论文《NEURAL MACHINE TRANSLATION BY JOINTLY LEARNING TO ALIGN AND TRANSLATE》总结

NEURAL MACHINE TRANSLATION BY JOINTLY LEARNING TO ALIGN AND TRANSLATE

论文来源：Bahdanau, D., Cho, K., & Bengio, Y. (2014). Neural machine translation by jointly learning to align and translate. arXiv preprint arXiv:1409.0473.

原文链接：

摘要

神经机器翻译最近被提出用于机器翻译。与传统的统计机器翻译不同，神经机器翻译旨在构建一个神经网络能够共同联调最大化翻译效果。最近提出的神经机器翻译模型经常包括一类编码器和解码器，把一个源句子编码为一个固定长度的向量，解码器产生翻译。但是我们认为生成一个固定长度的向量是一个瓶颈，propose to extend this by allowing a model to automatically (soft-)search for parts of a source sentence that are relevant to predicting a target word, without having to form these parts as a hard segment explicitly。最后我们的模型取得了显著的效果。

1.Introduction

神经机器翻译被提出（2013, 2014）,不像传统的基于短语的翻译系统，包含很多小的子组件共同调整，神经机器翻译尝试去构建一个单个的神经网络系统，读一个句子并且输出一个正确的翻译。

大部分已经提出的模型是属于编码器和解码器，把一个源句子编码为一个固定长度的向量，解码器产生翻译。每个语言有自己的编码-解码对，共同训练去最大化正确翻译的可能性。

将所有的信息转化为一个固定长度的向量，对于长句子会无法处理，尤其是比训练的句子更长的时候，研究表明，随着句子的加长，传统的编码-解码对的效果会恶化。

为了处理上述的问题，我们提出了一种方法，Each time the proposed model generates a word in a translation, it (soft-)searches for a set of positions in a source sentence where the most relevant information is concentrated. The model then predicts a target word based on the context vectors associated with these source positions and all the previous generated target words.

我们的模型在长句子上面效果很好，但是也使用与各种长度的句子,比现有的其他模型效果要好的多。

2.BACKGROUND: NEURAL MACHINE TRANSLATION

1.从概率的角度出发，翻译等价于给定一个原句子x，找到一个出现概率最大的目标句子y，我们使用句子对语料库来训练模型

最近，2013-2014提出了一些神经网络模型，由两部分组成，编码器和解码器，例如两个RNN，一个用来编码，一个用来解码。

神经网络模型比传统的基于短语的翻译系统效果要好，加入神经网络组件到现有的翻译系统中，

。。。。之后继续更新。。。。。。。。。

单词

conjecture

英 [kən’dʒektʃə] 美 [kən’dʒɛktʃɚ]

n. 推测；猜想

vi. 推测；揣摩

vt. 推测

bottleneck

英 [‘bɒt(ə)lnek] 美 [‘bɑtlnɛk]

n. 瓶颈；障碍物

In this paper, we conjecture that the use of a fixed-length vector is a bottleneck in improving th
a828
e performance of this basic encoder–decoder architecture

deteriorate

英 [dɪ’tɪərɪəreɪt] 美 [dɪ’tɪrɪəret]

vi. 恶化，变坏

vt. 恶化