（通讯员 崔梦龙）计算语言学领域的两大国际组织——欧洲语言资源协会(ELRA)和国际计算语言学委员会(ICCL) ——联合组织了2024年计算语言学、语言资源和评估联合国际会议（LREC-COLING 2024），会议于5月20日至25日在意大利都灵举行。天津大学智能与计算学部自然语言处理团队论文《Towards Robust In-Context Learning for Machine Translation with Large Language Models》荣获LREC-COLING 2024杰出论文奖，其中学部朱少林和硕士生崔梦龙为共同第一作者，天津大学自然语言处理实验室负责人熊德意教授为通讯作者。
COLING是中国计算机学会推荐的B类会议。该会议最早可追溯至1965年，每两年举办一届，迄今已举办30届，是自然语言处理领域最具影响力的国际性会议之一。本届会议共收到投稿3470篇，最终接收1559篇，经过最佳论文评议委员会综合评判，最终8篇论文获得杰出论文，仅占会议录取论文的0.5%。
获奖论文简介：近年来，基于大语言模型上下文学习（ICL）进行自动翻译，已成为机器翻译领域中一个引人注目的研究方向。其主要思想是从额外的数据存储（平行语料库）中检索少量翻译样本，作为示例引导翻译，无需更新大语言模型参数。然而，检索到的示例通常存在潜在噪声，显著降低了大语言模型的翻译性能。在本文中，我们提出了一种创新方法，使大语言模型能够通过ICL实现鲁棒的翻译。该方法采用了多视角思想，同时考虑句子级和单词级信息，以选择出有效避免噪声的示例。在句子级别上，设计了基于margin的计分方法以避免语义噪声。在单词级别上，利用词嵌入评估相关单词，并改变示例中单词的权重。通过考虑句子和单词级别的相似性，所提出的方法提供了细粒度的示例，显著地提升了大语言模型的翻译性能。大量实验结果充分验证了该方法的有效性，尤其在领域适应方面。审稿人一致认为所提方法具有强创新性，效果显著，且易于复现，首次解决了大模型ICL机器翻译的鲁棒性问题。
