清华大学刘洋--基于深度学习的机器翻译

Posted 2021-02-09 vector11248

                           <-----  1980                                           2013----------->    

基于规则的机器翻译                    基于统计的机器翻译　　　　　　基于神经网络的机器翻译

 

——————————————————————————————————————

平行语料库

数据驱动的机器翻译

短语的切分、调序

统计机器翻译的优缺点：

然而，用神经网络进行建模，核心思路：用连续替代离散。

 

 

RNN 进行句子向量表示

 

 hidden layer的最后一个神经元包含了这个句子所携带的所有信息，听起来特别的荒诞，但是就是好用啊。

这时再用decoder解码器进行解码

 那么，递归神经网络进行机器翻译，有哪些优缺点呢？

 

这时，为了解决“梯度消失”或者“梯度爆炸”的问题，就引入了LSTM。LSTM，引入了“input gate”" forget gate" "output gate"。

 

我们的神经网络学习到了什么呢？谷歌到研究人员做了一些可视化的工作。说明，神经网络来进行机器翻译，还是有一定的效果的。

 

但是，编码器-解码器架构存在缺点，即（个人理解）在解码过程中的神经元是黑盒的，可解释性很低。

 

在这种情况下，注意力机制横空出世。

其核心思想是：集中关注相关的上下文。

 

注意力机制是怎么回事呢？

首先，进行一步双向的RNN，双向RNN的好处时，每一个单词都可以获得一个自己全局的地位。

 

再根据每个词的重要程度，动态地生成下一个词。

 

注意力机制能够有效的提升长句的翻译效果，LSTM是固定原语言的生成，而注意力是动态原语言生成

 

 

目前，注意力机制也应用在其他领域