💬 NLP

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

本文提出了 G^2C-MT，这是一个新颖的框架，它将文档级机器翻译的上下文选择建模为在轻量级话语图上的结构化路径发现问题，通过使用深度偏置随机游走来有效地捕捉长程依赖关系，并在各种大语言模型中超越了现有基准。

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

发布于 2026-06-03

📖 1 分钟阅读☕ 轻松阅读

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

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图将一部长篇、复杂的英文小说翻译成中文。如果你一次只看一个句子，你可能会错过全局。例如，某个角色在第50句中被提称为“他”，但直到你读到第5句时，你才会知道这个“他”是谁。或者，某个特定的技术术语在第一章中被定义，但在最后一章中再次被使用。如果你忘记了这个定义，你的翻译就会出错。

这就是 G2C-MT（图引导上下文机器翻译）试图解决的问题。这是一种帮助人工智能（AI）翻译整个文档，而不仅仅是单个句子的一种新方法。

以下是它的工作原理，通过简单的概念进行拆解：

1. 问题所在：“失忆症”与“噪声”问题

目前的 AI 翻译器经常在两件事上挣扎：

窗口问题： 一些翻译器只看最后几个句子（就像通过一个小窗户向外看）。如果问题的答案在 50 个句子之前，它们就会错过。
“词袋”问题： 其他翻译器试图寻找任何听起来与当前句子相似的句子。但这就像是因为当前的句子关于“苹果派”，就去寻找关于“苹果”的句子，即便当前句子中的“苹果”其实是指电脑品牌。它们抓取了错误的上下文，从而造成混乱。

2. 解决方案：构建故事的“地图”

G2C-MT 不仅仅是查看最后几个句子或随机抓取相似的句子，它在开始翻译之前会先构建整个文档的地图（图）。

把文档想象成一座城市，其中每个段落都是一栋建筑。

道路（边）： 系统在建筑之间绘制道路。但它不仅是在相邻的建筑（如建筑 1 和建筑 2）之间画路，还会连接具有以下特征的建筑：
- 相似主题：（语义相似性）
- 共享关键词：（例如，一个特定的名称或技术术语在两处都出现）
- 顺序：（哪栋建筑紧跟在另一栋之后）

这创建了一个话语图（Discourse Graph）。这是一个轻量级的地图，它不仅显示谁在谁旁边，还显示在整个文档中谁与谁相连。

3. 旅程： “深度偏好型徒步者”

一旦地图构建完成，AI 就需要决定在翻译当前句子之前阅读哪些过去的段落。

G2C-MT 并没有像标准窗口那样只是走到下一扇门，也没有像随机搜索那样跳到最相似的建筑，而是使用了一位带着特殊指南针的徒步者。

徒步者的目标： 徒步者从当前的建筑出发，沿着地图向后行走，以寻找最有帮助的历史信息。
指南针（深度偏差）： 徒步者倾向于向过去更深处行走。如果一栋建筑拥有一条通往故事开头的长连接链，徒步者就更有可能沿着这条路径前进。这确保了 AI 能够找到故事或定义的“根源”，即使它离得很远。
路径： 徒步者追踪一条由相互连接的段落组成的逻辑路径。这条路径成为了 AI 翻译当前句子时所使用的“上下文”。

4. 安全网：尝试多条路径

有时，故事是模棱两可的。可能存在两种不同的逻辑连接方式。

G2C-MT 不仅仅采取一条路径。它同时派出多位徒步者，每位徒步者都沿着地图上略微不同的路线行进。
每位徒步者都会带回不同的翻译建议。
然后，系统会查看所有建议，并选择那个最合理的（“多数投票”或最一致的一个）。这使得翻译更加稳健，不易出错。

5. 为什么它更好（结果）

作者在两类文档上测试了该方法：

技术手册 (SAP)： 这些是枯燥的、循序渐进的指令，其中的术语必须保持一致。
叙事故事 (TED 演讲)： 这些结构较为松散，且具有长距离的主题。

研究结果：

更高的准确性： G2C-MT 始终优于其他方法。它能正确翻译技术术语，因为它能够“记住”10 个段落之前的定义。
更好的流畅度： 它保持了故事的连贯性，因为它遵循的是文本的逻辑路径，而不仅仅是随机的相似词汇。
高效性： 不同于其他需要 AI 使用昂贵且缓慢的过程来思考整个文档结构的方法，G2C-MT 通过简单的数学运算（如统计关键词和测量相似性）快速构建其地图，然后进行行走。它既快速又不会浪费计算资源。

总结类比

想象你正在翻译一部推理小说。

旧方法（窗口）： 你只读最后 3 页。你错过了第 1 页的线索。
旧方法（随机搜索）： 你搜索“谋杀”这个词，却找到了另一本完全不同的书里提到“谋杀”的页面，从而干扰了你的翻译。
G2C-MT： 你有一位聪明的侦探，他绘制了整本书的地图。当你遇到一个令人困惑的线索时，侦探会沿着地图向后行走，追踪那条通往故事开头的特定线索链，找到最初的定义，并准确地告诉你它的含义。如果路径很复杂，侦探会派出团队检查几条不同的路线，并选择最能破解谜团的那一条。

