💬 NLP

G^2C-MT: Graph-Guided Context Selection for Document-Level Machine Translation

Het artikel stelt G^2C-MT voor, een nieuw framework dat selectie van context voor document-niveau machinevertaling modelleert als een gestructureerd padontdekkingsprobleem op een lichtgewicht discoursgraaf met behulp van diepte-gebiased random walks om effectief langetermijn-afhankelijkheden te vangen en bestaande baselines over diverse grote taalmodellen heen te overtreffen.

Oorspronkelijke auteurs: Baijun Ji, Zixuan Zhou, Xiangyu Duan, Yu Liu, Longbo Sun, Rupu Wei, Bohong Zhao

Gepubliceerd 2026-06-03

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Baijun Ji, Zixuan Zhou, Xiangyu Duan, Yu Liu, Longbo Sun, Rupu Wei, Bohong Zhao

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een lange, complexe roman van het Engels naar het Chinees probeert te vertalen. Als je slechts één zin tegelijk bekijkt, mis je misschien het grotere plaatje. Bijvoorbeeld: een personage wordt in zin 50 aangeduid als "hij", maar je weet pas wie "hij" is als je zin 5 leest. Of een specifieke technische term wordt in het eerste hoofdstuk gedefinieerd, maar wordt in het laatste hoofdstuk opnieuw gebruikt. Als je die definitie vergeet, is je vertaling fout.

Dit is het probleem dat G2C-MT (Graph-Guided Context for Machine Translation) probeert op te lossen. Het is een nieuwe manier om Artificial Intelligence (AI) te helpen hele documenten te vertalen, niet alleen losse zinnen.

Hier is hoe het werkt, onderverdeeld in eenvoudige concepten:

1. Het Probleem: De "Amnesie" en "Ruis" Problemen

Huidige AI-vertalers worstelen vaak met twee zaken:

Het Vensterprobleem: Sommige vertalers kijken alleen naar de laatste paar zinnen (alsof ze door een klein raam kijken). Als het antwoord op een vraag 50 zinnen terug ligt, missen ze het.
Het "Bag of Words"-probleem: Andere vertalers proberen elke zin te vinden die qua klank lijkt op de huidige zin. Maar dit is alsof je een zin over "appel" vindt omdat de huidige zin over "appeltaart" gaat, zelfs als de "appel" in de huidige zin eigenlijk een computermerk is. Ze grijpen de verkeerde context aan, wat voor verwarring zorgt.

2. De Oplossing: Een "Kaart" van het Verhaal Bouwen

In plaats van alleen naar de laatste paar zinnen te kijken of willekeurige gelijkaardige zinnen te pakken, bouwt G2C-MT een kaart (een graaf) van het hele document voordat het begint met vertalen.

Beschouw het document als een stad, waarbij elk tekstblok een gebouw is.

De Wegen (Edges): Het systeem tekent wegen tussen gebouwen. Maar het tekent niet alleen wegen tussen buren (zoals gebouw 1 en gebouw 2). Het tekent ook wegen tussen gebouwen die hetzelfde delen:
- Vergelijkbare Thema's: (Semantische gelijkenis)
- Gedeelde Trefwoorden: (Zoals een specifieke naam of technische term die in beide voorkomt)
- Volgorde: (Welk gebouw direct na het andere komt)

Dit creëert een Discourse Graph. Het is een lichte kaart die niet alleen laat zien wie naast wie staat, maar ook wie er via het hele document met wie verbonden is.

3. De Reis: De "Diepte-georiënteerde Wandelaar"

Zodra de kaart is gebouwd, moet de AI beslissen welke eerdere paragrafen hij moet lezen voordat hij de huidige zin vertaalt.

In plaats van gewoon naar de volgende deur te lopen (zoals een standaard venster) of naar het meest gelijkaardige gebouw te springen (zoals een willekeurige zoekopdracht), gebruikt G2C-MT een wandelaar met een speciale kompas.

Het Doel van de Wandelaar: De wandelaar begint bij het huidige gebouw en loopt terugwaarts door de kaart om de meest nuttige geschiedenis te vinden.
Het Kompas (Depth Bias): De wandelaar is geneigd om dieper in het verleden te wandelen. Als een gebouw een lange keten van verbindingen heeft die terugleidt naar het begin van het verhaal, is de wandelaar eerder geneigd dat pad te volgen. Dit zorgt ervoor dat de AI de "wortel" van een verhaal of een definitie vindt, zelfs als deze ver weg is.
Het Pad: De wandelaar volgt een enkel, logisch pad van verbonden paragrafen. Dit pad wordt de "context" die de AI gebruikt om de huidige zin te vertalen.

4. Het Veiligheidsnet: Meerdere Paden Proberen

Soms is een verhaal ambigu. Er kunnen twee verschillende logische manieren zijn om de punten te verbinden.

