FAIR和谷歌大腦的合作研究，專注于“反向翻譯”方法

如圖1所示，sampling和beam+noise方法優于MAP方法，BLEU要高0.8-1.1。在數據量最大的設置下，sampling和beam+no...

2018-11-21 標簽：機器翻譯數據集 5296 0

用于機器翻譯的編碼器-解碼器架構詳解

輸入張量讓我們能夠以索引序列的形式輸入多個句子。這個方向是對的，但這些索引并沒有保留什么信息。索引54代表的單詞，和索引55代表的單詞可能全無關系?；?..

2018-11-05 標簽：解碼器編碼器機器翻譯 9727 0

新方法開啟了多種語言快速翻譯、精準翻譯的大門

用無監督的雙語詞典推斷法進行詞對詞翻譯并不是好的翻譯方法，因為詞語可能會丟失，或打亂順序，或出現錯誤。但是，它能最大程度地保留文本的意思。我們可以用語言...

2018-10-04 標簽：機器翻譯數據集 3612 0

基于深度學習的自然語言處理系統和應用程序的一些最新趨勢

對于諸如詞性標記（POS）和命名實體識別（NER）之類的任務，查看詞匯的詞法信息是有用的，尤其是像葡萄牙語、西班牙語和中文這些構詞方法十分豐富的語言。我...

2018-10-04 標簽：神經網絡機器翻譯深度學習 4986 0

Facebook展示了如何讓機器翻譯速度變快，同時又能擴展應用的方法

后者是文本處理模型一個重要的挑戰，不同長度的句子會讓問題更嚴重，這一點在計算機視覺領域是體會不到的，因為訓練的圖像通常大小相同。針對上面提到的兩個問題，...

2018-09-24 標簽：Facebook人工智能機器翻譯 3136 0

如何在沒有大量標記數據的情況下，讓計算機也學會翻譯？

過去一年間，不斷有研究人員試圖通過無監督學習用大量無標記數據訓練以進一步提高系統的翻譯能力。Facebook、紐約大學、巴斯克大學、索邦大學的研究團隊成...

2018-09-05 標簽：神經網絡人工智能機器翻譯 4586 0

機器翻譯的質量突飛猛進,未來三年會有50萬翻譯失業

這個說法與過去我們時常聽到的言論形成了鮮明對比，原來我們總是說，至少在近期的未來，人工智能主要的作用還是增強，而不是直接取代人類的專業人員，Shosha...

2018-09-04 標簽：人工智能機器學習機器翻譯 7382 0

一種全新的無監督機器翻譯方法，在BLUE基準測試上取得了10分以上提升

Facebook無監督機器翻譯的方法，首先是讓系統學習雙語詞典，將一個詞與其他語言對應的多種翻譯聯系起來。舉個例子，就好比讓系統學會“Bug”在作為名詞...

2018-09-02 標簽：Facebook機器學習機器翻譯 6213 0

一種名為“普適注意力”的新翻譯模型，用2D卷積網絡做序列預測

我們的模型中的卷積層使用隱性3×3濾波器，特征僅根據先前的輸出符號計算。圖為經過一層（深藍色）和兩層（淺藍色）計算之后的感受野，以及正常3×3濾波器（灰...

2018-08-27 標簽：濾波器編碼器機器翻譯 3453 0

一種新的神經機器翻譯架構，它脫離了編碼器-解碼器的范疇

為了解決這些局限，我們提出了一種基于深層2D卷積神經網絡（CNN）的新方法。它和圖像、音頻生成模型的自回歸模型類似，用源序列和目標序列的輸出空間定義網絡...

2018-08-23 標簽：編碼器神經網絡機器翻譯 3612 0

神經網絡、機器翻譯、情感分類和自動評論等研究方向的5篇論文

現實世界中很多文檔都具有超鏈接的結構。例如，維基頁面（普通網頁）之間通過URL互相指向，學術論文之間通過引用互相指向。超文檔的嵌入（embedding）...

2018-07-16 標簽：編碼器神經網絡機器翻譯 5553 0