Facebook開源最大規模并行語料，45億語料，覆蓋576種語言對

雷鋒網AI科技評論按：當前自然語言處理中的大多數方法都是數據驅動的，大多數多語言模型（特別是神經機器翻譯系統）都需要并行語料庫進行訓練。大多數的并行文本都只是適用于幾個主要語言（例如英語、漢語），且限制于特定的領域。

為了解決這一問題，在去年七月份，Facebook曾發布了第一個系統處理Wikipedia上所有語言（包括資源貧乏的語言和方言）的數據集WikiMatrix，大約包含了億級的并行語料，覆蓋1620種語言對。

據雷鋒網AI科技評論了解，最近Facebook基于新的方法和數據源，開發并開源了一個目前為止最大的并行語料數據集 CCMatrix。這個數據集包含 45 億并行語料（是WikiMatrix的近50倍），覆蓋576種語言對。

論文：https://arxiv.org/abs/1911.04944

數據集開源地址：https://github.com/facebookresearch/LASER/tree/master/tasks/CCMatrix

1、語料庫構建

 首先，從語料來源上講。目前有幾個公共的多語言并行語料庫，主要來自一些國際會議（如European Parliament 、the United Nations）的語料，這些都是專業的人工翻譯語料，使用語言較為正式，且僅限于政治主題。此外也有幾個依靠志愿者翻譯而形成的語料庫，例如news commentary 、Opensub- Titles 、the TED corpus等。2019年Facebook的Schwenk等人曾利用Wikipedia中的語料進行挖掘，從而開發了WikiMatrix數據集。

以上這些，從數據來源上講都有局限。為了使并行語料庫量大、覆蓋主題廣泛，Facebook在CCMatrix這項工作中，選擇使用了隨機抓取web中的數據作為并行語料的來源，他們每個月隨機發送url，從而獲得包含各種語言的網頁快照（TB級）。  

十次快照語料中，不同語言的單句數量（其中一次快照只包含英語）

然后通過預處理去除高達70%的重復數據（例如模板文件、導航菜單、cookie等），并使用fastText（語言識別器，可以識別176種語言）來識別文檔中的語言，最后使用一個在Wikipedia上訓練的模型來過濾掉低質量的內容，只保留較低困惑度的文檔。如此處理獲得一個包含有327億個句子的CCNet數據集。

在這項工作中，使用的挖掘方法的底層思想是，首先學習一種多語言的語義嵌入，即在一個嵌入空間中語義上相似的句子會有較近的距離，而與它們所使用的語言無關。這意味著空間中的距離可以作為兩個句子是否是相互翻譯的指標。

用于大規模訓練多語言句嵌入的框架

不過由于余弦距離的絕對閾值在全局上并不一致，所以Schwenk在這里所采用的是Margin criterion： 

 

2、語料庫分析

 在超過320億個句子中挖掘平行語料，計算上是非常昂貴的。在當前版本的CCMatrix語料庫中，作者限制為38種語言。 

CCMatrix：這里給出了單語文本的數量和提取的平行句子的數量(單位：百萬)，margin閾值為1.06，以及在TED測試中的BLEU分數。（編者注：這是11月份數據，當時數據集規模為35億并行語料，下同） 

CCMatrix：每種語言對的并行語料數量(單位：百萬)，Margin閾值為1.06。舉例來說，希臘語/漢語對的語料數量為470萬。 

3、定性評估

為了評估這個數據集的質量，Schwenk等人還利用這個數據集進行了神經機器翻譯系統的測試，并與幾個公共測試集進行了對比。

1、在TED數據集上進行測試

Schwenk等人首先用CCMatrix對神經翻譯系統（NMT）進行訓練，然后在TED數據集上進行測試，結果如下：

這里只選擇了其中的27種語言。以上所有BLEU值的平均值為14.3，英語對的平均BLEU值為26.7，最高的BLEU值為42.9。

當然，在TED上的SOTA遠比這些高；但需要注意，這里測試所用的NMT系統沒有使用Transformer框架等最新技術。

2、在WMT'19 上評估 

 上圖是在Newstest'18（NT'18）和Newtest'19（NT‘19）測試集上的BLEU分數。可以看到，使用CCMatrix，可以提供非常有競爭力的BLEU分數。

3、在 WAT'19 上評估

利用CCMatrix在亞洲翻譯研討會的俄語/日語翻譯任務上進行的測試如上圖所示。這里所使用的模型與前面一樣，沒有Transformer，沒有layer dropout。盡管相比SOTA略差，但仍然在同一層次。 

4、總結

 CCMatrix使NMT研究社區能夠利用比以前僅幾十種語言對更大的雙語料數據集。這可以加速創建更有效的NMT模型，這些模型可以使用更多的語言，尤其是語料庫相對有限的資源較少的模型。

由于規模龐大且使用了大量公共文本，或許CCMatrix將成為NMT領域中用于構建和評估系統的最常用資源之一。

當然，Facebook在構建CCMatrix過程中所提出的數據集構建方法更值得推廣，或許能夠幫助更多人來創建大規模數據集。

參考資料：

facebook開源官宣：https://ai.facebook.com/blog/ccmatrix-a-billion-scale-bitext-data-set-for-training-translation-models/CCMatrix

論文：https://arxiv.org/abs/1911.04944CCMatrix

開源鏈接：https://github.com/facebookresearch/LASER/tree/master/tasks/CCMatrix

雷鋒網報道。

雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。