论文标题：

Neural Machine Translation with Universal Visual Representation

论文作者：

Zhuosheng Zhang, Kehai Chen, Rui Wang, Masao Utiyama, Eiichiro Sumita, Zuchao Li, Hai Zhao

论文链接：

https://openreview.net/forum?id=Byl8hhNYPS

收录情况：

ICLR 2020 (Spotlight)

代码链接：

https://github.com/cooelf/UVR-NMT

长期以来，机器翻译都只涉及到文本之间的转换，但实际上，人的感知功能可以是“多模态”的。

本文提出一种通用的视觉表征，将图片信息融合到机器翻译模型中。

使用这种视觉知识融合方法，不需要额外的双语-图片标注数据，模型就能够在多个数据集上取得显著的效果提升。

多模态与机器翻译

机器翻译是两种语言间的转换，比如“A dog is playing in the snow”翻译为中文就是“小狗在雪地里玩耍”。

但人类理解世界不只是用文字，还有视觉、听觉等感知能力；并且翻译的过程需要保持“语义”不变。比如下面的图：

讲中文的人会说“小狗在雪地里玩耍”，而讲英文的人会说“A dog is playing in the snow”。也就是说，人们对客观世界的本质认知是相同的，只是“方法”不同，体现在语言上，就是语法上的差异。

为此，我们可以假设在机器翻译模型中，融入这种“客观的世界知识”，比如把图片信息加入，以此期望增强翻译能力。同时考虑文本和图片，这就是一种多模态。

然而，过去的翻译-图片研究大都需要大量的双语-图片标注数据，这在数据上成为一个研究的瓶颈。本文针对这种情况，提出“通用的视觉表示”，仅用单语-图片标注数据，就能显著提高机器翻译的效果。

本文的方法在数据集EN-RO，EN-DE，EN-FR上均有约一个BLEU值的提高，这说明了本方法的有效性。

具体来说，本文贡献如下：

• 提出一种通用的视觉表示方法，无需双语-图片标注语料；

• 该方法可以在只有文本的数据集上使用；

• 实验证明了该方法效果提升的一致性。

在阅读完本文之后，读者可以思考下述问题：

• 如果要翻译单语-图片数据集中没有的语言，可以怎么做？

• 在融合步骤，是否可以有其他的方法进行融合？

• 你认为本文这种方法从逻辑上是否真的有效？为什么？

通用视觉表示

本节来介绍本文的方法。

首先我们有一个单语-图片数据集，也就是，其中的每条数据都是一张图片和对图片的描述。

这个描述的句子为，把其中的停用词去掉后得到了，它所描述的图片是。

然后，对中的每个词，计算它在整个数据集中的TF-IDF值，然后取中TF-IDF值最大的前个词作为这个图片的主题词，也就是和图片最相关的个词。

这样一来，每个图片都有它主题词，同时，每个词都有可能同时是多个图片的主题词。我们可以把这看成一个“主题词-图片”查询表，输入一个词，就可以在表中查询以为主题的所有图片。

那么，现在输入一个句子，我们就可以按照同样的步骤：

1.去除停用词；

2.计算每个词的TF-IDF；

3.取前个TF-IDF最高的词；

4.在查询表中找到所有对应的图片；

5.按照出现次数的多少排序，取出前个出现次数最多的图片（因为多个词可能对应同一个图片），得到集合。

现在，这个图片集合就可以认为是和输入句子对应的视觉信息，可以用它去增强翻译效果了。下图是流程示意图：

在机器翻译中融合图片信息

为了把图片融合进去，我们首先用一个预训练的ResNet提取图片集的表示，然后计算与。

这里，是Transformer Encoder的最后一层，是用ResNet得到的图片集的表示，使用sigmoid计算。

在Decoder端，直接把送入即可。融合步骤如下所示：

实验

我们在三个数据集上进行实验：WMT16 En-RO, WMT14 EN-DE和WMT14 EN-FR。这三个数据集大小从小到大增加，从而在不同大小的数据集上都能验证该方法。

下表是在这三个数据集上的结果，++表示显著更优。

可以看到，和基线模型(Trans.(base/big))相比，本文的方法(+VR)在三个数据集上都能得到显著的提升，平均提升约一个BLEU值。同时，只引入了很少的参数量，这就不会使训练时间几乎不会增加。

下表是在数据集Multi30K上的结果，这是一个多模态数据集。可以看到，即使在多模态设置下，本文方法依旧能够取得显著结果。

最后，我们来看看每个句子对应的图片集的大小，和手动控制参数的影响。

下图分别是两个因素的影响结果。从图片数量来看，并不是越多的图片数量越好，也不是越少越好，而是在的区间较好。这是因为，过少的图片信息不充分，过多的图片噪声太多。

参数控制的是图片信息融合的程度，可以看到，无论融合多少，效果都比不融合图片信息要好，这说明多模态是有效果的。

而且，手动控制它都没有模型自动学习好，这也说明模型对不同的输入句子，需要的视觉信息也是不同的。

小结

本文提出了一种简单、有效的多模态视觉知识融合方法——首先构建从主题词到图片的查询表，然后对输入句子找到相关的图片，然后使用ResNet提取图片信息融入到机器翻译模型中。

使用这种方法，可以避免对大规模双语-图片数据的依赖。实验结果也表明，这种方法可以一致地提高翻译效果。

思考题讨论

• 如果要翻译单语-图片数据集中没有的语言，可以怎么做？

  比如没有日语，我们可以用一个日语的image caption模型去自动标注每个图片的描述。

  或者可以用X-日语的机器翻译得到图片翻译后的描述；或者直接用一个现有的词典，把图片的主题词直接翻译成日语。其他方法亦可。

• 在融合步骤，是否可以有其他的方法进行融合？

  另外一个简单的方法是，把ResNet得到的图片表示和句子一起，送入Encoder，再像往常一样解码。

• 你认为本文这种方法从逻辑上是否真的有效？为什么？

  见仁见智，笔者倾向于有效，但是作用不大，因为只从模型的角度难以验证图片和文本之间语义的相关性，至于效果的提升，有可能是ResNet和Aggregate的共同结果。

  笔者认为，可以考虑加一个图片预测描述的任务，和翻译一起学习；再将ResNet替换为普通的CNN进行实验。

????

现在，在「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」

点击「关注」订阅我们的专栏吧

关于PaperWeekly

PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域，欢迎在公众号后台点击「交流群」，小助手将把你带入 PaperWeekly 的交流群里。