谷歌神經(jīng)機(jī)器翻譯 沒見過的語言也能翻譯

谷歌剛剛在博客中宣布，谷歌神經(jīng)機(jī)器翻譯系統(tǒng)進(jìn)行了重大更新，實現(xiàn)了用單一模型對多語種通用表征。系統(tǒng)還實現(xiàn)“零數(shù)據(jù)翻譯”，也即能夠在從來沒有見過的語言之間進(jìn)行翻譯。這意味著傳說中的“巴別塔”有望成真。而國內(nèi)的那些百度、科大訊飛們又不小心被甩出了10萬公里遠(yuǎn)。至少從公開的信息中是這樣子的。

過去10年中，谷歌翻譯已從僅支持幾種語言發(fā)展到了支持103種，每天翻譯超過了1400億字。為了實現(xiàn)這一點(diǎn)，我們需要構(gòu)建和維護(hù)許多不同的系統(tǒng)，以便在任何兩種語言之間進(jìn)行轉(zhuǎn)換，由此產(chǎn)生了巨大的計算成本。

神經(jīng)網(wǎng)絡(luò)改革了許多領(lǐng)域，我們確信可以進(jìn)一步提高翻譯質(zhì)量，但這樣做意味著重新思考谷歌翻譯背后的技術(shù)。

今年 9 月，谷歌翻譯改為啟用谷歌神經(jīng)機(jī)器翻譯（GNMT）的新系統(tǒng)，這是一個端到端的學(xué)習(xí)框架，可以從數(shù)百萬個示例中學(xué)習(xí)，并在翻譯質(zhì)量方面有顯著提升。

不過，雖然啟用GNMT的幾種語言翻譯質(zhì)量得到了提升，但將其擴(kuò)展到所有 103 種谷歌翻譯支持的語種，卻是一個重大的挑戰(zhàn)。

實現(xiàn)零數(shù)據(jù)翻譯（Zero-Shot Translation）

在論文《谷歌多語言神經(jīng)機(jī)器翻譯系統(tǒng)：實現(xiàn)零數(shù)據(jù)翻譯》（Google s Multilingual Neural Machine Translation System: Enabling Zero-Shot Translation）中，我們通過擴(kuò)展以前的 GNMT系統(tǒng)解決這一挑戰(zhàn)，使單個系統(tǒng)能夠在多種語言之間進(jìn)行翻譯。

我們提出的架構(gòu)不需要改變基本的 GNMT 系統(tǒng)，而是在輸入句子的開頭使用附加的“token”，指定系統(tǒng)將要翻譯的目標(biāo)語言。 除了提高翻譯質(zhì)量，我們的方法還實現(xiàn)了“Zero-Shot Translation”，也即在沒有先驗數(shù)據(jù)的情況下，讓系統(tǒng)對從未見過的語言進(jìn)行翻譯。

下圖展示了最新 GNMT 的工作原理。假設(shè)我們使用日語和英語以及韓語和英語之間相互翻譯為例，訓(xùn)練一個多語言系統(tǒng)，如動畫中藍(lán)色實線所示。

　　這個新的多語言系統(tǒng)與單個 GNMT 系統(tǒng)大小一樣，參數(shù)也一樣，能夠在日英和韓英這兩組語言對中進(jìn)行雙語翻譯。參數(shù)共享使系統(tǒng)能夠?qū)ⅰ胺g知識”（translation knowledge）從一個語言對遷移到其他語言對。這種遷移學(xué)習(xí)和在多種語言之間進(jìn)行翻譯的需要，迫使系統(tǒng)更好地利用其建模能力。

由此，我們想到：能夠讓系統(tǒng)在從未見過的語言對之間進(jìn)行翻譯嗎？例如韓語和日語之間的翻譯，系統(tǒng)并沒有接受過日韓之間翻譯的訓(xùn)練。

