论文解读：Semantic Neural Machine Translation using AMR

Posted 2022-12-22

论文解读：Semantic Neural Machine Translation using AMR

  机器翻译主要得益于语义表征能力，为了缓解数据的稀疏性，作者提出一种神经机器翻译方法，利用AMR（Abstract Meaning Representation）作为语义增强，结合LSTM进行端到端的学习。此模型较为简单，因此做简单介绍。

一、简要信息

序号	属性	值
1	模型名称	semantic-nmt
2	所属领域	自然语言处理
3	研究内容	神经机器翻译
4	核心内容	Att-BiLSTM, AMR,GRN
5	GitHub源码	​​https://github.com/freesunshine0316/semantic-nmt​​
6	论文PDF	​​https://arxiv.org/abs/1902.07282​​)

二、相关背景

  绝大多数的机器翻译工作中，通常使用RNN或CNN用于捕捉句子的语义表征，通常其获取的信息量较为发散（让神经网络自己去挖掘句子中词与词之间的序列关系），往往机器翻译的数据非常稀疏，少量的数据容易让神经网络产生过拟合的学习，因此绝大多数的神经机器翻译模型会添加额外的信息用于增强，例如带有图像的多模态机器翻译，结合知识图谱的机器翻译等。本文则是利用句子的语法结构来增强机器翻译。

  通常语法结构有依存关系树，如下图中（a）所示，其可以分析出主语谓语宾语，构成简单的事实，比如图中的事实为John gave wife present。

另外就是AMR，其是基于依存关系树生成的图，其由Banarescu[1]提出。根结点为（a）中的起始点gave单词，依次对应相关的名词，每个叶子结点则表示最终对应的人名、事物或其修饰词。因为名词之间可能会存在语义关系，因此AMR是一个有向图结构。AMR具体详细可见参考文献[1]，AMR可以通过一系列的工具包自动生成，例如JAMR。

三、提出的方法

  如图所示：

作者提出的模型主要分为三个部分，编码器包含两个部分分别为基于注意力的长短期记忆神经网络（Att-BiLSTM）和基于图递归网络GRN的AMR编码器；解析器则为自回归模型。

1、Att-BiLSTM

。

2、GRN based AMR Encoder

，包括结点 和边 。拓扑结构则为每个句子的AMR图，每个结点 用向量 表示，初始化时为0向量。记

  在训练GNN时，有两种方法学习每个结点的表示，一种是基于图卷积网络GCN，一种是基于图递归网络GRN，它们分别借鉴了CNN和RNN的思想。本文使用的是GRN网络，简单做一个介绍：
第 轮迭代就相当于RNN中的第 个时间序列，每轮迭代主要包括上一轮迭代的隐状态和当前的外来数据，其中外来数据即为AMR图中每个结点的对应的词向量。
（1）外来数据：为了保证输入数据符合拓扑结构，作者定义数据格式：

其中 表示三元组 的向量表示， ， 和 分别表示当前的结点 存在（不存在）三元组 中。需要注明的是，上述两个公式是对结点 的表示，循环所有三元组，只要三元组存在 的累和到 中，否则累和到

（2）上一状态的隐状态：

其中 表示上一时刻 的表示，

递归公示如图所示，其本质上是LSTM。

3、Decoder

的AMR图中重要的结点作为增强，作者在AMR图输出部分和LSTM一样堆叠了一个Attention，公式如下：

预测部分则为：，其中

参考文献：
【1】Banarescu, Laura & Bonial, Claire & Cai, Shu & Georgescu, Madalina & Griffitt, Kira & Hermjakob, Ulf & Knight, Kevin & Koehn, Philipp & Palmer, Martha & Schneider, Nathan. (2013). Abstract Meaning Representation for Sembanking. 178-186.
【2】​​利用AMR进行摘要式文本综述​​