深度神经网络机器翻译

​2013年，在Brandeis大学聆听薛念文老师（计算语言学领域引用率最高的华人之一， 下图居中, 薛老师右边是好友柏晓鹏和李斌）讨论小组研究语言模型的时候， 已经感到神经网络语言模型的力度。

但是还是非常难以想象到3年不到的这么短时间，就突破到这个程度。 去年年底Google神经网络机器翻译出来的时候， 本人有感于突破之快， 把当年的讨论的部分收获写到了 “概率估值的光滑（Smoothing）”里面。

今天有时间和大家一起讨论下下， 深度神经网络机器翻译。

前言

2016年年底， Google公布了神经网络机器翻译（GNMT）， 从此宣告， 机器翻译经过27年左右， 正式从1989年的IBM机器翻译模型(PBMT，基于短语的机器翻译)，过渡到了神经网络机器翻译模型。已经极大接近了普通人的翻译了。

而从基于短语的翻译到神经网络翻译， 相对提升可以达到60%以上， 因此一下子引起了欢呼和惊叹。 而这背后的大功臣，就是sequence to sequence (seq2seq)的端到端的模型。

而这个seq2seq模型，除了机器翻译，还极大改变了整个自然语言处理相关应用。包括基本的NLP功能：Parsing, NER等； 传统的NLP应用：Summarization, QA, Conversation等； 还有多模的世界：图像和文字， 语音和文字等。

譬如，Google除了GNMT以外还有基于seq2seq的TTS系统Tacotron：

基于seq2seq的问答系统：

基于seq2seq的概要提取系统：

接下来， 我们按如下顺序介绍seq2seq模型：

Seq2Seq的简史

PBMT 时代的基石和问题

端到端模型的出现

神经网络语言模型的出现

RNN-LM的出现

RNN的发展

Seq2Seq的出现

Seq2Seq的发展

一. Seq2Seq的简史

目前seq2seq的突破，离不开：

a. Attention机制： 现在Attention机制几乎将IBM模型中alignment对齐机制发挥出新的境界。

b. RNN模型升级： RNN出现了双向RNN，堆栈RNN，和残差RNN。在GNMT里面把这些技术统统用上了。使得RNN模型的学习能力达到空前高度。

c. RNN-LM模型： RNN的使用开启解决长距离依赖的问题， 也引发记忆计算在语言模型的新思考。

d. NNLM模型突破：NNLM模型的发展使得非线性的投影和Softmax的近似计算得到突破。

e. 端到端的编解码模型：端到端的早期突破使得多模融合成为可能。

2015年，两个小组：Tim Rocktaschel为代表的伦敦大学院、牛津大学、还有DeepMind的小组（Reasoning about Entailment with Neural Attention），  和爱丁堡大学的Jianpeng Cheng（Long Short-Term Memory-Networks for Machine Reading），发表了基于Attention的对齐机制细分和相关的可视化的分析。 尤其Jianpeng Cheng对Shallow Attention Fusion 和 Deep Attention Fusion的区分，代表了Attention机制在NLP里面的成熟。

2014年 - 2015年，斯坦福计算机系Manning组的 Minh-Thang Luong的论文 Effective Approaches to Attention-based Neural Machine Translation 正式基于高斯分布推导了Local Attention，比较了Global Align Attention和Local Align Attention， 和视频处理里面 Soft Attention 和 Hard Attention建立了联系。

2015年 Bengio的团队中来自德国的Dzmitry Bahdanau（NEURAL MACHINE TRANSLATION BY JOINTLY LEARNING TO ALIGN AND TRANSLATE），将Attention机制引入到机器翻译中，正式开启了Attention作为Alignment的大门！

2014年 两个人，Bengio团队的Kyunghyun Cho(Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation)   和Google的 Ilya Sutskever(Sequence to Sequence Learning with Neural Networks) 正式将RNN Encoder-Decoder搬上神经网络机器翻译NMT的历史舞台， 并且命名为Seq2Seq模型！