但答案是肯定的——雖然從來沒有教過它但，新的系統(tǒng)確實能夠生成日韓兩種語言之間合理的翻譯。我們將其稱為“零數(shù)據(jù)”（zero-shot）翻譯，如動畫中的黃色虛線所示。據(jù)我們所知，這還是首次將這種類型的遷移學(xué)習(xí)應(yīng)用機(jī)器翻譯中。

零數(shù)據(jù)翻譯的成功帶來了另一個重要的問題：系統(tǒng)是否學(xué)會了一種通用的表征，其中不同語言中具有相同意義的句子都以類似的方式表示，也即所謂的“國際通用語”（interlingua）？

使用內(nèi)部網(wǎng)絡(luò)數(shù)據(jù)的三維表征，我們能夠看見系統(tǒng)在翻譯日語、韓語和英語這幾種語言時，在各種可能的語言對之間進(jìn)行轉(zhuǎn)換（比如日語到韓語、韓語到英語、英語到日語等等）時，內(nèi)部發(fā)生的情況。

　　上圖中的（a）部分顯示了這些翻譯的總體幾何構(gòu)成。圖中不同顏色的點(diǎn)代表不同的意思；意思相同的一句話，從英語翻譯為韓語，與從日語翻譯為英語的顏色相同。我們可以從上圖中看到不同顏色的點(diǎn)各自形成的集合（group）。

（b）部分是這些點(diǎn)集的其中一個放大后的結(jié)果，（c）部分則由原語言的顏色所示。在單個點(diǎn)集中，我們能夠看到日韓英三種語言中，擁有相同含義的句子聚在一起。

這意味著網(wǎng)絡(luò)必定是對句子的語義進(jìn)行編碼，而不是簡單地記住短語到短語之間的翻譯。由此，我們認(rèn)為這代表了網(wǎng)絡(luò)中存在了一種國際通用語（interlingua）。

我們在論文中還寫下了更多的結(jié)果和分析，希望這些的發(fā)現(xiàn)不僅能夠幫助從事機(jī)器學(xué)習(xí)或機(jī)器翻譯的研究人員，還能對于語言學(xué)家和對使用單一系統(tǒng)處理多語言感興趣的人有用。

最后，上述多語言谷歌神經(jīng)機(jī)器翻譯系統(tǒng)（Multilingual Google Neural Machine Translation）從今天開始將陸續(xù)為所有谷歌翻譯用戶提供服務(wù)。當(dāng)前的多語言系統(tǒng)能夠在最近推出的16個語言對中的 10 對中進(jìn)行轉(zhuǎn)化，提高了翻譯質(zhì)量，并且簡化了生產(chǎn)架構(gòu)。

商業(yè)部署后，實現(xiàn)技術(shù)上的突破

正如前文所說，今年 9 月，谷歌宣布對部分語種啟用谷歌神經(jīng)機(jī)器翻譯（GNMT）的新系統(tǒng)，并在幾種率先使用的測試語種（包括漢語）翻譯質(zhì)量方面得到了顯著提升。

下面的動圖展示了 GNMT 進(jìn)行漢英翻譯的過程。首先，網(wǎng)絡(luò)將漢字（輸入）編碼成一串向量，每個向量代表了當(dāng)前讀到它那里的意思（即 e3 代表“知識就是”，e5 代表“知識就是力量”）。整句話讀完之后開始解碼，每次生成一個作為輸出的英語單詞（解碼器）。

要每一步生成一個翻譯好的英語單詞，解碼器需要注意被編碼中文向量的加權(quán)分布中，與生成英語單詞關(guān)系最為密切的那個（上圖中解碼器 d 上面多條透明藍(lán)線中顏色最深的那條），解碼器關(guān)注越多，藍(lán)色越深。

使用人類對比評分指標(biāo)，GNMT 系統(tǒng)生成的翻譯相比此前有了大幅提高。在幾種重要語言中，GNMT 將翻譯錯誤降低了 55%-58%。

不過， 當(dāng)時也有很多研究人員認(rèn)為，當(dāng)時谷歌翻譯取得的“里程碑”，與其說是技術(shù)突破，不如說是工程上的勝利——大規(guī)模部署本身確實需要軟硬件方面超強(qiáng)的實力，尤其是想谷歌翻譯這樣支持 1 萬多種語言的商業(yè)應(yīng)用，對速度和質(zhì)量的要求都非常的高。但是，神經(jīng)機(jī)器翻譯的技術(shù)早已存在，借鑒了語言和圖像處理方面的靈感，是多種技術(shù)的整合。

