唐能譯牛：

“一種新的神經(jīng)機(jī)器翻譯方法，其中翻譯模型僅使用單語(yǔ)言數(shù)據(jù)集學(xué)習(xí)，句子或文檔之間沒(méi)有任何對(duì)齊”。看了這段描述有點(diǎn)心驚肉跳，機(jī)器是越來(lái)越聰明了，就像之前AlphaGo Zero在圍棋方面“自學(xué)成才”，不利用任何人類圍棋數(shù)據(jù)一樣， 機(jī)器如果從單語(yǔ)切入， 繞開(kāi)人類的雙語(yǔ)語(yǔ)料， 將又是開(kāi)辟一個(gè)新天地。

論文下載鏈接：https://arxiv.org/pdf/1711.00043.pdf

原文來(lái)源：arxiv

作者：Guillaume Lample、Ludovic Denoyer、Marc’Aurelio Ranzato

「雷克世界」編譯：嗯~阿童木呀、多啦A亮

相信大家都知道，近在機(jī)器翻譯領(lǐng)域取得了令人印象深刻的成果，而這主要?dú)w功于近在深度學(xué)習(xí)方面所取得巨大進(jìn)步，以及大規(guī)模平行語(yǔ)料庫(kù)（large-scale parallel corpora）的可用性。我們已經(jīng)進(jìn)行過(guò)無(wú)數(shù)次嘗試，試圖將這些成功擴(kuò)展到低資源語(yǔ)言對(duì)，但這需要數(shù)以萬(wàn)計(jì)的并行句子。在這項(xiàng)研究中，我們把這個(gè)研究方向做到了先進(jìn)，并研究了在沒(méi)有任何平行數(shù)據(jù)的情況下，是否有可能學(xué)習(xí)翻譯？我們提出構(gòu)建一種模型，它用兩種不同的語(yǔ)言從單語(yǔ)語(yǔ)料庫(kù)（monolingual corpora）中提取句子，然后將它們映射到相同的潛在空間中。通過(guò)學(xué)習(xí)從這個(gè)共享的特征空間中以兩種語(yǔ)言進(jìn)行重構(gòu)，該模型有效地學(xué)習(xí)了在不使用任何標(biāo)記數(shù)據(jù)的情況下進(jìn)行翻譯。我們?cè)趦蓚€(gè)廣泛使用的數(shù)據(jù)集和兩個(gè)語(yǔ)言對(duì)上對(duì)模型進(jìn)行演示，結(jié)果顯示，BLEU分?jǐn)?shù)高達(dá)32.8，而在在訓(xùn)練期間甚至沒(méi)有使用一個(gè)平行句。

得益于近在深度學(xué)習(xí)方面取得的進(jìn)展以及大規(guī)模平行語(yǔ)料庫(kù)的可用性，現(xiàn)如今，機(jī)器翻譯已經(jīng)在多個(gè)語(yǔ)言對(duì)上取得了令人印象深刻的表現(xiàn)。然而，這些模型只有在提供大量的并行數(shù)據(jù)，即大約數(shù)百萬(wàn)個(gè)并行句子的情況下，才能很好地運(yùn)行。不幸的是，并行語(yǔ)料庫(kù)的構(gòu)建成本是非常高的，因?yàn)檫@需要專門的專業(yè)知識(shí)，而且通常對(duì)于低資源語(yǔ)言來(lái)說(shuō)是不可能的。相反，單語(yǔ)數(shù)據(jù)更容易找得到，而且許多具有有限并行數(shù)據(jù)的語(yǔ)言仍然擁有大量的單語(yǔ)數(shù)據(jù)。

在半監(jiān)督環(huán)境中，我們已經(jīng)進(jìn)行了多次嘗試，試圖利用單語(yǔ)數(shù)據(jù)來(lái)提高機(jī)器翻譯系統(tǒng)的質(zhì)量。值得注意的是，Sennrich 等人于2015年提出了一個(gè)非常高效的數(shù)據(jù)增強(qiáng)方案，我們稱之為“回譯（back-translation）”，即從目標(biāo)語(yǔ)言到源語(yǔ)言的輔助翻譯系統(tǒng)首先在可用的并行數(shù)據(jù)上進(jìn)行訓(xùn)練，然后用于從大的目標(biāo)端的單語(yǔ)語(yǔ)料庫(kù)中生成翻譯。然后將這些翻譯的組成對(duì)以及與其相對(duì)應(yīng)的參考目標(biāo)（ground truth targets）用作原始翻譯系統(tǒng)的附加訓(xùn)練數(shù)據(jù)。

另一種在目標(biāo)端使用單語(yǔ)數(shù)據(jù)的方式是用語(yǔ)言模型來(lái)增強(qiáng)解碼器（Gulcehre等人于2015年提出）。然后，Cheng等人（于2016年）、He等人（于2016年）提出在單語(yǔ)數(shù)據(jù)上增加一個(gè)輔助自動(dòng)編碼任務(wù)，這樣就可以保證翻譯后的句子可以再次被回翻成原文。但是，所有這些研究依然依賴于數(shù)萬(wàn)個(gè)平行的句子。

之前關(guān)于零資源（zero-resource）機(jī)器翻譯的研究也依賴于標(biāo)記信息，它們不是來(lái)自于那些有用的語(yǔ)言對(duì)，而是其他相關(guān)的語(yǔ)言對(duì)（Firat等人于2016年、Johnson等人于2016年、Chen等人于2017年提出）或其他形式的語(yǔ)言對(duì)（Nakayama 和 Nishida于2017年、Lee等人于2017年提出）。先進(jìn)的例外就是Ravi和Knight（于2011年）、 Pourdamghani和Knight（于2017年）所進(jìn)行的研究，他們將機(jī)器翻譯問(wèn)題簡(jiǎn)化為解密問(wèn)題。不幸的是，他們的方法局限性在于只適用于相當(dāng)短的句子，而且它只是在一個(gè)非常簡(jiǎn)單的環(huán)境中得以證明的，包括那些常見(jiàn)的短句子或者是非常接近的語(yǔ)言中。