本文声称，这种“基于地图”的方法有助于 AI 以比以往方法更高质量和一致性的方式翻译长文档。

技术摘要：G2C-MT

问题陈述
文档级机器翻译（DocMT）需要捕捉长程话语依赖关系，以确保词汇一致性、指代消解和逻辑连贯性。虽然大语言模型（LLMs）在处理长上下文方面展现出了潜力，但对整个文档进行单次通过式翻译往往会导致句子遗漏、上下文稀释以及由于 LLM 相对于输入长度的二次方复杂度而导致的解码成本过高。现有解决方案试图通过基于检索的方法或基于图的方法来缓解这一问题。然而，基于检索的方法通常将句子视为非结构化的集合，未能保留显式的话语结构。相反，现有的基于图的方法通常依赖于昂贵的基于 LLM 的关系分类来进行边定义，并且局限于选择一阶邻居，从而无法捕捉对于全局文档结构至关重要的深层、多跳话语路径。

方法论
作者提出了 G2C-MT（Graph-Guided Context for Machine Translation，图引导上下文机器翻译），该框架将上下文选择重新定义为轻量级话语图上的结构化路径发现问题。该流水线由三个阶段组成：

有向话语图构建：
源文档被建模为一个以段落为节点的加权有向无环图（DAG）。有向边将目标段落连接到之前的段落（ $j < i$ ），反映了翻译的顺序性。边权重（ $w_{ij}$ ）通过三个因素的融合进行计算：
- 语义相关性 ( $S_{sem}$ ): 段落嵌入之间的余弦相似度，通过阈值截断以减少噪声。
- 顺序相邻性 ( $S_{seq}$ ): 为紧邻的段落设置固定权重，以确保局部连贯性。
- 关键词重叠 ( $S_{key}$ ): 基于 TF-IDF 的评分，用以捕捉语义相似度可能忽略的术语一致性（例如专有名词）。
  这种构建方式是轻量级的，依赖于预训练嵌入和 TF-IDF，而非昂贵的 LLM 推理。
深度偏置上下文路径采样：
为了为目标段落选择历史上下文，该方法采用了从目标节点开始并向后回溯的深度偏置随机游走。
- 深度启发式算法: 使用动态规划计算 $\phi(v)$ ，代表从一个节点向后回溯的最长路径长度，用于估计其提供丰富历史上下文的潜力。
- 概率转移: 游走者根据结合了边权重 ( $w_{ij}$ ) 与偏置项 $(\phi(v_{next}) + 1)^\lambda$ 的概率分布转移到之前的节点。超参数 $\lambda$ 控制对更深层、更具信息量上下文路径的偏好程度。
- 多路径采样: 由于随机游走的随机性质，单个目标可以采样出多个不同的上下文路径。
基于路径的上下文生成：
采样的路径被反转以恢复自然文档顺序，并格式化为包含源段落及其对应翻译的结构化提示词。该提示词被输入到 LLM 中，以生成当前目标段落的翻译。
- 通过聚合实现鲁棒性: 对于歧义输入，该框架可以从不同的采样路径生成多个翻译。最终输出通过聚类（使用 k-means）这些候选结果，并选择最接近聚类质心的那个。

核心贡献

轻量级图建模: 本文引入了一种新颖的框架，通过高效的构建过程（嵌入 + TF-IDF）将文档上下文建模为 DAG，而非使用昂贵的基于 LLM 的关系分类。
深度偏置遍历: 设计了一种偏置随机游走机制，旨在显式地偏好更深的上下文路径，从而能够检索到固定窗口或一阶邻居方法所缺失的长程、非线性依赖关系。
多路径鲁棒性: 概率性遍历天然支持多路径采样，允许通过聚合多样化的翻译候选结果来提高针对话语级歧义的鲁棒性。

实验结果
该方法在两个基准数据集上进行了评估：SAP 数据集（IT 技术领域）和 IWSLT 2017 数据集（叙事/TED 演讲），并使用了多种 LLM 后端（DeepSeek-V3, Gemini-2.5-Flash-lite, Qwen-2.5/3 系列）。

性能: G2C-MT 一致地优于强基线模型，包括句子级、基于窗口、基于语义检索以及 Agent 框架（如 GRAFT 和 DelTA）。它在所有翻译方向和模型后端上都取得了最高的 d-BLEU 分数。
话语指标: 在话语特定指标（BlonDe, d-Prism, d-Comet）上，G2C-MT 取得了最佳分数，证明了与仅依赖局部窗口或全局语义相似度的方法相比，它在处理实体、时态和代词方面具有卓越的能力。
效率: 不同于需要多次 LLM 调用进行上下文策划的 Agent 类方法，G2C-MT 对于 $N$ 个段落恰好需要 $N$ 次 LLM 调用，因为图构建和路径采样属于预处理步骤。
消融实验: 去除关键词边或深度偏置随机游走会导致性能大幅下降，这突显了术语一致性和深层上下文检索的重要性。

意义与主张
本文声称 G2C-MT 通过显式建模结构化话语依赖关系，为文档级翻译提供了一种鲁棒且计算高效的解决方案。通过将上下文选择视为图上的路径发现问题，该方法成功弥合了局部连贯性（通过顺序边捕捉）与全局相关性（通过语义和关键词边捕捉）之间的鸿沟。作者断言，他们的方法避免了固定窗口的局限性与非结构化语义检索带来的噪声之间的权衡，提供了一种可扩展的替代方案，既能应对复杂的多智能体框架，又能保持高水平的翻译质量和连贯性。