如何让机器拥有人类的智慧?| 论文访谈间 #09

  • 时间:
  • 浏览:1
  • 来源:5分11选5APP下载_5分11选5APP官方

4. 长度比例特征:类事,人知道一般状况下英文句长度约为对应中文句的 1.2 倍。而且文章定义了公式 (8) 所示的长度比例特征,目的是鼓励翻译长度落在合理的范围内。

在神经机器翻译(Neural Machine Translation, NMT)中,并且机器不具村里人 类的智慧云,而且常常会犯你这名 低级的错误。类事,在中-英翻译中,原中文励志的话 涵盖 10 个词,而机器却有时翻译出有有有一个涵盖 60 个词的励志的话 并且是只涵盖 2 个词的励志的话 。 不管内容如何,在人类看来原本的翻译很显然是不对的。没人如何能让机器拥村里人 类的智慧云,从而补救你你你这名 低级的错误呢?近日,亲们 有幸采访到了清华大学的张嘉成,介绍他发表在 ACL2017 上的工作 - Prior Knowledge Integration for Neural Machine Translation using Posterior Regularization。 

1. 双语词典特征:人的先验知识中涵盖词和词的对应关系,类事,爱-love。而且,对于双语词典 D 中的任意有有有一个词对 <x, y>,该特征值定义为公式 (5)。含义为,并且该词对经常冒出在翻译句对中,则记 1。也只是对于有有有一个翻译句对,该特征表示“原句和翻译句中经常冒出的词对的数量”。目的是鼓励按照词典进行翻译。

原文链接

3. 覆盖度惩罚特征:人的先验知识认为原句中的词都是提供信息量,都应该参与翻译。文章沿用了 Yonghui Wu 等人在提出的覆盖度惩罚的定义,如公式 (7) 所示。其中 α_ij 是 NMT 注意力机制中第 j 个目标词对第 i 个源端词的注意力,而且在很少得到注意的源端词处惩罚较大。目的是惩罚源语言中没人被充分翻译的词。

为引入不同的先验知识,文章中采用了 4 类特征: 

而且在张嘉成等人的工作中,亲们 将公式 (2) 中的约束集合替换为对数线性模型表示的先验分布,如公式 (3),(4) 所示。公式 (4) 中的 ϕ(x,y) 代表“特征函数”,对于不同句对 (x, y),先求出其特征值并乘以权重参数 γ,再经过 softmax 得到先验分布 Q(y|x),该分布即为原土法律措施中的 q(y)。经过你你你这名 改进,使得模型都都可以直接利用基于导数的优化土法律措施训练,而不需使用 EM 算法进行求解。同時 ,特征函数 ϕ(x,y) 都都可以有不同的定义,而且增大了模型的通用性和可扩展性。

作者表示该工作的创新点在于利用后验正则化思想,将离散的先验知识融入 NMT 框架中 。同時 ,改进了原后验正则化土法律措施,使其都都可以直接基于导数优化,能够利用上不同的先验知识。对于该工作尚占据 的占据 问题,作者认为权重参数并且具有先验知识重要性的物理意义,应该占据 比训练得到更优的获取方案。

文章中使用的数据集是 1.25M 的中英句对,实验显示该模型能有效地增强翻译效果,都都可以提升 2+ 的 BLEU 值,如下图所示。

2. 短语表特征:同样,人还知道词组和词组的对应关系,类事:纽约- New York。而且你你你这名 特征的定义和双语词典特征类事,如公式(6)所示。对于内外部短语表中的任意短语对<x ̃, y ̃>, 并且经常冒出在翻译句对中,则记1。也只是对于有有有一个翻译句对,该特征表示“原句和翻译句中经常冒出的短语对的数量”。目的是鼓励按照短语表进行翻译。

最后,并且在训练过程中不并且穷尽所有并且的翻译,而且采用了近似的土法律措施,采样一每项并且的翻译进行 KL 距离的估计,如公式 (9) 所示。在解码时,采用“重排序”的土法律措施,即先使用 NMT 得到 k 个候选翻译,而且使用特征对其进行重新打分,挑选得分最高的作为最终翻译结果。

来源:paperweekly

亲们 常常将“人类的智慧云”称为“先验知识(prior knowledge)”。如何将“先验知识”融合到机器学习模型中?该工作沿用了 Kuzman Ganchev 等人在 2010 年提出的“后验正则化(Posterior Regularization, PR)”土法律措施。该土法律措施都都可以表示为公式 (1),(2)。其中公式 (2) 代表先验知识的约束;公式 (1) 表示为使得模型求出的后验分布 P(y|x) 和先验分布 q(y) 尽并且地接近,将两者的 KL 距离作为模型目标函数的正则项。而且你你你这名 土法律措施难以直接应用到 NMT 领域,原困有两点:1)对于不同的先验知识,很难给出有有有一个固定的 b 作为边界值;2)训练目标是有有有一个 max-min 问题,都都可以通过 EM 算法求解,难以通过基于导数的优化土法律措施训练。