摘要

本文介绍了一项关于中英金融领域机器翻译的研究，由上海外国语大学经济与金融学院和教育学院的研究人员共同完成。研究团队构建了一个名为FFN的细粒度中英金融新闻平行语料库，并评估了ChatGPT和ERNIE-bot等大型语言模型（LLMs）在金融翻译领域的性能。研究通过BLEU、TER和chrF等评价指标，对比了LLMs与DeepL和Google翻译软件的翻译质量，并训练了一个基于OpenNMT的模型进行性能评估。研究结果显示，尽管LLMs在机器翻译领域取得了显著进展，但在金融领域的翻译准确性和质量仍有待优化。

原理

FFN语料库的构建基于从2014年至2023年间从主流媒体网站如CNN、FOX和China Daily收集的金融新闻文章。该语料库包含1,013篇主要文本和809个标题，所有内容均经过人工校对以确保质量。研究团队使用BLEU、TER和chrF等评价指标来量化翻译质量，并通过对比不同LLMs和传统翻译软件的性能，揭示了LLMs在金融领域翻译中的优势与不足。特别是，研究详细分析了LLMs在处理金融术语、公司名称和组织名称等方面的错误，以及在翻译长句和复杂语法结构时的信息遗漏问题。

流程

研究团队首先从多个知名新闻网站收集金融新闻文章，然后通过人工筛选和校对，构建了高质量的中英平行语料库。接下来，使用该语料库对ChatGPT、ERNIE-bot、DeepL和Google翻译等系统进行性能评估。此外，还训练了一个基于OpenNMT的模型，以进一步验证语料库的有效性。实验过程中，研究团队特别关注了不同提示风格对LLMs翻译能力的影响，并通过多种评价指标对翻译结果进行了详细分析。

应用

该研究不仅为金融领域的机器翻译提供了宝贵的数据资源，还为未来LLMs在特定领域（如金融）的优化和应用提供了深入见解。随着全球化的加深和金融交易的增加，中英金融翻译的需求日益增长。因此，优化LLMs在金融翻译领域的性能，将极大地促进国际金融交流和合作，具有广阔的应用前景。