基于轉(zhuǎn)換的機(jī)器翻譯

　　這個(gè)發(fā)明超級(jí)簡(jiǎn)略由各種言語的卡片、打字機(jī)和老式膠片相機(jī)組成，用起來是這樣的：操作員對(duì)著一段文本中的第一個(gè)詞，找到相應(yīng)的卡片，拍張照，然后用打字機(jī)打出它的狀態(tài)特色，比如說這是個(gè)復(fù)數(shù)屬格名詞。然后，將打字機(jī)帶子和相機(jī)膠片組合在一同，每個(gè)詞和它的屬性造成一幀。

　　基于句法的SMT

　　模型2思考了詞的對(duì)應(yīng)，但沒有思考重新排序。比如說描畫詞和名詞的地位常常變換，無論模型記憶詞的地位記得多好，都沒法輸出更好的結(jié)果。

　　目前各家在這方面也有所進(jìn)展。例如Google推出了Pixel Buds，而在國際網(wǎng)易有道、科大訊飛、搜狗等公司也都先后推出了翻譯機(jī)類產(chǎn)品。

　　IBM隨后在舊事稿中如此形容他們的成就：

　　言語不是基于一套固定規(guī)定發(fā)展的，規(guī)定的構(gòu)成遭到不同群體交換、融合的影響。怎樣向一臺(tái)機(jī)器來解釋這些歷史?

　　

　　《圣經(jīng)》中記錄，人類曾經(jīng)聯(lián)結(jié)起來興建能通往地獄的高塔，為了阻止人類的方案，上帝讓人類說不同的言語，使人類相互之間不能溝通，方案因此失敗，人類自此各散貨色。

　　假設(shè)不是2066年又有兩名蘇聯(lián)科學(xué)家發(fā)現(xiàn)了他的專利，世界上不會(huì)有人知道，曾經(jīng)有人設(shè)想過這樣一臺(tái)機(jī)器。

　　為了改進(jìn)翻譯算法，科學(xué)家們甚至末尾不同言語的舊事網(wǎng)站。

　　咱們的例句“Ich will keine Persimonen.”，在英文中應(yīng)該翻譯成“Idonot want Persimmons.”

　　學(xué)習(xí)和掌握一門外語，也是中國先生必須具有的才能。

　　每個(gè)體都對(duì)“巴別魚”這個(gè)概念感到興奮。

　　但是，得意洋洋的舊事稿隱藏了一些細(xì)節(jié)，誰也沒有提到，這些翻譯的例句通過了精心的篩選和測(cè)試，掃除了所有歧義。假設(shè)用到日常場(chǎng)景中，這個(gè)系統(tǒng)不會(huì)比一本單詞書強(qiáng)多少。

　　這就是神經(jīng)機(jī)器翻譯。

　　長久以來，人們不斷在尋覓不同言語之間的溝通方法。

　　譯文好多了，但還是不太對(duì)。

　　不過這一類系統(tǒng)也并非齊全一樣，還可能再細(xì)分為各種子類別。

　　統(tǒng)計(jì)機(jī)器翻譯

　　OpenNMT，另外一個(gè)庫，用于神經(jīng)翻譯機(jī)器。

　　假設(shè)有需求，還可能再給系統(tǒng)補(bǔ)充一些小性能，比如里稱號(hào)列表、拼寫糾錯(cuò)、音譯程序等。

　　不思考語序是模型2的大毛病，在某些情況下還很關(guān)鍵。

　　2084年，京都大學(xué)的長尾真提出了一種新想法：間接用已經(jīng)預(yù)備好的短語，不用反復(fù)翻譯。

　　那是冷戰(zhàn)初期，2064年2月8日，Georgetown–IBM experiment在紐約的IBM總部末尾了，IBM 802計(jì)算機(jī)實(shí)現(xiàn)了史上首例機(jī)器翻譯，主動(dòng)將60個(gè)俄語句子翻譯成了英文。

　　Europarl Corpora：[](*)

　　這將徹底處理字對(duì)齊成績。

　　但知曉外語一直不是一個(gè)簡(jiǎn)略的是。所以無論是事實(shí)中，還是科幻電影中，人們不斷宿愿能有一個(gè)機(jī)器，可以讓人不學(xué)外語也能暢快溝通。

　　但如今，咱們有了深度學(xué)習(xí)，找特色的事件它最善于。卷積神經(jīng)網(wǎng)絡(luò)CNN合適解決圖片，而在文本畛域，循環(huán)神經(jīng)網(wǎng)絡(luò)RNN更合適。

　　過后，前蘇聯(lián)科學(xué)家Peter Troyanskii向蘇聯(lián)科學(xué)院引見了一種能將一種言語翻譯成另一種言語的機(jī)器。

　A6守業(yè)名目秋季招商 好名目招代理無憂

　　模型4：引入新詞

　　于是，模型4中又添加了兩個(gè)步驟：

　　

　　△IBM 802

　　這種方法出現(xiàn)時(shí)并沒有立刻風(fēng)靡，但它走出了反動(dòng)的第一步，之后不到6年，就出現(xiàn)了統(tǒng)計(jì)機(jī)器翻譯。

