微软IJCAI演讲PPT Part II:深度学习在统计机器翻译和对话上的应用

前天我们翻译了微软关于NLP(自然语言处理)的PPT的概览部分,今天我们为大家带来了这份PPT的第二部分:同上次一样,我们将翻译内容放在图里的同时也写在了下面,大家可点开大图,也可按需自行查阅底部文字~

统计机器翻译(SMT)包括:

l 统计结果 l 来源渠道模型 l 翻译模型 l 语言模型 l 对数线性模型 l 评价指标:BLEU分数(越高越好)

基于短语的统计机器翻译(SMT)将中文翻译成英文

核心问题:针对什么建模?

l 针对词汇可能性 语言模型 LM/w 来源 l 基于短语的机器翻译 翻译/录制可能性 翻译 录制 l 基于二元的机器翻译 l ITG模型

神经网络在基于短语的SMT中的示例

l 神经网络作为线性模型中的组成部分 翻译模型 预压模型 卷曲神经网络的使用 联合模型 FFLM与原始词汇 l 神经机器翻译(NMT) 建立一个单一、大型的神经网络用来读取句子并输出翻译 RNN 编码-解码 长短时期记忆 联合学习顺序、翻译 NMT在WMT任务上超过了最好的结果

短语翻译模型虽然简单,但是解决了数据稀少的问题。

深度语义相似模型(DSSM)

l 计算语义相似性btw文本 l 针对自然语义处理任务的DSSM

DSSM 针对短语翻译模型

l 两个神经网络(一个是来源方向,一个是导向方向) 输入 输出 l 短语翻译分数=矢量点积 分数 为了缓解数据稀疏性,允许复杂的分数函数

N-gram语言模型

l 词语n-gram模型(如n=3) l 使用长历史的问题 稀少的事件:不可靠的可能性预估

RNN LMs需要返回到句子刚开始的时段,这也使得动态规划更加困难。为了给新词汇评分每一个解码器的状态都需要维持在h,通过传统的n-gram语境和最好的h来合并假设,进行重新组合。

模拟S需要3个条件:1.整个源句子或者均衡的源词汇 2.S作为词汇序列,词汇包,或者矢量代表 3.如何学习S的矢量代表?神经网络联合模型基于递归神经网络语言模型和前馈神经语言模型。

前馈神经语言模型

扩展前馈LM,使它包含周围有均衡源词汇的窗口。如果要对齐多个源词汇,选择正中间的位置;如果无需对齐,则继承最近目标词汇的队列。同时用队列在文本中进行训练;优化目标的可能性。

神经机器翻译,建立一个单独的,大型的NN,阅读句子并输入翻译。不像基于短语的系统需要很多零件模型组成。编码器-解码器基础方法是:一个编码器RNN进行阅读和将一个源句子编码到固定长度的矢量中,一个解码器RNN从编码器矢量中输出可变长度的翻译,最后编码器-解码器RNNs联合学习文本,优化目标可能性。

[Sutskever+2014]编码器-解码器模型

将MT当成普遍的序列到序列的翻译,阅读源头;累积隐状态;生成目标。其中<EOS>是停止递归进程的符号。在练习中,反向阅读源句子会导致更好的MT结果。在文本中进行训练,并使用SGD优化目标可能性。

潜能和困难

在理论上,RNN可以将所有过去输入的信息“储存”在h中,但在现实中标准的RNN无法捕获长距离的依赖。解决反向传播中梯度消失和爆炸和不稳定噪音问题的方法是:长的短期记忆。

长短期记忆细胞

RNN中一个LSTM单元的信息流的图解和数学公式。W`s是权重矩阵,虽然没有显示但可以从图中轻松的推理出来。

两个门的记忆细胞

图2:提出的隐激活函数。更新门z决定隐藏状态是否更新了新的隐藏状态h。复位门r决定先前的隐藏状态是否被忽略。

排列和翻译的联合学习

SMT编码器-译码器模型存在一个问题问题:压缩源信息到一个固定长度矢量中,使得RNN很难复杂长句子。注意力模型就是:编码输入句子到矢量队列,并在解码时选择矢量的子集

它类似的想法于[Devlin+14]。

[ Bahdanan+15]的注意力模型

编码器:双向RNN编码每一个单词和文本

解码器:寻找一系列与预测的目标词汇最相关的源词汇,并基于源词汇和所有先前生成词汇相关的文本矢量预测目标词汇。这样翻译长句子的表现接近最佳性能。

MSR`s神经对话引擎

原文发布于微信公众号 - AI科技评论(aitechtalk)

原文发表时间:2016-07-13

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏机器之心

读懂概率图模型:你需要从基本概念和参数估计开始

选自statsbot 作者:Prasoon Goyal 机器之心编译 参与:Panda 概率图模型是人工智能领域内一大主要研究方向。近日,Statsbot 团...

35411
来自专栏AI启蒙研究院

【通俗理解】凸优化

1453
来自专栏机器之心

学界 | FAIR新一代无监督机器翻译:模型更简洁,性能更优

1636
来自专栏数据派THU

一文读懂机器学习概率图模型(附示例和学习资源)

来源:机器之心 本文长度为10085字,建议阅读15分钟 本文结合基础应用示例系统性的为你讲解概率图模型。 概率图模型是人工智能领域内一大主要研究方向。近日,数...

1K9
来自专栏IT派

读懂概率图模型:你需要从基本概念和参数估计开始

概率图模型是人工智能领域内一大主要研究方向。近日,Statsbot 团队邀请数据科学家 Prasoon Goyal 在其博客上分两部分发表了一篇有关概率图模型的...

4064
来自专栏企鹅号快讯

AOGNet:基于深度 AND-OR 语法网络的目标识别方法

这是 PaperDaily 的第28篇文章 本期推荐的论文笔记来自 PaperWeekly 社区用户@duinodu。本文研究的问题是深度学习中的网络工程问题。...

2447
来自专栏机器之心

学界 | 对比对齐模型:神经机器翻译中的注意力到底在注意什么

3775
来自专栏算法channel

入门解读 seq2seq 和注意力模型

2454
来自专栏深度学习自然语言处理

简单实例讲解为何深度学习有效

在之前的一些年里,深度学习已经占领了模式识别领域,之后又横扫了计算机数视觉,之后自然语言处理也慢慢的朝着这个方向开始了它的发展。

772
来自专栏机器之心

学界 | 中科大与微软提出Adversarial-NMT:将生成对抗网络用于神经机器翻译

选自arxiv 作者:Lijun Wu, Yingce Xia 等 机器之心编译 参与:吴攀 生成对抗网络(GAN)与神经机器翻译(NMT)是当前人工智能研究的...

2977

扫码关注云+社区