【邓侃】哈佛大学机器翻译开源项目 OpenNMT的工作原理

新智元专栏

作者：邓侃

　　 【新智元导读】 2016年12月20日，哈佛大学自然语言处理研究组，宣布开源了他们研发的机器翻译系统 OpenNMT ，并声称该系统的质量已经达到商用水准。本文作者邓侃基于OpenNMT背后的论文，尝试对该机器翻译系统的原理进行分析。

一. 哈佛大学机器翻译开源项目 OpenNMT

　　 2016年12月20日，哈佛大学自然语言处理研究组，宣布开源了他们研发的机器翻译系统 OpenNMT [1]，并声称该系统的质量已经达到商用水准。

　　

　　 在 OpenNMT 官网上，有这么一段话，

　　 The main model is based on the papers "Neural Machine Translation by Jointly Learning to Align and Translate" Bahdanau et al. ICLR 2015 and "Effective Approaches to Attention-based Neural Machine Translation" Luong et al. EMNLP 2015

　　 我们阅读一下这篇论文，"Neural Machine Translation by Jointly Learning to Align and Translate" [2]，了解 OpenNMT 的工作原理。

二. 机器翻译的任务和难度

　　 翻译有三个境界，信、达、雅。信者，语义正确。达者，无过无不及。雅者，文学性。

　　 机器翻译的任务很明确，譬如英翻中，输入一句英文（Source），输出一句中文（Target），两者语义相同，也就是符合 “信” 和 “达” 的要求，暂时不奢望达到 “雅” 的境界。

　　 早先的机器翻译，通常用统计翻译的办法来实现，精度不高。近年来，神经机器翻译的新方法，逐渐取代了原先的统计翻译的办法。

　　 神经机器翻译（Neural Machine Translation，NMT）的基本原理，是把用一种自然语言写成的句子 X，先编码（encode），转换成一组向量 H，向量组 H 不仅包含 X 语句中每一词的语义，而且也包含词与词之间的语法结构。然后再把向量组 H 解码（decode），转换成用另一种自然语言写成的句子 Y。

　　 举个英翻中的例子，英文源句是，“Quite cold today in Beijing, keep warm when going outdoors。” 中文译句是，“今天北京天气很冷，出门时要保暖。”

　　 先把英文源句中每个单词和标点，按顺序编码成数字向量组 H。在这个例子中，向量组 H 共包括 12 个向量，每个向量的维度人为确定，譬如 600 维。然后再把这个 600 * 12 向量组，解码成中文译句。

　　 换而言之，向量组是超越一切自然语言的数字语言。所谓翻译，就是把一种自然语言，先编码成数字语言，然后再从数字语言解码成另一种自然语言。

　　 不管是哪一种机器翻译方法，都面临以下挑战，

　　 1. 输入的语句往往不规范，也就是不完全符合语法规则。譬如上面的例子，缺失了主语。

　　 2. 有些语言有阴性阳性、单数复数、过去时完成时现在时未来时之分，其它语言不一定有。所以不能逐字逐句翻译，要结合上下文。

　　 3. 有些语言的句法，按主谓宾顺序排列，有些则把动词放在句尾。譬如德语和日语，谓语放在句子末尾。

　　 4. 句子长短不一。长句子可能包含多个从句，句法成分复杂。

三. 编码的工作原理

　　 编码的任务，是把语句 X 转换成向量组 H，这个工作由一个双向循环神经网络（EncoderBiLSTM）来完成。编码包含以下几个步骤。

　　 1. 假如语句 X 由 Tx 个词组成，把每个词都转换成词向量。这样，语句 X 就变成 f * Tx 的矩阵，f 是词向量的维度，Tx 是语句 X 中词的数量。x(t) 是指这个矩阵的第 t 列，也就是对应于第 t 个词的词向量。

　　 2. 把第 1 个词向量 x(1)，输入到 EncoderBiLSTM，得到输出 hf(1)。重复这个过程，逐个输入语句 X 中所有词向量 x(2) ... x(Tx)，得到一系列向量 hf(1), hf(2) ... hf(Tx)，每个向量 hf(i) 的维度都是 k。

　　 3. 从语句 X 的最末端的词 x(Tx) 开始，反向到第 1 个词 x(1)，逐个输入到 EncoderBiLSTM，得到一系列输出 hb(Tx), hb(Tx-1) ... hb(1)，每个向量的维度也是 k。

　　 4. 对应于语句 X 中每一个词向量 x(t)，把 hf(t) 和 hb(t) 拼接起来，得到 h(t)，它的维度是 2k。

　　 语句中第 t 个词的词向量是 x(t)，x(t) 隐含着第 t 个词的语义信息。h(t) 比 x(t) 更超越。h(t) 不仅隐含着第 t 个词的语义信息，而且除此之外，h(t) 还隐含着上下文的语义信息，以及上下文的语法结构。

　　 把 h(t) t=1...Tx，摆放在一起，组成一个 2k * Tx 的矩阵，h(t) 是其中一列。这个矩阵，就是向量组 H。H 表达着自然语句 X 的全部语义和语法结构。

四. 解码的工作原理

　　 解码的任务，是先把向量组 H 转换成一连串词向量 y(t) t = 1... Ty，然后再把这些词向量 y(t) 逐个替换成译句中的某个单词。解码的工作由一个单向循环神经网络（DecoderUniLSTM）来完成。

　　 沿用前面的英翻中的例子，英文源句是，“Quite cold today in Beijing, keep warm when going outdoors。” 中文译句是，“今天北京天气很冷，出门时要保暖。”

　　 编码工作完成后，英文源句转换成 600 * 12 的向量组 H，h(1) ... h(5) h(6) 分别对应着 “Quite” ... “Beijing” “,” 。中文译句的词序，与英文源句的词序并不完全一致，譬如中文翻译的第一个词，并不是 “很” 而是 “今天”。

