G^2C-MT：文档级机器翻译的图引导上下文选择

有效的文档级机器翻译 (DocMT) 需要捕获远程话语依赖性。最近的工作探索了基于检索和话语感知的上下文选择。然而，这些方法通常缺乏对文档中相距较远的段落之间的结构化话语依赖关系进行建模的明确机制。在本文中，我们提出了 G^2C-MT（Graph-Guided Context for Machine Translation），它将 DocMT 上下文选择视为轻量级话语图上的结构化路径发现问题，而不是检索非结构化上下文集或依赖昂贵的基于 LLM 的话语建模。具体来说，我们将每个段落表示为一个节点，并对每对节点之间的关系进行建模，考虑它们的语义相似性、邻接性和关键词重叠。此外，我们提出在图上进行深度偏置随机游走，以对每个目标段落的后向上下文路径进行采样。上下文路径将用于提示 大语言模型 (LLM) 进行翻译。该框架自然支持多路径上下文采样，它可以通过聚合话语模糊输入的不同翻译候选来提高鲁棒性。跨多个领域进行的实验表明，G^2C-MT 在多个 LLM 上的性能优于强基线，包括 DeepSeek-V3、Gemini-2.5-Flash-lite 和 Qwen-2.5/3 系列。