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

跨语言嵌入模型的调查

注意:如果您正在查找调查报告,此博客文章也可作为arXiv上的一篇文章。

24010
来自专栏人工智能

浅谈神经机器翻译

发明计算机的最早目标之一就是自动将文本从一种语言翻译成另一种语言。

2268
来自专栏深度学习

机器学习常用神经网络架构和原理

一、为什么需要机器学习? 有些任务直接编码较为复杂,我们不能处理所有的细微之处和简单编码,因此,机器学习很有必要。相反,我们向机器学习算法提供大量数据,让算法不...

2967
来自专栏机器之心

新闻太长不想看?深度解析MetaMind文本摘要新研究

选自MetaMind 作者:Romain Paulus、Caiming Xiong、Richard Socher 机器之心编译 参与:Jane W、Cindy、...

2836
来自专栏机器之心

学界 | 普适注意力:用于机器翻译的2D卷积神经网络,显著优于编码器-解码器架构

深度神经网络对自然语言处理技术造成了深远的影响,尤其是机器翻译(Blunsom, 2013; Sutskever et al., 2014; Cho et al...

612
来自专栏机器之心

资源 | 吴恩达deeplearning.ai五项课程完整笔记了解一下?

机器之心整理 机器之心编译 参与:思源、路雪 自吴恩达发布 deeplearning.ai 课程以来,很多学习者陆续完成了所有专项课程并精心制作了课程笔记,在此...

4617
来自专栏AI科技评论

干货 | 中科大夏应策:推敲网络——用于序列生成的网络结构

AI 科技评论按:基于编码器-解码器结构的序列生成模型被广泛应用文本任务,例如神经机器翻译,摘要生成,对话系统等等。然而,现有模型在生成序列的时候都是只生成一次...

2665
来自专栏人工智能头条

漫谈词向量之基于Softmax与Sampling的方法

2394
来自专栏机器之心

学界 | 谷歌联合英伟达重磅论文:实现语音到文本的跨语言转录

选自arxiv 机器之心编译 参与:吴攀、李亚洲、蒋思源 机器翻译一直是人工智能研究领域的重头戏,自去年谷歌推出了神经机器翻译(GNMT)服务以来,相关技术的研...

3389
来自专栏全球人工智能的专栏

LSF-SCNN:一种基于 CNN 的短文本表达模型及相似度计算的全新优化模型

本篇文章是我在读期间,对自然语言处理中的文本相似度问题研究取得的一点小成果。有任何问题,欢迎交流。

1.4K0

扫描关注云+社区