　　 在选择中文译句的第一个词的时候，先对 h(1) ... h(12) 逐个打分，看谁最适合。打分的规则，先看谁是第一个从句的主语。因为英文源句中主语缺失，所以接着尝试第二个规则。第二个规则是当主语缺失时，中文会把时间或地点用来充当主语。根据这个规则，中文译句的第一个词，既有可能对应着 “today”，也有可能对应着 “Beijing”。再根据第三个规则，在所有候选词中，谁的排序靠前，谁充当译句的第一个词。所以，最后确定中文译句的第一个词，对应着 “today”。

　　 推而广之，翻译的难点，在于选择源句中对应的词向量。对应（alignment）的强弱，由四个因子决定。

　　 1. 源句中每一个词，在语句中担当的语法角色，譬如是主语，还是谓语，或者宾语，或者从句中的主语谓语或者宾语。

　　 2. 源句中每一个词的语义类别，譬如是时间，还是地点。

　　 3. 译句中已经翻译了源句中哪些词。

　　 4. 译句中期待的下一个词的语法角色和语义类别。

　　 不妨用公式来表达，score( h(i) ) = align( s(t-1), h(i) ) = Va' * tanh( Wa * s(t-1), Ua * h(i) )，其中 Va、Wa、Ua 是需要训练的参数，而 s(t-1) 是译句的状态，它隐含着若干内容:

　　 1. 译句中已经翻译了的词，y(1)...y(t-1) 。

　　 2. y(1)...y(t-1) 对应着源句中的哪些词向量 h(j) 。

　　 沿用前面的例子，如果中文译句已经翻译了若干词，“今天北京天气很”，接下去要决定 “很” 后面紧跟的中文词，对应着源句中的哪一个英文词，正确答案是 “cold”。

　　 为了正确地选择下一个词，我们给源句中每一个英文词的词向量 h(i)，都打一个分，分值取决于中文译句到目前为止的状态 s(t-1)，与英文词向量 h(i) 的距离。译句状态 s(t-1)，记录着 “今天北京天气很” 的语义内容和语法结构，也记录着这几个词对应着英文源句中的 “Quite ... today in Beijing”。

　　 对应着 “Quite” 的 h(1)，与 s(t-1) 的距离，由 score( h(i) ) 公式计算得出。如果 Va、Wa、Ua 这几个参数取值得当，“Quite” 的 h(1)，与 s(t-1) 距离会很远。同理，对应着 “keep” 的 h(7)，与 s(t-1) 距离也很远。而对应着 “cold” 的 h(2)，与 s(t-1) 的距离最近。这样，就能正确地选择 “cold”，作为要翻译的下一个词。

　　 总结一下，假如已经翻译了若干词，y(1)...y(t-1)，下一步的解码工作，包含以下几个步骤。

　　 1. 根据 DecoderUniLSTM 当前的状态 s(t-1)，给向量组 H 中每一个向量 h(i)，都打一个分，表示下一步要翻译这个词的概率。

　　 2. 根据向量组 H 的加权和，更新 s(t-1)，得到 s(t)。

　　 3. 根据三项输入，DecoderUniLSTM 下一步预期的 s(t)，向量组 H 的加权和，以及目前已经翻译了的 y(1)...y(t-1)，决定下一步要翻译的词 y(t)。

　　 4. 完成了整个译句的所有词向量 y(t), t = 1...Ty 后，把 y(t) 转换成译句的单词。

五. 训练数据

　　 无论是编码器 EncoderBiLSTM，还是解码器 DecoderUniLSTM，都有很多参数需要确定。确定这些参数的最优值，需要大量的语料。[2] 使用的语料是同时兼有英文版和法文版的大量新闻稿，这些双语新闻稿共包含 3.48 亿个单词。

六. 参考文献

　　 [1] OpenNMT, An open-source neural machine translation system by Harvard NLP.

　　 http://opennmt.net/

　　 [2] Neural Machine Translation by Jointly Learning to Align and Translate

　　 https://arxiv.org/abs/1409.0473

新智元招聘

　　 职位 运营总监

职位年薪：36- 50万（工资+奖金）

工作地点：北京-海淀区

所属部门：运营部

汇报对象：COO

下属人数：2人

年龄要求：25 岁 至 35 岁

性别要求：不限

工作年限：3 年以上

语 言：英语6级（海外留学背景优先）

　　 职位描述

1. 负责大型会展赞助商及参展商拓展、挖掘潜在客户等工作，人工智能及机器人产业方向

2. 擅长开拓市场，并与潜在客户建立良好的人际关系

3. 深度了解人工智能及机器人产业及相关市场状况，随时掌握市场动态

4. 主动协调部门之间项目合作，组织好跨部门间的合作，具备良好的影响力

5. 带领团队完成营业额目标，并监控管理项目状况

6. 负责公司平台运营方面的战略计划、合作计划的制定与实施

　　 岗位要求

1. 大学本科以上学历，硕士优先，要求有较高英语沟通能力

2. 3年以上商务拓展经验，有团队管理经验，熟悉商务部门整体管理工作

3. 对传统全案公关、传统整合传播整体方案、策略性整体方案有深邃见解

4. 具有敏锐的市场洞察力和精确的客户分析能力、较强的团队统筹管理能力

5. 具备优秀的时间管理、抗压能力和多任务规划统筹执行能力

6. 有广泛的TMT领域人脉资源、有甲方市场部工作经验优先考虑

7. 有媒体广告部、市场部，top20公关公司市场拓展部经验者优先

　　 新智元欢迎有志之士前来面试，更多招聘岗位请访问新智元公众号。