神經機器翻譯的聯合訓練(英文版)

程勇

  • 出版商: 清華大學
  • 出版日期: 2020-08-01
  • 定價: $414
  • 售價: 8.5$352
  • 語言: 簡體中文
  • ISBN: 7302561494
  • ISBN-13: 9787302561491
  • 相關分類: 英文 English
  • 下單後立即進貨 (約4週~6週)

  • 神經機器翻譯的聯合訓練(英文版)-preview-1
  • 神經機器翻譯的聯合訓練(英文版)-preview-2
  • 神經機器翻譯的聯合訓練(英文版)-preview-3
神經機器翻譯的聯合訓練(英文版)-preview-1

相關主題

商品描述

標準的神經機器翻譯模型通常是構建一個源語言到目標語言的翻譯模型。在本論文中,我們將提出一些聯合訓練兩個神經機器翻譯模型的方法,其中包括以下主題:1.改進註意力模型;2.引入單語語料;3.提升基於軸語言的翻譯;4.整合雙向依賴關系。

目錄大綱

Contents

1 Neural Machine Translation 1

1.1 Introduction 1

1.2 Neural Machine Translation 4

References 8

2 Agreement-Based Joint Training for Bidirectional Attention-Based

Neural Machine Translation 11

2.1 Introduction 11

2.2 Agreement-Based Joint Training 12

2.3 Experiments 16

2.3.1 Setup 16

2.3.2 Comparison of Loss Functions 17

2.3.3 Results on Chinese-English Translation 18

2.3.4 Results on Chinese-English Alignment 18

2.3.5 Analysis of Alignment Matrices 19

2.3.6 Results on English-to-French Translation 21

2.4 Summary 22

References 22

3 Semi-supervised Learning for Neural Machine Translation 25

3.1 Introduction 25

3.2 Semi-supervised Learning for Neural Machine Translation 27

3.2.1 Supervised Learning 27

3.2.2 Autoencoders on Monolingual Corpora 27

3.2.3 Semi-supervised Learning 29

3.2.4 Training 30

3.3 Experiments 31

3.3.1 Setup 31

3.3.2 Effect of Sample Size k 32

3.3.3 Effect of OOV Ratio 34

3.3.4   Comparison with SMT . . . . . . . . . . . . . . . . . . . . . . . . . . .35

3.3.5   Comparison with Previous Work  . . . . . . . . . . . . . . . . . . .36

3.4   Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .394 Joint Training for Pivot-Based Neural Machine Translation . . . . . . 41

4.1   Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 414.2   Pivot-Based NMT. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 424.3   Joint Training for Pivot-Based NMT . . . . . . . . . . . . . . . . . . . . . . 45

4.3.1   Training Objective . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

4.3.2   Connection Terms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

4.3.3   Training  . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .46

.4   Experiments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48

4.4.1   Setup  . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .48

4.4.2   Results on the Europarl Corpus  . . . . . . . . . . . . . . . . . . . . 49

4.4.3   Results on the WMT Corpus . . . . . . . . . . . . . . . . . . . . . . 50

4.4.4   Effect of Bridging Corpora . . . . . . . . . . . . . . . . . . . . . . . . 52

4.5   Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .53

5 Joint Modeling for Bidirectional Neural Machine Translation with Contrastive Learning  . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

5.1   Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

5.2   Unidirectional Neural Machine Translation. . . . . . . . . . . . . . . . . . 57

5.3   Bidirectional Neural Machine Translation. . . . . . . . . . . . . . . . . . .57

5.4   Decoding Strategies  . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61

5.5   Experiments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61

5.5.1   Setup  . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .61

5.5.2   Effect of Translation Strategies . . . . . . . . . . . . . . . . . . . . .62

5.5.3   Comparison with SMT and Standard NMT . . . . . . . . . . . . 63

5.5.4   BLEU Scores Over Sentence Length  . . . . . . . . . . . . . . . . 64

5.5.5   Comparison of Learning Curves . . . . . . . . . . . . . . . . . . . . 65

5.5.6   Analysis of Expected Embeddings . . . . . . . . . . . . . . . . . . 66

5.5.7   Results on English-German Translation . . . . . . . . . . . . . . .66

5.6   Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .67

6 Related Work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69

6.1   Attentional Mechanisms in Neural Machine Translation . . . . . . . . 69

6.2   Capturing Bidirectional Dependencies . . . . . . . . . . . . . . . . . . . . .70

6.2.1   Capturing Bidirectional Dependencies . . . . . . . . . . . . . . . . 70

6.2.2   Agreement-Based Learning  . . . . . . . . . . . . . . . . . . . . . . .70

6.3 Incorporating Additional Data Resources 71

6.3.1 Exploiting Monolingual Corpora for Machine

Translation 71

6.3.2 Autoencoders in Unsupervised and Semi-supervised

Learning 71

6.3.3 Machine Translation with Pivot Languages 72

6.4 Contrastive Learning 72

References 72

7 Conclusion 75

7.1 Conclusion 75

7.2 Future Directions 76

7.2.1 Joint Modeling 76

7.2.2 Joint Training 77

7.2.3 More Tasks 78

References 78