基于人工智能的深度神經網絡優化英語機器翻譯

宋純花

（上海建橋學院，上海 201306）

0 引言

機器翻譯[1]是自然語言處理中早期和最迷人的領域之一，旨在開發能夠將一種人類語言翻譯成另一種語言的系統，消除語言障礙。文獻[2]提出了一種使用統計機器翻譯方法的雙向機器翻譯系統，該系統在調整后的BLEU 分數為37.10。文獻[3]提出了序列到序列的卷積英語機器翻譯模型，該模型的BLEU 分數為29.94。可見，研究人員大多將統計學、基于規則和基于知識的方法用于機器翻譯，而BLEU 得分被認為是訪問高質量的機器翻譯系統的唯一指標。本文使用基于神經網絡的深度學習[4-5]技術用于英語機器翻譯模型。與現有的方法相比，這種方法提供了一個良好的BLEU 分數，同時還使用了其他幾個指標來評估系統的質量。

1 神經機器翻譯（NMT）

神經機器翻譯[6]基本上由兩個神經網絡[5]組成：一個是編碼器[4]，另一個是解碼器。

編碼器將源句子S作為一系列向量S=(x1,x2,…)進行編碼，也被稱為“思想”。在數學上可以表示為：

式中：W和U是權重；xt是當前輸入；ht-1是前一個隱藏狀態。

循環神經網絡[7-8]學習將變長的輸入序列編碼為固定向量，然后將向量解碼為變長序列。模型學習根據給定的序列p(y1,y2,…,|yT x1,x2,…,xT)進行預測。數學建模如下：

從編碼器的角度來看：

式中：ht是時間t的隱藏狀態和向量；c是隱藏狀態的綜合。

解碼器根據上下文詞預測下一個詞。從方程（2）中可以得到解碼器端的P(yi,yi-1,…,y1,x,c)表示為：

式中：yi-1是之前預測的目標；si-1是解碼器的前一個隱藏狀態；ci是詞的上下文，并且可以用以下數學式表示：

2 系統設計

標準英語文本翻譯包括以下不同階段：源語言[9]和目標語言的預處理、詞嵌入[9]、編碼、解碼，然后生成目標文本。工作流程如圖1 所示。

圖1 工作流程

1）預處理。語料預處理是開發任何神經機器翻譯系統中最重要的任務，并行語料的預處理對于神經或統計模型的開發至關重要。其具體步驟包括大小寫轉換、分詞和清理。

2）填充句子。預處理之后，在將文本作為輸入傳遞給循環神經網絡[10]或LSTM[11]時，某些句子自然會更長或更短，它們的長度不一致，故需要填充句子保證長度一致。

3）詞嵌入。本文使用GloVe（用于單詞表示的全局向量）有效地學習單詞向量，并結合LSA[12]等矩陣分解技術和基于局部上下文的學習，類似于word2vec[13]。

4）編碼器。編碼器負責生成代表源語言意義的思考向量或上下文向量。編碼過程中使用了一些符號表示：xt是時間步t的輸入；ht和ct是時間步t的LSTM 內部狀態；yt是時間步t產生的輸出。

以一個簡單句子“How are you,sir?”為例。這個序列可以被視為由4 個單詞組成的句子。在這里：x1是“How”，x2是“are”，x3是“you”，x4是“sir”。

該序列將在4 個時間步中被讀取，如圖2 所示。

圖2 由LSTM 編碼器讀取的句子

在t=1時，它記住了LSTM 單元讀取了“How”；在t=2時，它回憶起LSTM 讀取了“How are”；在t=4時，最終的狀態h4和c4記住了完整的序列“How are you,sir？”。

初始狀態h0和c0被初始化為零向量。編碼器接收上述形式的單詞序列xs=作為輸入，并計算出思考向量v={hc,vc}，其中hc表示最終的外部隱藏狀態，在處理完最后一個輸入序列后獲得，vc是最終的細胞狀態。可以用數學表示為vc=cL和vh=hL。

5）上下文向量。上下文向量成為解碼器的起始狀態，LSTM 解碼器不以零作為初始狀態，而是將上下文向量作為初始狀態。

6）解碼器。編碼器-解碼器的架構如圖3 所示。

圖3 編碼器-解碼器的架構

解碼器狀態使用上下文向量v={vh,vc}作為初始化，其中h0=vh和c0=vc，h0和c0∈LSTMdec。上下文向量是連接編碼器和解碼器的重要紐帶，形成端到端學習的端到端計算鏈。