G2C-MT neemt niet zomaar één pad. Het stuurt tegelijkertijd meerdere wandelaars uit, die elk een iets andere route door de kaart nemen.
Elke wandelaar brengt een andere vertalingssuggestie mee terug.
Het systeem kijkt vervolgens naar alle suggesties en kiest de suggestie die het meeste zin maakt (de "meerderheidsstemming" of de meest consistente optie). Dit maakt de vertaling robuuster en minder gevoelig voor domme fouten.

5. Waarom het Beter is (De Resultaten)

De auteurs hebben dit getest op twee soorten documenten:

Technische Handleidingen (SAP): Dit zijn droge, stap-voor-stap instructies waarbij termen consistent moeten zijn.
Verhalende Verhalen (TED Talks): Deze hebben een losse structuur en thema's die over een lange afstand reiken.

De Bevindingen:

Betere Nauwkeurigheid: G2C-MT versloeg andere methoden consequent. Het vertaalde technische termen correct omdat het de definitie van 10 paragrafen geleden kon "onthouden".
Betere Flow: Het hield het verhaal samenhangend omdat het het logische pad van de tekst volgde, en niet alleen willekeurige gelijkaardige woorden.
Efficiëntie: In tegen tegenstelling tot andere methoden die vereisen dat de AI over de hele documentstructuur "nadenkt" met dure, trage processen, bouwt G2C-MT zijn kaart snel met behulp van eenvoudige wiskunde (zoals het tellen van trefwoorden en het meten van gelijkenis) en wandelt vervolgens over de kaart. Het is snel en verspilt geen computerkracht.

Samenvattende Analogie

Stel je voor dat je een mysterieserie vertaalt.

Oude Manier (Venster): Je leest alleen de laatste 3 pagina's. Je mist de aanwijzing van pagina 1.
Oude Manier (Willekeurige Zoekopdracht): Je zoekt naar het woord "moord" en vindt een pagina uit een compleet ander boek die ook "moord" vermeldt, wat je vertaling in de war brengt.
G2C-MT: Je hebt een slimme detective die een kaart van het hele boek tekent. Wanneer je bij een verwarrende aanwijzing komt, loopt de detective achteruit over de kaart, volgt het specifieke spoor van aanwijzingen dat terugleidt naar het begin, vindt de oorspronkelijke definitie en vertelt je precies wat het betekent. Als het spoor lastig is, stuurt de detective een team uit om een paar verschillende routes te controleren en kiest de route die het mysterie het beste oplost.

Dit artikel beweert dat deze "kaart-gebaseerde" aanpak AI helpt om lange documenten met een veel hogere kwaliteit en consistentie te vertalen dan voorheen mogelijk was.

Technische Samenvatting: G2C-MT

Probleemstelling
Document-level machine translation (DocMT) vereist het vastleggen van langetermijn-discourse-afhankelijkheden om lexicale consistentie, coreferentie-resolutie en logische coherentie te waarborgen. Hoewel Large Language Models (LLMs) veelbelovend zijn gebleken in het afhandelen van lange contexten, leidt het vertalen van volledige documenten in één enkele passage vaak tot zinsomissies, contextverwatering en prohibitieve decoding-kosten vanwege de kwadratische complexiteit van LLMs ten opzichte van de inputlengte. Bestaande oplossingen proberen dit te mitigeren via retrieval-gebaseerde methoden of graafgebaseerde strategieën. Retrieval-gebaseerde benaderingen behandelen zinnen echter vaak als een ongestructureerde collectie, waardoor expliciete discourse-structuren niet worden behouden. Daartegenover staan bestaande graafgebaseerde methoden die vaak vertrouwen op dure LLM-gebaseerde relatieclassificatie voor de definitie van randen (edges) en beperkt zijn tot het selecteren van first-order buren, wat het vastleggen van diepe, multi-hop discourse-paden verhindert die essentieel zijn voor de globale documentstructuur.

Methodologie
De auteurs stellen G2C-MT (Graph-Guided Context for Machine Translation) voor, een framework dat contextselectie herformuleert als een gestructureerd padontdekkingsprobleem op een lichtgewicht discourse-graaf. De pijplijn bestaat uit drie stadia:

