CS224N笔记——神经机器翻译与Attention机制

神经机器翻译NMT

神经机器翻译的架构

神经机器翻译的青铜时代

现代神经机器翻译的序列模型

RNN Encoder

Decoder:循环语言模型

机器翻译的发展

神经机器翻译的四大优势

统计/神经机器翻译

神经机器翻译主要由工业界促进

Attention:朴素RNN&长序列

Attention机制

词语对齐

同时学习翻译和对齐

Scoring

神经机器翻译NMT

神经机器翻译是用一个大型神经网络建模整个翻译过程的系统。

神经机器翻译的架构

神经机器翻译的青铜时代

80年代神经网络是个很边缘的领域，另外计算力也很有限。当时的NMT系统很简陋：词表四五十，固定的50个输入（二进制编码），固定的66个输出，一到三层隐藏层，150个单元。

90年代出现了一种类似RNN的更复杂的框架：

现代神经机器翻译的序列模型

一个RNN做encoder，另一个RNN做decoder。

实际系统中使用深层RNN：

这里的RNN可视作条件循环语言模型：

RNN Encoder

最后一个隐藏层的状态Y是整个原文的总结。

常见的encoder实际上加了一些扩展，比如GRU或LSTM。

Decoder:循环语言模型

常见的做法是把encoder的最后一层（最后一个时刻）作为decoder的第一层，这样就必须用LSTM保持中期记忆。

另一种做法是将encoder最后一层喂给decoder的每一层，这样就不会有记忆丢失的后顾之忧了。

机器翻译的发展

神经机器翻译的四大优势

End-to-end training
为优化同一个损失函数调整所有参数
Distributed representation
更好地利用词语、短语之间的相似性
Better exploitation of context
利用更多上下文——原文和部分译文的上下文
More fluent text generation
深度学习文本生成质量更好

统计/神经机器翻译

不同年份google翻译的效果测试：

神经机器翻译主要由工业界促进

2016-02 微软在Android和iOS上发布了离线NMT系统。

2016-08 Systran发布了NMT模型。

2016-09 Google发布了NMT系统，声称比得上人工翻译质量。

Attention:朴素RNN&长序列

朴素encoder-decoder的问题是，只能用固定维度的最后一刻的encoder隐藏层来表示源语言Y，必须将此状态一直传递下去，这是个很麻烦的事情。事实上，早期的NMT在稍长一点的句子上效果就骤降。

Attention机制

解决方法是将encoder的历史状态视作随机读取内存，这样不仅增加了源语言的维度，而且增加了记忆的持续时间（LSTM只是短时记忆）。

词语对齐

传统的SMT中需要显式地做双语对齐：

而attention model是在翻译的过程中隐式地对齐。

同时学习翻译和对齐

attention model成功地对齐了法语和英语，其中一小段语序的调整也反应出来了：

Scoring

在图示问号时刻，究竟应该关注哪些时刻的encoder状态呢？关注的强度是多少呢？

有一种打分机制，以前一刻的decoder状态和某个encoder状态为参数，输出得分：

然后softmax归一化分值转化为概率，这个概率称为对齐权值（alignment weights）：

这个概率也代表模型应该将多少比例的注意力放在一个历史状态上：

加权和得到一个context vector，作为条件之一生成decoder的当前状态：

而分数的获得，是通过attention function进行的。attention function有多种选择，其中流行的是中间这种。Wa给了两个向量更复杂的interaction，而最后一种根本没有interaction。

有一些观点认为模型不应该注意所有的事情：

但这些观点并没有取得更好的成绩：

句子特别短的时候，模型的得分都不高。这纯粹是因为语料中的短句子本来就语义隐晦，比如某个专有名词作为标题。而有attention的模型在句子很长的时候，效果依然没有下降，说明了attention的重要性。

LSTM非常擅长生成自然的文本，但有时候译文与原文相去甚远，没有把注意力放在原文上。比如下面红色的名字不知道从哪里冒出来的：

加了attention好了很多，还是比不上人类，有时候会把同一个意思的词重复两遍：