从上面， 我们看到从Seq2Seq简单模型到有Attention模型的Seq2Seq的经历。

二. PBMT 时代的基石和问题

首先基于短语的机器翻译，从IBM模型一路发展而来， 已经相当成熟。 并且开源系统也很多，极大促进了机器翻译的研究和应用。

最重要的是完成机器翻译的功能模块的分解：双语对齐， 语言模型，翻译模型， 解码器， 测试。

这个使得， 神经网络语言模型诞生后，可以进行独立测试， 逐步发展替代。

其中n-gram语言模型，基于全概率公式和马尔可夫假设，

但是问题也出现在这个n-gram模型， 主要的3大问题：

1. 通过频率计算概率， 存在数据稀疏，概率为0的情况难以轻易搞定。

虽然，众多概率光滑的算法（尤其 Modified Kneser-Ney 算法）纷纷出现， 依然对人为先验设计要求太高。

2. 长距离依赖的问题难以解决（短语N-Gram中N的局限性）

3. 线性模型学习的局限性

如何解决基于频率的概率估算问题， 解决长距离依赖， 解决线性模型的问题在基于短语的机器翻译PBMT框架下难以彻底截距。

其实， 还有两个神器在PBMT时代已经广泛应用了：

1.Log-Linear模型的提出

在“概率分布の三奥义” 里面，我们就提出了，概率估计发展， 从基于频率， 到基于经验，再到基于最大熵。  需要的数据越来越少。而Log-Linear就是基于最大熵的概率模型（细节参考““66天写的逻辑回归” 引”） 如果想深入了解的， 简单说来Log-Linear和最大交互熵之间的关系就是著名的Donsker-Varadhan定理：

Log-Linear表现为Softmax输出。

2. 束查询 Beam Search

当把翻译的词拼成句子的时候， 要求整个句子的似然概率最大， 这时候Beam Search是介于贪心和动态规划（譬如 Viterbi Algorithm）之间个一种均衡了效果和计算量的选择。

三. 端到端模型的出现

端到端模型很早就出现了， Brandeis 的Jordan Pollack早在89年左右就思考如何基于encoder-decoder开始做机器翻译。 不过，那时候叫dual-ported RAAM (recursive auto associate memory)。

大家都知道encoder-decoder的功能是重建对应的元素， 如果x和f(x)，存在同样的内在分布表达， 那么可以先训练x重建， 再训练f(x)， 甚至可以训练多个f(x)。 如果把f(x)看成是翻译， 这就可以基于多模的翻译， 也可以是多语言的翻译。

不仅仅如此， 还引入了分布表达映射的思想， 增强模型的表达能力。

这是早期的基于神经网络的端到端的机器翻译， 但是局限于当时的算法和计算，效果并不突出。

四. 神经网络语言模型NNLM的出现

PBMT时代后期， Log-Linear的出现和应用， 基本上奠定了NNLM神经网络语言模型的基础了。本质上NNLM就是Log-Linear 保留了Softmax层， 替代了线性映射变成非线性映射tahn。  这样， 引入了非线性映射。

Log-Linear对应的是线性Softmax网络：

NNLM： 非线性（tanh）的Softmax网络

这里使用的是tanh，某种意义就是截断的对称线性的光滑近似。

其实，直接在Log-Linear基础上，引入非线性存在个两个问题：

1. 需要的网络参数太多， 训练困难

2. Softmax网络的计算量很大， 而且不稳定， 噪声的影响太大。

对于这两个问题，Bengio建议可以尝试RNN来减少参数， 同时提出了Hierarchy Softmax方式减少计算量，但是依然不够稳定。

虽然NNLM引入了非线性， 也使用softmax计算概率问题（等价于最大熵估算概率）， 但是并没有解决长距离依赖问题。

五. RNN-LM的出现

Mikolov追随Bengio的建议， 2010年引入了RNN， 虽然引入RNN有利于简化参数， 但是同时引入了深度网络， 使得训练和收敛变得困难。 为了简化计算， 没有采用tanh计算， 使用了sigmoid函数， 同时采用了分组计算softmax。

