G^2C-MT：圖引導上下文選擇用於文檔級機器翻譯

研究論文提出 G^2C-MT 框架，專注於文檔級機器翻譯的上下文選擇問題。論文探討指出，有效的文檔級翻譯需要捕捉長距離話語依賴，但現有方法如基於檢索或話語感知的上下文選擇缺乏結構化依賴建模。為此，G^2C-MT 將上下文選擇視為在輕量級話語圖上進行結構化路徑發現的問題，其中每個段落作為節點，考慮語義相似性、鄰接性和關鍵詞重疊來建模節點間關係。框架還提出使用深度偏向隨機行走來採樣每個目標段落的向後上下文路徑，該路徑用於提示大型語言模型進行翻譯。這種方法支持多路徑上下文採樣，能夠聚合多樣化的翻譯候選，提高對話語模糊輸入的魯棒性。實驗在多個領域進行，結果顯示 G^2C-MT 在多個大型語言模型上優於強基線，包括 DeepSeek-V3、Gemini-2.5-Flash-lite 和 Qwen-2.5/3 系列。