現(xiàn)在，只用了大約 2 個月的時間（論文首次上傳到 arXiv 是 11 月 14 日），谷歌翻譯和谷歌大腦團(tuán)隊就實現(xiàn)了技術(shù)上的突破——讓系統(tǒng)在從未見過的語言對之間進(jìn)行翻譯，也即所謂的“zero-shot translation”。

不僅如此，谷歌研究人員還在論文最后做了分析，新的模型代表了實現(xiàn)一種“國際通用語”模型的可能。有評論稱， 這可以說是實現(xiàn)“巴別塔”的第一步。

谷歌神經(jīng)機(jī)器翻譯系統(tǒng)架構(gòu)

就在幾天前，國外研究員 Smerity 在他的博客上發(fā)布了一篇分析谷歌神經(jīng)機(jī)器翻譯（GNMT）架構(gòu)的文章，在 HackerNews、Reddit 等網(wǎng)站都引發(fā)了很多討論。

Smerity 在博文中指出，GNMT 的架構(gòu)并不標(biāo)準(zhǔn)，而且在很多情況下偏離主流學(xué)術(shù)論文中提出的架構(gòu)。但是，根據(jù)谷歌特定的需求，谷歌修改了系統(tǒng)，重點(diǎn)保證系統(tǒng)的實用性而并非追求頂尖結(jié)果。

【論文】谷歌的多語言神經(jīng)機(jī)器翻譯系統(tǒng)：實現(xiàn) zero-shot 翻譯

摘要如下：

我們提出了一種使用單一神經(jīng)機(jī)器翻譯（NMT）模型，在多語種之間進(jìn)行翻譯簡潔而優(yōu)雅的解決方案。不需要修改谷歌現(xiàn)有的基礎(chǔ)系統(tǒng)模型架構(gòu)，而是在輸入句子的前面加入人工 標(biāo)記（token）明確其要翻譯成的目標(biāo)語言。

模型的其他部分（包括編碼器、解碼器和注意模型）保持不變，而且可以在所有語言上共享。使用一個共享的 wordpiece vocabulary，這種方法能夠使用單一模型實現(xiàn)多語種神經(jīng)機(jī)器翻譯，而不需要增加參數(shù)，相比此前提出的方法更為簡單。

實驗表明，這種新的方法大部分時候能提升所有相關(guān)語言對的翻譯質(zhì)量，同時保持總的模型參數(shù)恒定。

在 WMT' 14 基準(zhǔn)上，單一多語言模型在英法雙語翻譯上實現(xiàn)了與當(dāng)前最好技術(shù)相同的結(jié)果，并在英德雙語翻譯上超越當(dāng)前最佳的結(jié)果。

同時，單一多語言模型分別在 WMT'14 和 WMT'15 基準(zhǔn)上，超越了當(dāng)前最佳的法英和德英翻譯結(jié)果。 在用于生產(chǎn)的語料庫上，多達(dá) 12 個語言對的多語言模型能夠?qū)崿F(xiàn)比許多單獨(dú)的語言對更好的表現(xiàn)。

除了提升該模型訓(xùn)練所用的語言對的翻譯質(zhì)量之外，新的模型還能在訓(xùn)練過程中將沒有見過的語言對相互聯(lián)系起來（bridging），表明用于神經(jīng)翻譯的遷移學(xué)習(xí)和零數(shù)據(jù)翻譯是可能的。

最后，我們分析了最新模型對通用語言間表征的跡象，還展示了一些混合語言時會出現(xiàn)的有趣案例。

生成海報

免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請進(jìn)一步核實，并對任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負(fù)任何法律責(zé)任。任何單位或個人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。