NEURAL MACHINE TRANSLATION BY JOINTLY LEARNING TO ALIGN AND TRANSLATE

title： 基于联合学习对齐和翻译的神经机器翻译

作者：Dzmitry Bahdanau，KyungHyun Cho ，Yoshua Bengio

发表会议及时间：ICLR  2015

 

1、机器翻译简介

 机器翻译，又叫自动翻译，是人工智能的重要任务之一，是利用计算机将一种自然语言转换成另一种自然语言的过程。它的本质问题是如何实现两种不同语言语言之间的信息等价转换，如何表示信息，如何进行信息的等价转换等。

机器翻译发展历史：

趋势：让机器更“自主”的学习如何翻译。

90年代，出现了数据驱动的机器翻译，第一类是基于统计的翻译，第二类的是神经机器翻译，基于深度学习来实现的。

（1）基于规则的翻译

大致流程：

分类：直接基于词的翻译，结构转换的翻译，中间语的翻译

例子：

语言表达的方法十分灵活，这种方法高度依赖于人类专家，人类专家需要有目标语言知识和源语言知识，开发周期也比较长。

（2）基于统计的机器翻译

大致流程：

即根据词或短语找到所有可能的结果，在庞大的语料库中进行搜索，统计每种结果出现的概率，最后将概率最高的进行输出。

核心问题：为翻译过程建立概率模型。

寻找条件概率分布，从直观上说我们可以枚举所有的中文语言的句子，枚举所有英文句子，来建立概率分布，说这样的做法显然是不合适的，因为语言随时都会建立新的句子，所以不太可能建立直接的映射。

其中Z为隐变量。

隐变量：生产过程中不可观测的随机变量。（就好比你知道源语言，也翻译得到了目标语言，但整个翻译过程的细节都是在训练集上没有看到的）

隐变量对数线性模型：在隐式语言结构上设计特征

关键问题：如何设置特征函数。

（3）基于神经网络的机器翻译

通过学习大量成对的语料，让神经网络自己学习语言的特征，找到输入和输出之间的关系。

核心思想：端到端（End-to-End ） ，建立一个端到端的方法，让机器自动从数据中学习到特征，所以深度学习也常被成为表示学习。

2014年时，KyungHyun Cho和Sutskever先后提出了一种端到端的模型，直接对输入输出建立联系。前者将其模型命名为Encoder-Docoder模型，后者则将其命名为Sequence-to-Sequence模型。

2、神经机器翻译相关技术

1）基于神经网络的机器翻译

 基本思想：利用神经网络实现自然语言的直接映射。

图中的数学模型和上面的统计的数学模型不一样，它实现了一个马尔可夫分解，也就是把译文的生成变成了每个词的生成。

N：目标语言的长度

Yn：当前目标语言词

X：源语言句子

Y<n：已经生成的目标语言句子

 核心问题：条件概率建模（已知源语言的句子和已经生成的目标语言的句子，来预测当前的目标词是什么）

如何对条件概率进行建模？

2）句子的向量表示

利用递归神经网络（RNN）计算句子的向量表示

机器语言的本质就是不同语言之间的信息转换，传统上，我们习惯用离散表示，用词、短语等。深度学习的理念是连续的表示，用数字进行信息的传递。

利用RNN实现源语言的编码和目标语言的编码

在使用深度学习的时候会出现梯度消失和梯度爆炸，所以我们使用LSTM。

编码器-解码器框架优缺点

优点：利用长短时记忆处理长距离依赖

缺点：任意长度的句子都编码为固定维度的向量

如何解决现阶段神经机器翻译中对长句子的编码和解码问题？  -- 引入注意力机制

3、传统模型  --- 基于编码器-解码器的RNNenc模型