如今，計(jì)算機(jī)技術(shù)滲透人們生活的方方面面，而要說對我們工作學(xué)習(xí)幫助極大的，機(jī)器翻譯（machine translation）必須榜上有名。

近年來隨著計(jì)算機(jī)技術(shù)的不斷提高、AI 系統(tǒng)的日益精進(jìn)，機(jī)器翻譯一直為人們所質(zhì)疑的質(zhì)量問題，也有了非常顯著的改善。其中，神經(jīng)機(jī)器翻譯（neural machine translation）技術(shù)所作的貢獻(xiàn)與創(chuàng)新也是一大研究熱點(diǎn)。

近日，清華大學(xué)計(jì)算機(jī)系與智能產(chǎn)業(yè)研究院的機(jī)器翻譯研究團(tuán)隊(duì)發(fā)表了一篇關(guān)于神經(jīng)機(jī)器翻譯技術(shù)的最新綜述論文，文章 對神經(jīng)機(jī)器翻譯方法進(jìn)行回顧，并重點(diǎn)介紹與體系結(jié)構(gòu)、解碼和數(shù)據(jù)增強(qiáng)有關(guān)的方法，總結(jié)了對研究人員有用的資源和工具。最后，還討論了該領(lǐng)域未來可能的研究方向。 清華大學(xué)計(jì)算機(jī)系教授、歐洲科學(xué)院外籍院士 孫茂松 與清華智能產(chǎn)業(yè)研究院副院長、國家杰青 劉洋 是該論文的兩位教師作者。

神經(jīng)機(jī)器翻譯技術(shù)的發(fā)展

在 70 年的發(fā)展歷程里，機(jī)器翻譯經(jīng)歷了從興起到高峰，從低迷到打開新研究思路的種種變化。

早在 1949 年，美國科學(xué)家 Warren Weaver 就首次提出 “使用計(jì)算機(jī)進(jìn)行翻譯” 的思想，他也被公認(rèn)為是機(jī)器翻譯的先驅(qū)者之一。1952 年，以色列著名哲學(xué)家、語言學(xué)家和數(shù)學(xué)家 Yehoshua Bar-Hillel 組織召開了第一次機(jī)器翻譯大會(huì)。

此后，由于機(jī)器翻譯質(zhì)量難以達(dá)到要求，其發(fā)展在長達(dá) 30 年間始終緩慢，直到 1990 年之后，大量的雙語、多語語料庫給機(jī)器翻譯注入新鮮血液，統(tǒng)計(jì)機(jī)器翻譯（SMT）應(yīng)運(yùn)而生。這期間 IBM 研究人員也發(fā)表論文，詳細(xì)論述了基于詞典和轉(zhuǎn)換規(guī)則的機(jī)器翻譯方法和基于平行語料庫的實(shí)例機(jī)器翻譯方法。

近些年，基于深度學(xué)習(xí)的神經(jīng)機(jī)器翻譯技術(shù)（neural machine translation，簡稱 NMT）發(fā)展迅猛。深度學(xué)習(xí)由圖靈獎(jiǎng)得主 Geoffrey Hinton 等人在 2006 年提出，是一種深層的非線性數(shù)據(jù)處理技術(shù)，與傳統(tǒng)的淺層次線性處理相比，它在處理模型分析和分類問題上更準(zhǔn)確，性能更高。

NMT 與以前的機(jī)器翻譯方法完全不同，一方面，NMT 在 SMT 中采用連續(xù)表示而不是離散符號表示；另一方面，NMT 使用單個(gè)大型神經(jīng)網(wǎng)絡(luò)對整個(gè)翻譯過程進(jìn)行建模，從而無需進(jìn)行過多的特征工程。而且，NMT 的訓(xùn)練是端到端的（end-to-end），不像 SMT 中需要單獨(dú)調(diào)整組件。除了簡單之外，NMT 可適應(yīng)多種語言之間的翻譯，實(shí)現(xiàn)最先進(jìn)的性能。

如何解決三大關(guān)鍵性問題？

綜述中，論文作者首先闡釋了 NMT 系統(tǒng)的三個(gè)關(guān)鍵性問題：

建模（modeling），即如何設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)來對條件分布建模？

推理（inference），即給定源輸入，如何從 NMT 模型生成翻譯句子？

學(xué)習(xí)（learning），即如何有效地從數(shù)據(jù)中學(xué)習(xí) NMT 所需的參數(shù)？

關(guān)于建模，NMT 通常采用編碼器 - 解碼器框架，由嵌入層 embedding，分類層 classifier，編碼器網(wǎng)絡(luò) encoder 和解碼器網(wǎng)絡(luò) decoder 組成。

因此，構(gòu)建強(qiáng)大的編碼器和解碼器對 NMT 性能來說至關(guān)重要，其方法大致可分為三類：基于遞歸神經(jīng)網(wǎng)絡(luò)（RNN），基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）和基于自注意力網(wǎng)絡(luò)（SAN）的方法。文章不僅詳細(xì)闡釋了三種方法的機(jī)制，還對比了其優(yōu)點(diǎn)與缺陷，并提出相應(yīng)的解決辦法。例如 RNN 容易出現(xiàn)梯度消失 / 爆炸問題，CNN 接收領(lǐng)域有限較難擴(kuò)張，SAN 則容易忽略序列中單詞的順序。

關(guān)于推理，NMT 通常使用本地搜索算法（例如貪婪搜索或集束搜索）來找到最佳翻譯結(jié)果。此外，NMT 通常使用最大對數(shù)似然（MLE）作為訓(xùn)練目標(biāo)函數(shù)，這是一種估算概率分布參數(shù)的常用方法。

除了 NMT 的計(jì)算機(jī)原理與構(gòu)建機(jī)制，文中還綜述了不同的 NMT 研究方法與應(yīng)用，例如有關(guān)使用單語言數(shù)據(jù)和無監(jiān)督 NMT 的研究，以及有關(guān)提升 NMT 可解釋性和魯棒性的研究。

未來可能的研究方向

盡管 NMT 取得了巨大的成功，但仍有許多問題有待探索，因此，文章列出了 NMT 的一些重要且具有挑戰(zhàn)性的問題。

第一，加深對 NMT 的了解。盡管如今已經(jīng)有很多嘗試，試圖分析和解釋 NMT，但顯然，NMT 領(lǐng)域還有許多未 “解鎖” 之處。未來，要想窺破 NMT 技術(shù)的瓶頸和弱點(diǎn)，弄清 NMT 究竟如何產(chǎn)生其翻譯結(jié)果顯得格外重要。

第二，設(shè)計(jì)更好的 NMT 模型。目前常見的是 Transformer 體系結(jié)構(gòu)，設(shè)計(jì)一種比它更加優(yōu)越、能夠平衡翻譯性能和計(jì)算復(fù)雜性的新體系結(jié)構(gòu)，對于 NMT 研究和生產(chǎn)意義重大。

第三，充分利用單語言數(shù)據(jù)。盡管如今單語言數(shù)據(jù)取得了顯著進(jìn)步，但 NMT 在利用豐富的單語言數(shù)據(jù)方面，仍有巨大的上升空間。

第四，對先前的知識進(jìn)行整合。除了自然語言，將人類其他知識納入 NMT 也是一個(gè)重要的問題。如何實(shí)現(xiàn)離散表示和連續(xù)表示之間的互相轉(zhuǎn)換一直是 NMT 面臨的問題，仍需進(jìn)一步探討。