Neural Machine Translation by Jointly Learning to Align and Translate

TL;DR 本文是将注意力机制 Attention Mechanism 引入机器翻译的第一文, 文中称为对齐 Alignment. 在编码器 encoder 与解码器 decoder 之间增加了一个对齐模型 alignment model, 使得翻译不再是将 source 编码成固定长度的上下文向量 context vector 再解码成 target, 而是维护一个可变的 context, 每翻译一个词, 都从 source 中搜索最相关的部分与之对齐. 由于使用的 soft-alignment, 梯度可通过 alignment model 反向传播, 因此同时学习翻译与对齐.

Key Points

指出传统 encoder-decoder 框架的不足之处. 随着序列的增长, 将输入的所有信息压缩进一个固定长度的向量越来越困难, 模型性能将急剧下降.
为解决上述问题, 引入了 aligment model, decoder 每生成一个词的翻译, 都会对输入序列进行搜索, 找出与当前要翻译的内容最相关的部分; 结合之前的输出, 当前 decoder 的状态和查询结果, 进行更好的翻译.
给出了 alignment model 的一个范式:
- 综合各要素计算下一个翻译的概率: $p(yi|y_1, \dots, y{i-1}, x)=g(y_{i-1}, s_i, c_i)$; $s_i$, $c_i$ 分别是 decoder 第 i 时刻的 state 与查询得的 context.
- 根据之前的输出, 状态和当前 context 计算当前状态: $si=f(s{i-1}, y_{i-1}, c_i)$;
- context vector 是加权求和的结果: $ci=\Sigma{j=1}^{Tx} \alpha{ij}hj$; $h_j$ 是 endoder 在第 i 时刻的状态, $\alpha{ij}$ 是对应的权值.
- 使用 decoder 的上一个状态计算和 encoder 某时刻状态的相似度, 即对齐程度: $e{ij}=a(s{i-1}, h_j)$; (按照原文的表示, 此处为小写的 A)
- 概率和为 1, 因此使用 softmax, soft-alignment 由此得名: $\alpha{ij}=\frac{exp(e{ij})}{\Sigma{k=1}^{T_x} exp(e{ik})}$. (此处为希腊字母 alpha, 表征概率)
对齐时, 在整个输入序列上搜索相关部分, 每个词都以一定概率和翻译结果对齐, 好处是可以考虑更多的上下文信息, 并很自然地解决了词组的翻译问题, 带来的问题是, 对于 $T_x$ 长度的 source 和 $T_y$ 长度的 target, 要进行 $T_x \times T_y$ 对齐运算.
具体地, 文中使用感知机来计算相似度, 即 $a(s{i-1}, h_j)=v_a^T tanh(W_a s{i-1}+U_a h_j)$

Notes/Questions

从概率的角度看, translation 可以理解为 conditional language modeling. 即找出最优的翻译, 最大化 $p(target|source)$ 的概率.
用 $si=f(s{i-1}, y_{i-1}, c_i)$ 来计算状态, 抛弃了 decoder RNN 的状态, 总觉的挺别扭的.
给出了 Attention 的一个范式, 但计算方法上还比较粗糙, 这也为后面的各种论文提供了发挥空间.

PreviousMemory Networks NextConvolutional Sequence to Sequence Learning

Last updated 5 years ago

Key Points

指出传统 encoder-decoder 框架的不足之处. 随着序列的增长, 将输入的所有信息压缩进一个固定长度的向量越来越困难, 模型性能将急剧下降.

为解决上述问题, 引入了 aligment model, decoder 每生成一个词的翻译, 都会对输入序列进行搜索, 找出与当前要翻译的内容最相关的部分; 结合之前的输出, 当前 decoder 的状态和查询结果, 进行更好的翻译.

给出了 alignment model 的一个范式:

综合各要素计算下一个翻译的概率: $p(yi|y_1, \dots, y{i-1}, x)=g(y_{i-1}, s_i, c_i)$; $s_i$, $c_i$ 分别是 decoder 第 i 时刻的 state 与查询得的 context.
根据之前的输出, 状态和当前 context 计算当前状态: $si=f(s{i-1}, y_{i-1}, c_i)$;
context vector 是加权求和的结果: $ci=\Sigma{j=1}^{Tx} \alpha{ij}hj$; $h_j$ 是 endoder 在第 i 时刻的状态, $\alpha{ij}$ 是对应的权值.
使用 decoder 的上一个状态计算和 encoder 某时刻状态的相似度, 即对齐程度: $e{ij}=a(s{i-1}, h_j)$; (按照原文的表示, 此处为小写的 A)
概率和为 1, 因此使用 softmax, soft-alignment 由此得名: $\alpha{ij}=\frac{exp(e{ij})}{\Sigma{k=1}^{T_x} exp(e{ik})}$. (此处为希腊字母 alpha, 表征概率)

对齐时, 在整个输入序列上搜索相关部分, 每个词都以一定概率和翻译结果对齐, 好处是可以考虑更多的上下文信息, 并很自然地解决了词组的翻译问题, 带来的问题是, 对于 $T_x$ 长度的 source 和 $T_y$ 长度的 target, 要进行 $T_x \times T_y$ 对齐运算.

具体地, 文中使用感知机来计算相似度, 即 $a(s{i-1}, h_j)=v_a^T tanh(W_a s{i-1}+U_a h_j)$

Notes/Questions

从概率的角度看, translation 可以理解为 conditional language modeling. 即找出最优的翻译, 最大化 $p(target|source)$ 的概率.

用 $si=f(s{i-1}, y_{i-1}, c_i)$ 来计算状态, 抛弃了 decoder RNN 的状态, 总觉的挺别扭的.

给出了 Attention 的一个范式, 但计算方法上还比较粗糙, 这也为后面的各种论文提供了发挥空间.