日韩精品 中文字幕 动漫,91亚洲午夜一区,在线不卡日本v一区v二区丶,久久九九国产精品自在现拍





		



注冊(cè)  |  登錄讀書(shū)好，好讀書(shū)，讀好書(shū)！






        
讀書(shū)網(wǎng)-DuShu.com

        
         
                
      	
                
                	
                    
                    
                

                
            
        

        

               

				
				
				
       
        




















	當(dāng)前位置： 首頁(yè)出版圖書(shū)科學(xué)技術(shù)工業(yè)技術(shù)自動(dòng)化技術(shù)、計(jì)算技術(shù)神經(jīng)機(jī)器翻譯的聯(lián)合訓(xùn)練（英文版）

	



    
    

    
神經(jīng)機(jī)器翻譯的聯(lián)合訓(xùn)練（英文版）

    

	
神經(jīng)機(jī)器翻譯的聯(lián)合訓(xùn)練（英文版）
	
	

	

	

	
定　價(jià)：￥69.00

	

			
					

						作　者：
						程勇 著
					

					

						出版社：
						清華大學(xué)出版社
					

					

						叢編項(xiàng)：
						清華大學(xué)優(yōu)秀博士學(xué)位論文叢書(shū)
					

					

						標(biāo)　簽：
						暫缺
					

				
	
	

    
	

                        
購(gòu)買這本書(shū)可以去

                        
	

	

	

			
					

						ISBN：
						9787302561491
						出版時(shí)間：
						2020-08-01	
                        包裝：
						平裝					
					
					
					
					
						開(kāi)本：
						16
						頁(yè)數(shù)：
						96
						字?jǐn)?shù)：
						 
					
					
				

        

   

    
    
    
	
	
	
	
內(nèi)容簡(jiǎn)介

	

	
　　標(biāo)準(zhǔn)的神經(jīng)機(jī)器翻譯模型通常是構(gòu)建一個(gè)源語(yǔ)言到目標(biāo)語(yǔ)言的翻譯模型。在本論文中，我們將提出一些聯(lián)合訓(xùn)練兩個(gè)神經(jīng)機(jī)器翻譯模型的方法，其中包括以下主題：1.改進(jìn)注意力模型；2.引入單語(yǔ)語(yǔ)料；3.提升基于軸語(yǔ)言的翻譯；4.整合雙向依賴關(guān)系。
	
	
	
   
	
	
	
作者簡(jiǎn)介

	

	
　　2012年畢業(yè)于北京交通大學(xué)，2017年取得清華大學(xué)大學(xué)工學(xué)博士學(xué)位，2017年加入騰訊擔(dān)任高級(jí)研究員，主要研究領(lǐng)域?yàn)闄C(jī)器翻譯，在國(guó)際重要會(huì)議諸如ACL、IJCAI、AAAI等發(fā)表論文10多篇。
	
	
	
	
	
	
圖書(shū)目錄

	

	
Contents
1 Neural Machine Translation 1
1.1 Introduction 1
1.2 Neural Machine Translation 4
References 8
2 Agreement-Based Joint Training for Bidirectional Attention-Based
Neural Machine Translation 11
2.1 Introduction 11
2.2 Agreement-Based Joint Training 12
2.3 Experiments 16
2.3.1 Setup 16
2.3.2 Comparison of Loss Functions 17
2.3.3 Results on Chinese-English Translation 18
2.3.4 Results on Chinese-English Alignment 18
2.3.5 Analysis of Alignment Matrices 19
2.3.6 Results on English-to-French Translation 21
2.4 Summary 22
References 22
3 Semi-supervised Learning for Neural Machine Translation 25
3.1 Introduction 25
3.2 Semi-supervised Learning for Neural Machine Translation 27
3.2.1 Supervised Learning 27
3.2.2 Autoencoders on Monolingual Corpora 27
3.2.3 Semi-supervised Learning 29
3.2.4 Training 30
3.3 Experiments 31
3.3.1 Setup 31
3.3.2 Effect of Sample Size k 32
3.3.3 Effect of OOV Ratio 34
3.3.4   Comparison with SMT . . . . . . . . . . . . . . . . . . . . . . . . . . .35
3.3.5   Comparison with Previous Work  . . . . . . . . . . . . . . . . . . .36
3.4   Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .394 Joint Training for Pivot-Based Neural Machine Translation . . . . . . 41
4.1   Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 414.2   Pivot-Based NMT. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 424.3   Joint Training for Pivot-Based NMT . . . . . . . . . . . . . . . . . . . . . . 45
4.3.1   Training Objective . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.3.2   Connection Terms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.3.3   Training  . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .46
.4   Experiments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
4.4.1   Setup  . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .48
4.4.2   Results on the Europarl Corpus  . . . . . . . . . . . . . . . . . . . . 49
4.4.3   Results on the WMT Corpus . . . . . . . . . . . . . . . . . . . . . . 50
4.4.4   Effect of Bridging Corpora . . . . . . . . . . . . . . . . . . . . . . . . 52
4.5   Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .53
5 Joint Modeling for Bidirectional Neural Machine Translation with Contrastive Learning  . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.1   Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.2   Unidirectional Neural Machine Translation. . . . . . . . . . . . . . . . . . 57
5.3   Bidirectional Neural Machine Translation. . . . . . . . . . . . . . . . . . .57
5.4   Decoding Strategies  . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
5.5   Experiments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
5.5.1   Setup  . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .61
5.5.2   Effect of Translation Strategies . . . . . . . . . . . . . . . . . . . . .62
5.5.3   Comparison with SMT and Standard NMT . . . . . . . . . . . . 63
5.5.4   BLEU Scores Over Sentence Length  . . . . . . . . . . . . . . . . 64
5.5.5   Comparison of Learning Curves . . . . . . . . . . . . . . . . . . . . 65
5.5.6   Analysis of Expected Embeddings . . . . . . . . . . . . . . . . . . 66
5.5.7   Results on English-German Translation . . . . . . . . . . . . . . .66
5.6   Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .67
6 Related Work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
6.1   Attentional Mechanisms in Neural Machine Translation . . . . . . . . 69
6.2   Capturing Bidirectional Dependencies . . . . . . . . . . . . . . . . . . . . .70
6.2.1   Capturing Bidirectional Dependencies . . . . . . . . . . . . . . . . 70
6.2.2   Agreement-Based Learning  . . . . . . . . . . . . . . . . . . . . . . .70
6.3 Incorporating Additional Data Resources 71
6.3.1 Exploiting Monolingual Corpora for Machine
Translation 71
6.3.2 Autoencoders in Unsupervised and Semi-supervised
Learning 71
6.3.3 Machine Translation with Pivot Languages 72
6.4 Contrastive Learning 72
References 72
7 Conclusion 75
7.1 Conclusion 75
7.2 Future Directions 76
7.2.1 Joint Modeling 76
7.2.2 Joint Training 77
7.2.3 More Tasks 78
References 78
	
	

	

    
       
    
	
	

   

   

   

    
   

   
本目錄推薦







掃描二維碼










    

        

            
        

        
Copyright ? 讀書(shū)網(wǎng) rgspecialties.com 2005-2020, All Rights Reserved.

        
鄂ICP備15019699號(hào)  鄂公網(wǎng)安備 42010302001612號(hào)