*以下內(nèi)容是根據(jù)英文摘要,經(jīng)我們自己的神經(jīng)網(wǎng)絡(luò)機器翻譯系統(tǒng)翻譯而來。隨著全球通信的增加,語言障礙成為一個亟待解決的問題。在目前的情況下,機器翻譯是克服障礙的有效方法。機器翻譯起源于17世紀,在19世紀后期作為統(tǒng)計機器翻譯而發(fā)展起來。隨著神經(jīng)網(wǎng)絡(luò)的發(fā)展和深度學(xué)習(xí)技術(shù)的發(fā)展,機器翻譯也采用了這些技術(shù),并取得了新的進展。神經(jīng)機器翻譯的目的是建立一個單一的神經(jīng)網(wǎng)絡(luò),可以聯(lián)合訓(xùn)練,最大限度地實現(xiàn)翻譯性能。具有注意力的編碼解碼器結(jié)構(gòu)實現(xiàn)了與現(xiàn)有的基于短語的系統(tǒng)相比的翻譯性能。然而,大量詞匯的使用已經(jīng)成為神經(jīng)機器翻譯的瓶頸之一。例如,詞級的神經(jīng)機器翻譯在捷克語言中表現(xiàn)更差。因為捷克語是斯拉夫語的語言,不僅有豐富而復(fù)雜的變化,而且具有豐富的形態(tài)學(xué)形態(tài)。為了更好地處理這些語言,我們提出了一種高效的字符級的神經(jīng)機器翻譯。介紹了一種分層編碼器和層次解碼器,構(gòu)成了深層字符級的神經(jīng)機器翻譯（DCNMT）。分層編碼器從編碼字符序列開始,獲得單詞級表示,然后從單詞級別學(xué)習(xí)語義特征。分層解碼器在獲得單詞級別表示后,在字符級解碼。這樣一個深度的模型有兩個主要的優(yōu)點。它從根本上避免了大量詞匯問題;同時,它比傳統(tǒng)的基于字符... 

【文章來源】：上海交通大學(xué)上海市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：73 頁

【學(xué)位級別】：碩士

【文章目錄】：
abstract
摘要
主要符號對照表
第一章 前言
    1.1 統(tǒng)計機器翻譯
    1.2 神經(jīng)網(wǎng)絡(luò)機器翻譯
    1.3 詞級、子詞級與字符級模型
第二章 神經(jīng)網(wǎng)絡(luò)機器翻譯
    2.1 編碼器-解碼器架構(gòu)
        2.1.1 編碼器
        2.1.2 解碼器
    2.2 注意力機制
    2.3 基本單元
        2.3.1 詞級模型
        2.3.2 子詞級模型
        2.3.3 字符級模型
第三章 字符級神經(jīng)網(wǎng)絡(luò)機器翻譯
    3.1 現(xiàn)有模型
        3.1.1 基于RNN的編碼器
        3.1.2 基于CNN的編碼器
        3.1.3 基于RNN的解碼器
    3.2 深度字符級神經(jīng)網(wǎng)絡(luò)機器翻譯
        3.2.1 分層編碼器
        3.2.2 分層解碼器
    3.3 通過注意機制再注意的神經(jīng)網(wǎng)絡(luò)機器翻譯
        3.3.1 字符級RNN
        3.3.2 詞級RNN
        3.3.3 通過注意再注意機制
        3.3.4 字符級解碼器
第四章 數(shù)據(jù)獲取和模型實現(xiàn)
    4.1 數(shù)據(jù)準備
        4.1.1 數(shù)據(jù)來源
        4.1.2 數(shù)據(jù)預(yù)處理
    4.2 模型細節(jié)
        4.2.1 實現(xiàn)細節(jié)
        4.2.2 復(fù)雜性分析
        4.2.3 模型參數(shù)
        4.2.4 訓(xùn)練細節(jié)
第五章 實驗
    5.1 定量分析
        5.1.1 英法翻譯
        5.1.2 英捷翻譯
        5.1.3 英中翻譯
        5.1.4 語言相似性
    5.2 定性分析
        5.2.1 詞表示和糾錯能力
        5.2.2 對字符級信息的利用
第六章 總結(jié)
參考文獻
術(shù)語表
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文及譯作
致謝



本文編號：3468983