文档摘要

02 平行语料的攒与洗 平行语料（Parallel Corpus）是"源语言句子 + 对齐的目标语言句子"组成的数据集，是统计与神经机器翻译的燃料。 攒料不是"抓进来就完事"，抓取、去重、对齐、去噪是一条完整工程链。这一节讲它的来路、质量分级，以及"为什么宁缺毋滥"——一条脏句子对模型的伤害远大于对它帮助。 一份"脏"语料会把模型带进沟里，这话不是夸张 先讲一个真实翻车场景。有人从海外网站随手爬了一大批"双语字幕"，没做清洗就丢进训练。 会员。《平行语料的攒与洗》收录于灏天文库文集《机器翻译技术原理与实现》，原作者/来源：灏天文库，整理自「灏天文库」，提供技术教程、实践指南与问题解决方案，支持在线阅读、全文检索与知识沉淀，助力开发者系统化学习。本站整理收录，版权归原作者/开源协议所有。

该文档为会员专享，请先登录或注册后再查看

登录 注册

---

作者与出处

原作者： 灏天文库

来源：灏天文库

原文： https://aiknowledge.cn/collection/491-%E6%9C%BA%E5%99%A8%E7%BF%BB%E8%AF%91%E6%8A%80%E6%9C%AF%E5%8E%9F%E7%90%86%E4%B8%8E%E5%AE%9E%E7%8E%B0

整理： 灏天文库整理

由灏天文库平台收录，内容或由平台用户上传，仅供学习交流