词汇重叠对多语言机器翻译中知识迁移的影响

多语言神经机器翻译（Multilingual Neural Machine Translation, MNMT）旨在利用单一模型处理多种语言之间的翻译任务，其中知识迁移（knowledge transfer）是提升性能的关键机制，尤其对于语言亲属关系密切的语言对。然而，关于词汇重叠（vocabulary overlap）在多大程度上驱动这种迁移，学界尚未达成共识。通常，研究者采用联合词汇表（joint vocabulary）来构建统一的词嵌入空间，但分离词汇表（disjoint vocabulary）的影响较少被探究。2026年5月，来自赫尔辛基大学的Oona Itkonen和Jörg Tiedemann在arXiv预印本上发表了一项系统性研究，旨在量化词汇重叠对MNMT知识迁移的实际贡献。他们设计了严谨的实验，比较了联合词汇表和分离词汇表在不同辅助语言条件下的表现。实验采用了跨领域（out-of-domain）设置，以突出迁移效果和辅助语言的影响。辅助语言被分为与源语言相关（如英语与德语）和不相关（如英语与日语）两类。研究结果证实了预期：相关语言之间更广泛的词汇重叠确实带来了更好的翻译质量。但更重要的是，实验表明，领域匹配（domain match）和语言关联性（language relatedness）对迁移的促进作用甚至超过了词汇重叠本身。换言之，即使在没有共享词汇的情况下，只要源语言和目标语言在领域上相似或具有语言学上的亲缘关系，知识迁移依然可以高效发生。这一发现对MNMT的系统设计具有直接指导意义。它提示研究者，在构建多语言模型时，不应过分依赖联合词汇表来促进迁移，而应更关注训练数据中的领域一致性以及语言之间的结构相似性。例如，对于资源稀缺的语言，选择与其领域相近或同语系的辅助语言，可能比强制统一词汇表更为有效。此外，该研究还指出了未来方向：需要进一步探索词汇重叠与语言结构相似性之间的交互作用，以及在更大规模语言对上的验证。总之，这项研究厘清了词汇重叠在MNMT中的作用边界，为更高效的多语言翻译系统设计提供了实证依据。