本帖最后由 讯飞开放平台 于 2018-7-6 10:47 编辑
讲完了基于规则的机器翻译和基于统计的机器翻译，接下来我们来看下基于端到端的神经机器翻译。
神经机器翻译基本的建模框架是端到端序列生成模型，是将输入序列变换到输出序列的一种框架和方法。
其核心部分有两点，一是如何表征输入序列（编码），二是如何获得输出序列（解码）。
对于机器翻译而言不仅包括了编码和解码两个部分，还引入了额外的机制——注意力机制，来帮助我们进行调序。
下面我们用一张示意图来看一下，基于RNN的神经机器翻译的流程：
首先我们通过分词得到输入源语言词序列，接下来每个词都用一个词向量进行表示，得到相应的词向量序列，然后用前向的RNN神经网络得到它的正向编码表示。
再用一个反向的RNN，得到它的反向编码表示，最后将正向和反向的编码表示进行拼接，然后用注意力机制来预测哪个时刻需要翻译哪个词，通过不断地预测和翻译，就可以得到目标语言的译文。
机器翻译的基本应用可分为三大场景：信息获取为目的场景、信息发布为目的的场景、信息交流为目的场景。
以信息获取为目的的应用场景，可能大家都比较熟悉，比如说翻译或是海外购物，遇到一些生僻的词就可以借助机器翻译技术，来了解它的真正意思。
在信息发布为目的的场景中，典型的应用是辅助笔译。
大家应该都还记得本科毕业论文需要用英文写个摘要。不少同学都是利用谷歌的翻译，将中文摘要翻译成英文摘要，然后再做一些简单的调序，得出最终的英文摘要，其实这就是一个简单的辅助笔译的过程。
第三大场景就是以信息交流为目的场景，主要解决人与人之间的语言沟通问题。
举报
