻译任务中。该论文使用了多个数据集进行实验，并开源了代码。该方法可以进一步改进和扩展。

相关研究：最近的相关研究包括：《文档级机器翻译的挑战与前景》、《基于上下文的机器翻译方法》等。