文/董陸森

1　機器翻譯發(fā)展簡介

機器翻譯是用一種自然語言讀取句子，經(jīng)過翻譯系統(tǒng)復雜的處理，輸出另一種語言具有相同含義的自然語言句子的方法。但由于源語言與目標語言之間存在的差異，翻譯的結(jié)果可能與原句產(chǎn)生很大的語義偏差。例如，漢語和日語中語法成分和語句結(jié)構(gòu)的區(qū)別可能會造成語義的分歧。傳統(tǒng)的基于短語的翻譯系統(tǒng)通過將源語句分解為多個塊并且將其翻譯成詞組來完成翻譯任務，結(jié)果導致了翻譯結(jié)果的不通順，準確度遠不如人工翻譯。因此，更好的機器翻譯方法就是理解原文的含義和語法規(guī)則后再進行翻譯。

2　循環(huán)神經(jīng)網(wǎng)絡(luò)

2.1　循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

循環(huán)神經(jīng)網(wǎng)絡(luò)主要用于處理諸如文本的序列數(shù)據(jù)。在傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型中，輸入層，隱藏層和輸出層之間是全連接的，但是每層之間的節(jié)點是無連接的。與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型有著巨大不同的是，循環(huán)神經(jīng)網(wǎng)絡(luò)的隱藏層內(nèi)部的節(jié)點彼此之間是有連接的。在循環(huán)神經(jīng)網(wǎng)絡(luò)中，預測新的單詞通常需要用到文章中上文已出現(xiàn)的單詞，這與閱讀過程十分相似。在閱讀時，人是基于對熟識詞或已出現(xiàn)詞的理解來推斷新詞在句中的含義，而不會是將所有知識都丟棄，用空白的大腦重新思考。循環(huán)神經(jīng)網(wǎng)絡(luò)中一個序列當前單元的輸出與之前單元的輸出有關(guān)，因此，可以說循環(huán)神經(jīng)網(wǎng)絡(luò)有記憶性。具體的表現(xiàn)是：循環(huán)神經(jīng)網(wǎng)絡(luò)會對文本序列中出現(xiàn)過的信息進行記憶，并將前序單元中學習得到的信息作為下一個單元的信息輸入。圖1是一個典型的循環(huán)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，隱藏層中單元的輸入不僅來自輸入層，還來自隱藏層中的其他單元。

2.2　循環(huán)神經(jīng)網(wǎng)絡(luò)的局限性

圖1：循環(huán)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

圖2：Seq2Seq輸入輸出序列

圖3：Seq2Seq模型的編解碼器

理論上，循環(huán)神經(jīng)網(wǎng)絡(luò)適用于處理任意長度的文本序列。但是實際應用中，傳統(tǒng)的循環(huán)神經(jīng)網(wǎng)絡(luò)有很大局限性。嘗試預測“我在中國長大......我會說流利的漢語”文本中的最后一個詞。文本序列中最近的信息表明，下一個單詞可能是一種語言的名稱，但如果要確定下一個單詞是哪種語言，就需要中國這一詞出現(xiàn)時的上下文。這說明在傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)預測中，相關(guān)信息和當前預測位置之間的間隔很大。而且隨著這種間隔的擴大，循環(huán)神經(jīng)網(wǎng)絡(luò)變得無法學習如何連接信息，這被稱為“長期依賴”問題。近年來，一些新的神經(jīng)網(wǎng)絡(luò)模型改進了傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)模型的缺陷。其中最常用的神經(jīng)網(wǎng)絡(luò)模型是基于長短期記憶（long shortterm memory）網(wǎng)絡(luò)。

3　LSTM神經(jīng)網(wǎng)絡(luò)簡介

Long Short Term Memory網(wǎng)絡(luò)是可以克服傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)局限性，學習到長期依賴信息。與傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)不同的是，長短期記憶網(wǎng)絡(luò)在傳統(tǒng)的結(jié)構(gòu)上增加了復雜的“LSTM細胞”循環(huán)，這些“LSTM細胞”是LSTM網(wǎng)路的核心，并且LSTM每個細胞單元之間存在著復雜的聯(lián)系，可以彼此交互。

LSTM網(wǎng)絡(luò)的輸入和輸出只由一組維度固定的向量編碼，因而具有很大的局限性。翻譯可以看作一組表示原文的詞到一組表示譯文的詞的映射，機器翻譯模型代表了映射的規(guī)則。但是在實際的機器翻譯任務中，實際輸入不會總是固定的長度，因此很難用維度固定的向量編碼，這和傳統(tǒng)的深度神經(jīng)網(wǎng)絡(luò)是矛盾的。

4　Seq2Seq模型原理簡介

在LSTM中，Seq2Seq模型解決了向量編碼的問題。對于機器翻譯這樣的序列數(shù)據(jù)處理的任務，最合適的神經(jīng)網(wǎng)絡(luò)模型就是循環(huán)神經(jīng)網(wǎng)絡(luò)。Seq2Seq模型讀取輸入序列“ABC”，產(chǎn)生“WXYZ”作為輸出序列。該模型在遇到輸出序列結(jié)束標記(EOS)后停止預測。如圖2所示，Seq2Seq模型與展開后的循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)很相似。

具體地，神經(jīng)機器翻譯系統(tǒng)首先使用編碼器(Encoder)讀取源文本序列來構(gòu)建“思考”向量，即處理后表示句子含義的數(shù)字序列。解碼器(Decoder)對這個表示句子含義的數(shù)字序列向量進行處理，產(chǎn)生一個輸出序列，如圖3所示。神經(jīng)機器翻譯用Seq2Seq模型解決了傳統(tǒng)的基于短語的模型本土化性能差的問題。Seq2Seq模型可以獲取神經(jīng)網(wǎng)絡(luò)中的長期依賴性，就如中文-漢語例子中所闡述的那樣。此外，Seq2Seq模型還可以確保上下文中對象性別的一致，控制文本語法結(jié)構(gòu)的統(tǒng)一。