2年后， Mikolov在提出word2vec之前差不多搞定了Negative Sampling， 进一步提出了提高了Softmax的训练的速度和稳定性。Negative Sampling可以看成2010年 Gutmann and Hyvärinen 提出的Noise Contrastive Estimation的一种近似。 现在NEG和NCE已经成为训练softmax的主流。

有人说， RNN-LM好像就是把NNLM的NN网络换成了RNN网络， 但是训练难度的增加，的确阻碍了好多人的实验成功， 有兴趣可以看一下 Bengio和Mikolov联合在2012年发表的大作 On the difficulty of training Recurrent Neural Networks。

RNN的成功引入， 解决了长距离依赖的问题， 而且引入了上下文和记忆的概念。

RNN-LM 背后的翻译能力的挖掘，还需要回归到早期Encoder-Decoder的表达映射。

六. RNN的发展

RNN自身学习能力也在不停的发展， 譬如堆栈RNN，粗细的表达能力也开始分层次。 构建起一个时间和空间的纵横网络。

在语言模型里面， 就要看双向网络了，正向网络， 好比我的老家溧阳， 那么你遇到溧字，后面只有两个选择溧阳和溧水，但是反过来阳和水前面可以跟的词就多了。 反向网络， 好比New York， 正向看New 后面不一定跟York，但是反过来看York前面一般跟New。

再根据训练收敛的快慢和梯度消失的影响， 引入残差网络的机制， 就得到了残差堆栈RNN。

合并到一起，就是GNMT里面的双向堆栈残差RNN网络了。

除了结构的叠加， 也有人开始改进RNN本身结构， 譬如增强记忆功能的增强RNN：

七. Seq2Seq的出现

有了RNN作为语言模型， 再加上早期的Encoder-Decoder框架作为翻译， 于是诞生了RNN Encoder-Decoder模型。

如果把这个模型水平展开，就不很像encoder-decoder了， 于是命名成Seq2Seq模型了。

再加上词嵌入的发展和t-SNE可视化的发展， 刚出生的Seq2Seq翻译的效果和影响力已经不是dual-ported RAAM可以比拟的啦。

从此端到端的翻译重新回到历史的舞台！

八. Seq2Seq的发展

随着前面简史里面介绍的Attention机制的引入， Seq2Seq的效果一飞冲天。Attention本质上也是一个Softmax的权重计算网络。

但是它很好的构建了注意力权重、上下文向量，注意力向量等模块。

有了这样的模块化， 再加上合理的计算流程， 我们就可以得到基于Attention的候选词计算了。 而Attention机制很好的替代了在PBMT里面的对齐机制。

如果再回到PBMT里面的几大模块：双语对齐， 语言模型，翻译模型， 解码器， 测试。发现可以对应到Attention，RNN-LM，Encoder-Decoder， Beam.

似乎除了Beam之外，全部可以利用神经网络搞定了。 现在为Seq2Seq量身定做Beam Search也是一个研究热点， 最近基于剪枝的算法又开始出现了，希望找到计算量和效果的新的平衡点.

这样，基于概率的剪枝， 是不是和AlphaGo接近了。 这或许就是未来使用AlphaGo做机器翻译的开始。  有兴趣大家可以看看IBM Watson研究院 Markus Freitag 的论文 Beam Search Strategies for Neural Machine Translation.

小结

本文通过逐层说明的方式，对比了从PBMT到NMT的进化实现， 通过问题解答的方式， 阐明了深度神经网络机器翻译是怎么发展起来的。

相关话题：

概率估值的光滑（Smoothing）

机器学习经典人物关系[全]

人工智能深度学习人物关系[全]