神經(jīng)網(wǎng)絡機器翻譯技術(shù)及產(chǎn)業(yè)應用

第1章 緒論 1
1.1 機器翻譯發(fā)展簡介 3
1.2 機器翻譯代表性方法 6
1.2.1 基于規(guī)則的機器翻譯 6
1.2.2 統(tǒng)計機器翻譯 8
1.2.3 神經(jīng)網(wǎng)絡機器翻譯 11
1.3 發(fā)展現(xiàn)狀 13
1.4 產(chǎn)業(yè)應用需求特點及挑戰(zhàn) 15
1.4.1 高翻譯質(zhì)量 15
1.4.2 高系統(tǒng)性能 17
1.4.3 多語言翻譯 18
1.4.4 領域自適應 19
1.4.5 跨模態(tài)翻譯 20
1.5 本書結(jié)構(gòu) 21
參考文獻 24
第2章 翻譯語料獲取與譯文質(zhì)量評價 27
2.1 概述 28
2.2 機器翻譯語料庫類型 31
2.2.1 雙語語料庫 31
2.2.2 單語語料庫 33
2.3 公開語料庫及系統(tǒng)評測 34
2.3.1 語言數(shù)據(jù)聯(lián)盟與NIST評測 34
2.3.2 歐洲議會語料庫與WMT評測 35
2.3.3 語音翻譯語料庫與IWSLT評測 35
2.3.4 中文語言資源聯(lián)盟與CCMT評測 36
2.4 從互聯(lián)網(wǎng)獲取機器翻譯語料 36
2.4.1 互聯(lián)網(wǎng)雙語語料存在形式 37
2.4.2 互聯(lián)網(wǎng)語料常見問題 39
2.4.3 雙語語料挖掘與加工 40
2.5 機器翻譯質(zhì)量評價 44
2.5.1 人工評價 44
2.5.2 自動評價 46
2.5.3 面向產(chǎn)業(yè)應用的評價 53
參考文獻 55
第3章 神經(jīng)網(wǎng)絡機器翻譯 57
3.1 概述 59
3.2 基于循環(huán)神經(jīng)網(wǎng)絡的模型 62
3.2.1 基本模型 63
3.2.2 雙向編碼 65
3.2.3 注意力機制 66
3.2.4 長短時記憶與門控循環(huán)單元 68
3.3 基于卷積神經(jīng)網(wǎng)絡的翻譯模型 71
3.4 全注意力模型 75
3.4.1 基本思想 76
3.4.2 模型結(jié)構(gòu) 78
3.4.3 性能分析 79
3.5 非自回歸翻譯模型 80
3.6 搭建一個神經(jīng)網(wǎng)絡機器翻譯系統(tǒng) 85
3.6.1 環(huán)境準備 85
3.6.2 模型訓練 86
3.6.3 解碼 88
3.6.4 效果評估 88
參考文獻 89
第4章 高性能機器翻譯 93
4.1 概述 94
4.2 早期產(chǎn)業(yè)化神經(jīng)網(wǎng)絡機器翻譯系統(tǒng) 96
4.2.1 百度神經(jīng)網(wǎng)絡機器翻譯系統(tǒng) 97
4.2.2 谷歌神經(jīng)網(wǎng)絡機器翻譯系統(tǒng) 101
4.3 Transformer模型優(yōu)化 104
4.3.1 高效Transformer 105
4.3.2 針對機器翻譯的優(yōu)化 109
4.4 模型壓縮 112
4.4.1 剪枝 112
4.4.2 量化 115
4.4.3 知識蒸餾 119
4.5 系統(tǒng)部署 121
4.5.1 分布式系統(tǒng)部署 121
4.5.2 智能硬件設備 122
4.6 開源工具 123
參考文獻 124
第5章 多語言機器翻譯 131
5.1 概述 133
5.2 數(shù)據(jù)增強 134
5.2.1 基于樞軸語言的合成語料庫方法 134
5.2.2 回譯技術(shù) 136
5.3 無監(jiān)督機器翻譯 138
5.3.1 基本原理 139