編碼器和解碼器之間唯一共享的是上下文向量v，因為它是解碼器關于源語言句子的唯一可用信息。通過以下方程計算出翻譯句子的第m個預測：

3 訓練算法

所提出的系統訓練算法如下：

1）對源語言和目標語言的句子對進行預處理，xs=x1,x2,…,xL和yt=y1,y2,…,yL，如預處理部分所述。

2）使用GloVe 嵌入矩陣進行詞嵌入。創建一個嵌入層對象，embedding_layer=Embedding(num_words,EMBEDDING_SIZE,weights=embedding_matrix)。

3）將源語句xs=x1,x2,…,xLs輸入編碼器，并通過注意力層在xs的條件下獲取上下文向量v。

4）將解碼器的初始狀態(h0,c0)設置為上下文向量v。

5）使用解碼器預測與輸入句子xs相對應的目標句子使用softmax 函數計算第m個預測：

式中是詞匯表中第m個位置的argmax 詞匯。

6）使用分類交叉熵計算預測詞和實際詞在第m個位置的損失。損失函數在時間t上對整個詞匯表進行計算：

式中：j表示詞匯表V中的單詞索引；(yt,j)表示時間t上單詞j的預測概率。

7）通過更新權重矩陣（W,U,V）和softmax[14]層來優化編碼器和解碼器，使其損失最小化，可以使用梯度下降或適當的優化算法進行優化。

4 注意力機制

從概念上講，注意力被視為一個單獨的層，它的責任是為解碼過程的第i個時間步產生ci。ci的計算過程如下所示：

式中eij是計算si時編碼器的第j個隱藏狀態和解碼器的上一個狀態的重要性或貢獻因子，其表達式如下：

5 實驗設計

5.1 超參數

1）batch_size：批處理大小應該選擇得非常謹慎，因為神經機器翻譯在運行時需要相當大的內存。

2）num_nodes：表示LSTM 中隱藏節點的數量。

3）embedding_size：向量的維度。

5.2 評估過程

1）BLEU 得分

BLEU 得分是通過計算機翻譯輸出與參考翻譯相對應的單詞數來計算的。BLEU 得分在0～1 或0～100 之間，0 表示沒有匹配，1 表示完全匹配，這對于所有測試句子來說是不可能的。BLEU 得分的計算公式如下：

精度通常偏好較短的句子。這在評估中引發了一個問題，即機器翻譯可能會為較長的參考句子生成較短的句子，但仍具有較高的精度。為了避免這種情況，引入了簡潔度懲罰，其中，Wn是修改后的n-gram 精度pn的權重。簡潔度懲罰（bp）的計算公式如下：

式中：c是候選句子的長度；r是參考句子的長度。

2）NIST

NIST 的計算公式如下：

式中：β是短句懲罰因子的權重表示所有參考翻譯中的平均詞數；Lsys表示候選句子中的平均詞數。

3）詞錯誤率

詞錯誤率是基于Levenshtein 距離的計算方法[15]。

4）Meteor

首先計算單字精確率（Unigram Precision），然后計算單字召回率（Unigram Recall），最后使用調和平均值將這兩個值結合起來。

對于較長的匹配部分，使用懲罰值（penalty）：

最終得分計算如下：

5.3 結果

模型經過多次模擬以獲取多個評估指標的值，如表1 所示，平均BLEU 分數為45.83。

表1 多個評估指標的數值

表1 值的圖形表示如圖4 所示。從圖中可以明顯看出，當詞錯誤率增加時，BLEU 分數下降；而當詞錯誤率減少時，BLEU 分數增加。這是因為錯誤越多，詞錯誤率越高，BLEU 分數越低；當詞錯誤率較低時，表示翻譯質量較好，所以BLEU 分數較高。

圖4 圖表化各種指標

6 結論

神經機器翻譯是機器翻譯研究中的一種新范式。本文提出了一種基于LSTM 的深度學習編碼-解碼模型。研究中使用了Bahdanau 注意機制[16]。為了評估所提出系統的效率，本文使用了多個自動評估指標，如BLEU、F-measure、NIST、WER 等。經過大量模擬得出，所提出的系統平均BLEU 分數為45.83。