在神经机器翻译（Neural Machine Translation, NMT）中，由于机器不具有人类的智慧，因此常常会犯一些低级的错误。例如，在中-英翻译中，原中文句子含有 10 个词，而机器却有时翻译出一个含有 50 个词的句子或者是只含有 2 个词的句子。 不管内容如何，在人类看来这样的翻译很显然是不对的。那么如何能让机器拥有人类的智慧，从而避免这种低级的错误呢？近日，我们有幸采访到了清华大学的张嘉成，介绍他发表在 ACL2017 上的工作 - Prior Knowledge Integration for Neural Machine Translation using Posterior Regularization。
我们常常将“人类的智慧”称为“先验知识（prior knowledge）”。如何将“先验知识”融合到机器学习模型中？该工作沿用了 Kuzman Ganchev 等人在 2010 年提出的“后验正则化（Posterior Regularization, PR）”方法。该方法可以表示为公式 (1)，(2)。其中公式 (2) 代表先验知识的约束；公式 (1) 表示为使得模型求出的后验分布 P(y|x) 和先验分布 q(y) 尽可能地接近，将两者的 KL 距离作为模型目标函数的正则项。但是这个方法难以直接应用到 NMT 领域，原因有两点：1）对于不同的先验知识，很难给出一个固定的 b 作为边界值；2）训练目标是一个 max-min 问题，需要通过 EM 算法求解，难以通过基于导数的优化方法训练。
因此在张嘉成等人的工作中，他们将公式 (2) 中的约束集合替换为对数线性模型表示的先验分布，如公式 (3)，(4) 所示。公式 (4) 中的 ϕ(x,y) 代表“特征函数”，对于不同句对 (x, y)，先求出其特征值并乘以权重参数 γ，再经过 softmax 得到先验分布 Q(y|x)，该分布即为原方法中的 q(y)。经过这种改进，使得模型可以直接利用基于导数的优化方法训练，而不需使用 EM 算法进行求解。同时，特征函数 ϕ(x,y) 可以有不同的定义，因此增大了模型的通用性和可扩展性。
为引入不同的先验知识，文章中采用了 4 类特征：
1. 双语词典特征：人的先验知识中包含词和词的对应关系，例如，爱-love。因此，对于双语词典 D 中的任意一个词对 <x, y>，该特征值定义为公式 (5)。含义为，如果该词对出现在翻译句对中，则记 1。也就是对于一个翻译句对，该特征表示“原句和翻译句中出现的词对的数量”。目的是鼓励按照词典进行翻译。
2. 短语表特征：同样，人还知道词组和词组的对应关系，例如：纽约- New York。因此这个特征的定义和双语词典特征类似，如公式(6)所示。对于外部短语表中的任意短语对<x ̃, y ̃>， 如果出现在翻译句对中，则记1。也就是对于一个翻译句对，该特征表示“原句和翻译句中出现的短语对的数量”。目的是鼓励按照短语表进行翻译。
3. 覆盖度惩罚特征：人的先验知识认为原句中的词都会提供信息量，都应该参与翻译。文章沿用了 Yonghui Wu 等人在提出的覆盖度惩罚的定义，如公式 (7) 所示。其中 α_ij 是 NMT 注意力机制中第 j 个目标词对第 i 个源端词的注意力，因此在很少得到注意的源端词处惩罚较大。目的是惩罚源语言中没有被充分翻译的词。
4. 长度比例特征：例如，人知道一般情况下英文句长度约为对应中文句的 1.2 倍。因此文章定义了公式 (8) 所示的长度比例特征，目的是鼓励翻译长度落在合理的范围内。
最后，因为在训练过程中不可能穷尽所有可能的翻译，因此采用了近似的方法，采样一部分可能的翻译进行 KL 距离的估计，如公式 (9) 所示。在解码时，采用“重排序”的方法，即先使用 NMT 得到 k 个候选翻译，然后使用特征对其进行重新打分，选择得分最高的作为最终翻译结果。
文章中使用的数据集是 1.25M 的中英句对，实验显示该模型能有效地增强翻译效果，可以提升 2+ 的 BLEU 值，如下图所示。
作者表示该工作的创新点在于利用后验正则化思想，将离散的先验知识融入 NMT 框架中 。同时，改进了原后验正则化方法，使其可以直接基于导数优化，并能利用上不同的先验知识。对于该工作尚存在的不足，作者认为权重参数因为具有先验知识重要性的物理意义，应该存在比训练得到更优的获取方案。
来源：paperweekly
