曾文颢，张勇丙，余正涛，赖 华

（1.昆明理工大学 信息工程与自动化学院，云南 昆明 650500；2.昆明理工大学 云南省人工智能重点实验室，云南 昆明 650500）

0 引言

近年来，随着深度学习的发展，神经机器翻译（NMT）在大量翻译任务上取得了巨大成功[1]，面向法律领域的机器翻译也得到了领域内学者的大量关注。法律领域机器翻译在法律条款、合同文本和涉外公证文书等实际场景中也具有重要的应用价值。

目前融入外部信息是提升特定领域机器翻译的有效途径[2-5]。相较于传统的生成模型，引入外部信息可以让模型获得训练数据中没有的附加信息，降低文本生成的难度，减少对训练数据的依赖。现有的融入外部信息的方法主要分为三类：基于双语词典、基于翻译记忆和基于翻译模版。

基于双语词典的方法[6]用于解决低频词和术语翻译等问题，利用双语词典作为外部资源输入神经网络结构。Arthur 等人[7]提出一种通过使用离散词典来增强神经机器翻译系统的方法，以解决低频次翻译错误问题，这些词典可以有效地编码这些低频单词的翻译。

基于翻译记忆的方法主要分为以匹配片段为单位融合和以匹配句子为单位融合这两类方法，其中以句子为单位融合是现在的研究主流，通过融入翻译记忆可以让模型获取到更多的语义信息。Cao 等人[8]使用门控机制来平衡翻译记忆的影响。Gu 等人[9]和Xia 等人[10]使用辅助网络对翻译记忆库进行编码，然后将其集成到NMT 架构中。……