　　模型2：思考句中詞序

　　一段視頻，解釋了如何構(gòu)建一個(gè)言語翻譯器。

　　間接機(jī)器翻譯

　　用現(xiàn)代的目光來看，一切RBMT分支都笨得可怕，所以，除了天氣預(yù)告等特定場(chǎng)景，已經(jīng)見不到這類方法。l

　　第一波基于規(guī)定的機(jī)器翻譯想法出如今80年代，科學(xué)家們鉆研著翻譯員的任務(wù)，想讓輕便宏大的計(jì)算機(jī)來重現(xiàn)這些行為。

　　然而，要?jiǎng)?chuàng)造一個(gè)現(xiàn)實(shí)的RBMT系統(tǒng)，就算讓言語學(xué)家盡力窮盡所有拼寫規(guī)定來增強(qiáng)它，也總會(huì)遇到例外。英文有不規(guī)定動(dòng)詞、德語有可分離前綴、俄語有不規(guī)定的后綴，在人們談話的時(shí)分又會(huì)有各自的特點(diǎn)，別忘了有些詞根據(jù)高低文還會(huì)產(chǎn)生不同的意思。要思考一切纖細(xì)規(guī)定，要耗費(fèi)渺小的人力資源。

　　

　　IBM的第一個(gè)統(tǒng)計(jì)機(jī)器翻譯模型叫做模型2(Model 2)。優(yōu)雅吧?等你看到第二個(gè)模型叫什么就不感覺了。

　　

　　就算這樣，機(jī)器翻譯的軍備競(jìng)賽還是末尾了，加拿大、德國、法國、中日都投入其中。

　　雙語詞典(例如俄英雙語詞典)

　　RBMT系統(tǒng)中比較著名的包括PROMPT和Systran，去看看Aliexpress上那些英國商品名，就能感遭到這個(gè)黃金時(shí)代的氣息。

　　用中介語完成間接機(jī)器翻譯顯然也行不通，但別著急，這種思維還會(huì)回歸。

　　自行創(chuàng)建神經(jīng)翻譯器的文本指南，來自TensorFlow。

　　比如說，咱們之前翻譯過“我要去劇院”這句話，如今要翻譯一句類似的話：“我要去電影院”。那么，只需比較一下這兩句話，找出其中的區(qū)別，然后翻譯不一樣的那個(gè)詞“電影院”就好了。已有的例子越多，翻譯結(jié)果就越好。

　　但這篇很無心思的論文并未引發(fā)寬泛關(guān)注，除了Google——他們立刻末尾入手。兩年后的2026年0月，Google宣布了一個(gè)顛覆性的進(jìn)展。

　　

　　這個(gè)想法繁復(fù)優(yōu)雅。將兩種言語中同義的句子切分成詞停止婚配，然后去計(jì)算“Das Haus”這個(gè)詞有多少次對(duì)應(yīng)著“house”、“building”、“construction”等等。大局部時(shí)分，它是和house相對(duì)應(yīng)的，于是機(jī)器就用了這種譯法。

　　基于句法翻譯的支持者以為，這個(gè)方法有能夠與基于規(guī)定的方法兼并。這個(gè)方法是對(duì)句子停止精確的句法剖析，確定主謂賓等，然后構(gòu)建一個(gè)句法樹。利用這種方法，機(jī)器學(xué)習(xí)在言語之間轉(zhuǎn)換句法單元，并經(jīng)過單詞或短語翻譯其他局部。

　　這個(gè)模型中沒什么新貨色，它獲得了更多的學(xué)習(xí)參數(shù)，處理了單詞地位沖突的成績。

　　翻譯同理。假設(shè)可能找到一句話里的特色，也可能將一種言語的文字，翻譯成另外一種言語。成績?cè)谟?，怎樣找到這些特色?

　　中介語機(jī)器翻譯

　　故事末尾于2044年。

　　基于詞的SMT

　　這種方法會(huì)將源文本轉(zhuǎn)換為一種中間示意，這種示意法是全世界各種言語通用的，相當(dāng)于笛卡爾幻想“元言語”，遵照通用規(guī)定、能和各種言語互相轉(zhuǎn)換。

　　神經(jīng)機(jī)器翻譯(NMT)

　　用這種方法，建設(shè)三種言語和中介語之間的轉(zhuǎn)換規(guī)定，就可能實(shí)現(xiàn)這三種言語之間的互相翻譯，而假設(shè)用基于轉(zhuǎn)換的方法，就需求為這三種言語兩兩建設(shè)規(guī)定。

　　在這個(gè)進(jìn)程中，沒有規(guī)定，沒有詞典，一切的論斷都是機(jī)器根據(jù)統(tǒng)計(jì)數(shù)據(jù)得出的。它背后的邏輯很簡(jiǎn)略，就是“假設(shè)人們都這么翻譯，我也這么翻”。

　　三十年前，科學(xué)家們已經(jīng)在嘗試創(chuàng)建通用言語代碼，最后以失敗告終。

　　兩年來，神經(jīng)網(wǎng)絡(luò)超過了翻譯界過去幾十年的所有。神經(jīng)翻譯的單詞謬誤縮小了60%，詞匯謬誤縮小28%，語法謬誤縮小20%。