利用森林到序列模型将句法不确定性引入神经机器翻译
计算与语言
2017-11-27 v2
摘要
在神经机器翻译模型中引入句法信息，是弥补其对大量平行训练文本需求的一种方法，尤其对于低资源语言对。先前利用（不可避免地易出错的）分析器所提供的句法信息的工作已展现出前景。本文中，我们提出一种森林到序列的注意力神经机器翻译模型，以利用源句子指数级多的分析树来补偿分析器的错误。我们的方法将分析树的集合表示为打包森林，并学习一个从该森林到目标句子的神经注意力转导模型。在英德、英中以及英波斯语翻译上的实验显示了我们的方法相对于树到序列及原始序列到序列神经翻译模型的优越性。
引用
@article{arxiv.1711.07019,
title = {Incorporating Syntactic Uncertainty in Neural Machine Translation with Forest-to-Sequence Model},
author = {Poorya Zaremoodi and Gholamreza Haffari},
journal= {arXiv preprint arXiv:1711.07019},
year = {2017}
}