经典文本翻译小结

 2014翻译论文

Sequence to Sequence Learning with Neural Networks

基本信息：2014 nips 6500+

目标公式：$ p(y_t|v, y_1, . . . , y_{ t−1}) $

参数：$y_t$是生成的翻译文本，$v$是表达输入文本的定长向量

模型架构：用多层LSTM将输入序列$A,B,C,<EOS>$生成$v$ , 而后再利用另一个LSTM生成翻译文本。

 2015翻译论文

1.Neural Machine Translation by Jointly Learning to Align and Translate

基本信息：2015 ICLR  6900+

提出问题：encoder-decoder模型，对于越长的文本翻译效果越差

解决方案：decoder时期的每个$h_j$都和encoder部分所有$h_i$得到加权值$α_i$，而后再$α_i$乘以对应的$h_i$求和，得到新表示的$c_i$。以上方法能够有重点的关注和解码部分最相关的部分。

2.Effective Approaches to Attention-based Neural Machine Translation

基本信息：2015 EMNLP 1800+

 2017翻译论文

1.convolutional sequence to sequence learning

基本信息：2017 arXiv 600+

2.Attention Is All You Need

 参考：https://www.cnblogs.com/AntonioSu/p/12019534.html

经典文本翻译小结

原文：https://www.cnblogs.com/AntonioSu/p/12263328.html