5.3.2 跨語言向量映射 140
5.3.3 基于去噪自編碼器和回譯技術(shù)的翻譯模型 142
5.3.4 基于對偶學習的機器翻譯模型 144
5.4 多語言翻譯統(tǒng)一建模 145
5.4.1 基于多任務學習的翻譯模型 146
5.4.2 基于語言標簽的多語言翻譯模型 148
5.5 多語言預訓練 151
5.5.1 預訓練技術(shù)簡介 152
5.5.2 多語言預訓練模型 158
5.5.3 方法比較 163
5.6 多語言機器翻譯系統(tǒng) 165
5.6.1 百度多語言機器翻譯 165
5.6.2 谷歌多語言機器翻譯 166
5.6.3 臉書多語言機器翻譯 168
參考文獻 169
第6章 領域自適應 177
6.1 概述 179
6.2 領域數(shù)據(jù)增強 180
6.2.1 領域數(shù)據(jù)聚類 180
6.2.2 領域數(shù)據(jù)篩選 182
6.2.3 領域數(shù)據(jù)擴充 184
6.3 模型訓練及優(yōu)化 184
6.3.1 預訓練加微調(diào)技術(shù) 185
6.3.2 領域數(shù)據(jù)加權(quán)訓練 186
6.3.3 模型參數(shù)部分調(diào)優(yōu) 187
6.3.4 基于知識蒸餾的領域自適應 188
6.3.5 基于課程表學習的領域自適應 189
6.4 專有名詞和術(shù)語的翻譯 190
6.4.1 前處理技術(shù) 191
6.4.2 后處理技術(shù) 193
6.4.3 融合專名/術(shù)語翻譯的解碼算法 193
6.5 翻譯記憶庫 195
6.5.1 基于記憶庫的數(shù)據(jù)增強 196
6.5.2 融合記憶庫的翻譯模型 197
6.5.3 k-近鄰翻譯模型 198
6.6 面向產(chǎn)業(yè)應用的領域自適應解決方案 199
參考文獻 200
第7章 機器同聲傳譯 207
7.1 概述 209
7.2 主要挑戰(zhàn) 211
7.2.1 技術(shù)挑戰(zhàn) 211
7.2.2 數(shù)據(jù)挑戰(zhàn) 213
7.2.3 評價挑戰(zhàn) 214
7.3 級聯(lián)同傳模型 216
7.3.1 wait-k模型 216
7.3.2 語義單元驅(qū)動的同傳模型 220
7.3.3 基于強化學習的同傳模型 224
7.3.4 基于單調(diào)無限回溯注意力機制的同傳模型 226
7.4 端到端語音翻譯及同傳模型 228
7.4.1 從級聯(lián)模型至端到端模型的過渡 229
7.4.2 基于多任務學習的端到端模型 231
7.4.3 語音識別與翻譯交互解碼模型 234
7.4.4 端到端同傳模型 236
7.5 同傳模型魯棒性 241
7.5.1 融合音節(jié)信息的翻譯模型 241
7.5.2 語音識別糾錯 242
7.5.3 魯棒性翻譯模型 244
7.6 同傳數(shù)據(jù) 245
7.6.1 歐洲語言同傳語料庫 246
7.6.2 日英同傳語料庫 247
7.6.3 中英同傳語料庫 247
7.7 同傳評價 249
7.7.1 基于閱讀理解的翻譯質(zhì)量評價 249
7.7.2 基于平均延遲的同傳時延評價 250
7.7.3 綜合翻譯質(zhì)量和同傳時延的評價 252
7.8 機器同傳系統(tǒng)及產(chǎn)品 252
7.8.1 機器同傳系統(tǒng) 253
7.8.2 機器同傳產(chǎn)品形式 254
7.8.3 機器輔助同傳 254
7.9 搭建一個機器同傳系統(tǒng) 256
7.9.1 數(shù)據(jù)準備 256
7.9.2 訓練 257
7.9.3 解碼 257
參考文獻 258
第