Constructie van een Gerichte Discourse-graaf:
Het bron-document wordt gemodelleerd als een gewogen gerichte acyclische graaf (DAG) waarbij elk paragraaf een knoop (node) is. Gerichte randen verbinden een doel-paragraaf met voorgaande paragrafen ( $j < i$ ), wat de sequentiële aard van vertaling weerspiegelt. De gewichten van de randen ( $w_{ij}$ ) worden berekend via een fusie van drie factoren:
- Semantische Relevantie ( $S_{sem}$ ): Cosinus-gelijkenis tussen paragraaf-embeddings, afgekapt door een drempelwaarde om ruis te verminderen.
- Sequentiële Nabijheid ( $S_{seq}$ ): Een vaste waarde voor direct aangrenzende paragrafen om lokale coherentie te waarborgen.
- Keyword Overlap ( $S_{key}$ ): Een op TF-IDF gebaseerde score om terminologische consistentie (bijv. eigennamen) te vangen die semantische gelijkenis mogelijk mist.
  Deze constructie is lichtgewicht en vertrouwt op pre-trained embeddings en TF-IDF in plaats van dure LLM-inferentie.
Diepte-gebiaste Contextpad-sampling:
Om historische context voor een doel-paragraaf te selecteren, gebruikt de methode een diepte-gebiaste random walk beginnend bij de doel-knoop en terugwerkend (backtracking).
- Diepte-heuristiek: Een dynamisch programmeringsalgoritme berekent $\phi(v)$ , wat de lengte van het langste pad terug naar een knoop vertegenwoordigt, om de potentie ervan te schatten om rijke historische context te bieden.
- Probabilistische Transitie: De walker beweegt naar voorgaande knopen op basis van een waarschijnlijkheidsverdeling die de randgewicht ( $w_{ij}$ ) combineert met een bias-term $(\phi(v_{next}) + 1)^\lambda$ . De hyperparameter $\lambda$ regelt de voorkeur voor diepere, meer informatieve contextpaden boven directe buren.
- Multi-Pad Sampling: Vanwege de stochastische aard van de walk kunnen voor een enkel doel meerdere verschillende contextpaden worden gesampled.
Pad-gebaseerde Contextuele Generatie:
Het gesamplede pad wordt omgekeerd om de natuurlijke documentvolgorde te herstellen en geformatteerd in een gestructureerde prompt die de bron-paragrafen en hun respectievelijke vertalingen bevat. Deze prompt wordt gevoed aan een LLM om de vertaling voor de huidige doel-paragraaf te genereren.
- Robuustheid via Aggregatie: Voor ambigue inputs kan het framework meerdere vertalingen genereren vanuit verschillende gesamplede paden. De uiteindelijke output wordt geselecteerd door deze kandidaten te clusteren (via k-means) en de kandidaat te kiezen die het dichtst bij het cluster-zwaartepunt (centroid) ligt.

Belangrijkste Bijdragen

Lichtgewicht Graafmodellering: Het artikel introduceert een nieuw framework dat documentcontext als een DAG modelleert via een computationeel efficiënt constructieproces (embedding + TF-IDF) in plaats van dure LLM-gebaseerde relatieclassificatie.
Diepte-gebiaste Traversatie: Een gebiaste random walk-mechanisme is ontworpen om expliciet de voorkeur te geven aan diepere contextpaden, wat het ophalen van langetermijn-, niet-lineaire afhankelijkheden mogelijk maakt die fixed-window of first-order neighbor methoden missen.
Multi-Pad Robuustheid: De probabilistische traversatie ondersteunt van nature multi-pad sampling, waardoor de aggregatie van diverse vertaal-kandidaten mogelijk is om de robuustheid tegen discourse-ambiguïteit te verbeteren.

Experimentele Resultaten
De methode werd geëvalueerd op twee benchmarks: de SAP dataset (technische IT-domein) en de IWSLT 2017 dataset (narratief/TED-talks), met gebruik van diverse LLM-backbones (DeepSeek-V3, Gemini-2.5-Flash-lite, Qwen-2.5/3 series).

Prestaties: G2C-MT presteerde consequent beter dan sterke baselines, inclusief Sentence-level, Window-Based, Semantic-Based retrieval en agentic frameworks zoals GRAFT en DelTA. Het behaalde de hoogste d-BLEU scores over alle vertaalrichtingen en model-backbones heen.
Discourse Metrieken: Op discourse-specifieke metrieken (BlonDe, d-Prism, d-Comet) behaalde G2C-MT de beste scores, wat een superieure afhandeling van entiteiten, tijden en voornaamwoorden aantoont vergeleken met methoden die uitsluitend vertrouwen op lokale vensters of globale semantische gelijkenis.
Efficiëntie: In tegen tegenstelling tot agent-gebaseerde methoden die meerdere LLM-aanroepen vereisen voor context-curatie, vereist G2C-MT exact $N$ LLM-aanroepen voor $N$ paragrafen, aangezien graafconstructie en pad-sampling pre-processing stappen zijn.
Ablatie: Het verwijderen van de keyword-rand of de diepte-gebiaste random walk resulteerde in de grootste prestatiedalingen, wat het belang van terminologische consistentie en diepe context-retrieval onderstreept.

Significantie en Claims
Het artikel claimt dat G2C-MT een robuuste en computationeel efficiënte oplossing biedt voor document-level vertaling door expliciet gestructureerde discourse-afhankelijkheden te modelleren. Door contextselectie te beschouwen als een padontdekkingsprobleem op een graaf, slaagt de methode erin de kloof te overbruggen tussen lokale coherentie (gevangen door sequentiële randen) en globale relevantie (gevangen door semantische en keyword randen). De auteurs stellen dat hun aanpak het dilemma tussen de beperkingen van een fixed-window en de ruis van ongestructureerde semantische retrieval vermijdt, en een schaalbaar alternatief biedt voor complexe multi-agent frameworks terwijl de hoge vertaalkwaliteit en coherentie behouden blijft.