圖1：原理簡(jiǎn)筆圖，用以指導(dǎo)我們?cè)O(shè)計(jì)目標(biāo)函數(shù)。左（自動(dòng)編碼）：模型被訓(xùn)練，以便基于其噪聲版本重建一個(gè)句子。其中，x是目標(biāo)，C(x)是噪聲輸入，x^是重建。右（翻譯）：模型被訓(xùn)練用以翻譯另一個(gè)領(lǐng)域的句子。其中輸入是在前一次迭代(t)，y = M(t）(x)處由模型本身M產(chǎn)生的噪聲翻譯（在這種情況下，翻譯順序?yàn)閺脑吹侥繕?biāo)（from source-to-target））。該模型是對(duì)稱的，我們?cè)谄渌Z(yǔ)言中將重復(fù)相同的過(guò)程。

在本文中，我們研究是否可以訓(xùn)練一個(gè)通用的機(jī)器翻譯系統(tǒng)，而不需要任何形式的監(jiān)督。我們所做的先進(jìn)假設(shè)是每種語(yǔ)言都存在一個(gè)單語(yǔ)語(yǔ)料庫(kù)。這個(gè)假設(shè)有兩個(gè)有趣的原因。 首先，當(dāng)我們遇到一個(gè)我們沒(méi)有注釋的新語(yǔ)言對(duì)，就可以使用它。其次，它對(duì)任何好的半監(jiān)督方法預(yù)期會(huì)產(chǎn)生一個(gè)強(qiáng)大的下界表現(xiàn)。

關(guān)鍵點(diǎn)是在兩種語(yǔ)言（或領(lǐng)域）之間建立一個(gè)共同的潛在空間，并根據(jù)兩個(gè)原則通過(guò)在兩個(gè)領(lǐng)域進(jìn)行重構(gòu)來(lái)學(xué)習(xí)翻譯：（1）模型必須能夠從噪聲版本中以給定的語(yǔ)言重構(gòu)句子，如在標(biāo)準(zhǔn)去噪自動(dòng)編碼器中。（2）該模型還學(xué)習(xí)了在目標(biāo)域中對(duì)同一句子進(jìn)行有噪的翻譯時(shí)重構(gòu)任何源語(yǔ)句，反之亦然。對(duì)于（2），翻譯的句子通過(guò)使用回譯程序獲得，即通過(guò)使用學(xué)習(xí)模型將源句子翻譯成目標(biāo)域來(lái)獲得翻譯后的句子。除了這些重構(gòu)目標(biāo)之外，我們還使用對(duì)抗正則化術(shù)語(yǔ)將源句子和目標(biāo)句子的潛在表示限制為相同的分布，由此模型試圖欺騙鑒別器，該鑒別器被同時(shí)訓(xùn)練以識(shí)別給定的潛在句子表示的語(yǔ)言。然后迭代地重復(fù)這個(gè)過(guò)程，從而產(chǎn)生高質(zhì)量的翻譯模型。為了保持我們的方法完全無(wú)監(jiān)督，我們初始化我們的算法，通過(guò)使用一個(gè)基于從同一單語(yǔ)數(shù)據(jù)衍生出雙語(yǔ)詞匯的句子逐字翻譯的無(wú)監(jiān)督翻譯模型。

雖然無(wú)法與使用大量并行資源的有監(jiān)督方法進(jìn)行競(jìng)爭(zhēng)，但我們?cè)诘?/span>4部分中展示了我們的模型能夠?qū)崿F(xiàn)卓越的性能。例如，在WMT數(shù)據(jù)集上，在對(duì)100000對(duì)句子進(jìn)行完全監(jiān)督的機(jī)器翻譯系統(tǒng)中，我們可以達(dá)到同樣的翻譯質(zhì)量。在Multi30K-Task1數(shù)據(jù)集中，我們?cè)谒姓Z(yǔ)言對(duì)上實(shí)現(xiàn)了22以上的BLEU值，英翻法BLEU值達(dá)到32.76。

接下來(lái)，在第2部分中，我們將描述模型和訓(xùn)練算法。然后我們?cè)诘谒牟糠纸o出實(shí)驗(yàn)結(jié)果。然后，我們?cè)诘谖宀糠诌M(jìn)一步討論相關(guān)工作，并在第六部分總結(jié)我們的發(fā)現(xiàn)。

結(jié)論

我們提出了一種新的神經(jīng)機(jī)器翻譯方法，其中翻譯模型僅使用單語(yǔ)言數(shù)據(jù)集學(xué)習(xí)，句子或文檔之間沒(méi)有任何對(duì)齊。這個(gè)方法的原理是從一個(gè)簡(jiǎn)單的無(wú)監(jiān)督逐字翻譯模型開(kāi)始，并基于重構(gòu)損失迭代地改進(jìn)這個(gè)模型，并且使用鑒別器來(lái)對(duì)齊源語(yǔ)言和目標(biāo)語(yǔ)言的潛在分布。我們的實(shí)驗(yàn)表明，我們的方法能夠在沒(méi)有任何監(jiān)督的情況下學(xué)習(xí)有效的翻譯模型。

本文轉(zhuǎn)自：新智元（微信公眾號(hào)ID: AI_era），歡迎前往訂閱！