一、Pre-Neural Machine Translation
今日任务：
（1）新任务：机器翻译
（2）神经网络结构：sequence to sequence：机器翻译是seq2seq的一个主要应用。
（3）注意力机制：seq2seq通过attention提升。
1.1 Machine Translation
机器翻译的历史
（1）机器翻译起源于20世纪50年代，当时翻译系统是基于规则，使用双语词典来将俄语单词映射到对应的英语。
（2）1990-2010：基于统计学的机器翻译
核心：从数据中学习概率模型
比如需将法语翻译为英语，即给定法语句子x，找到最好的英语句子y：
其中：
P ( y ∣ x ) P(y \mid x)P(y∣x)
翻译模型
分析单词和短语应该如何翻译
从并行数据中学习
P ( y ) P(y)P(y)
语言模型
模型如何写出好英语
从单语数据中学习
问题：如何学习翻译模型P ( y ∣ x ) P(y \mid x)P(y∣x)
——需要大量的并行数据（例如成对的人工翻译的法语/英语句子）
1.2 Learning alignment for SMT
问题：如何从并行语料库中学习翻译模型P ( y ∣ x ) P(y \mid x)P(y∣x)，实际上我们想要考虑P ( x , a ∣ y ) P(x, a \mid y)P(x,a∣y)，其中a是alignment，即法语句子x和英语句子y之间的单词级对应。
注意：有些词没有对应词。
对齐可以是多对一的：
对齐可以是一对多的：
对齐可以是多对多的：
我们基于很多因素的组合，学习P ( x , a ∣ y ) P(x, a \mid y)P(x,a∣y)，包括：
特定单词对齐的概率
特定单词具有特定fertility的概率(对应单词的数量)
CS228有讲相关对齐变量a aa的学习（最大期望）
1.3 Decoding for SMT
如何计算argmax：
（1）可以穷举所有可能的y并计算概率（复杂度高）
（2）在模型中强化独立性假设，用动态规划DP求解最优解（如Viterbi算法 ）。这个过程叫作decoding（解码）。
1990s-2010s：基于统计学的机器翻译
SMT是一个巨大的研究领域，有很多单独设计的子模块，需要编译和维护额外的资源（如等价短语表）；需要大量的人力维护（每种语言都需要重复操作）。
二、Neural Machine Translation
2.1 What is Neural Machine Translation?
神经机器翻译是利用单个神经网络进行机器翻译的一种方法
神经网络架构称为sequence-to-sequence (又名seq2seq)，它包含两个RNNs
2.2 Sequence-to-sequence
seq2seq不仅对MT有用，许多NLP可看作是seq2seq任务：
摘要(长文本——>短文本)
对话(前⼀句话——>下⼀句话)
解析(输入文本——>输出解析为序列)
代码生成(自然语言——>Python代码)
因为解码器是基于源句x（conditional），预测目标句的下一个单词y（语言模型），所以seq2seq是条件语言模型（conditional language model）的一类。
如何训练一个NMT系统？
答：需要找一个大的平行语料库。
2.3 Training a Neural Machine Translation system
反向传播在“端到端”的过程中。
2.4 Multi-layer RNNs
可以堆叠多层RNN（stacked RNN），越高层的RNNs就计算更高level 的features。
2.5 Multi-layer deep encoder-decoder machine translation net
多层RNNs的实践：
多层RNN的性能往往更优，如2017年的Britz的paper指出，NMT神经模型中，encoder RNN是4层时结果最好，decoder RNN是4层时结果最好。很多时候为了训练更深层次的RNN还需要skip-connections / dense-connections。
基于transformer的网络（如bert）则更深，如12-24层，其中有很多skipping-like connection。
2.6 Greedy decoding
greedy decoding：通过对解码器的每个步骤使用argmax。
但是greedy decoding不能撤回错误决策：
2.7 Exhaustive search decoding
理想情况下，我们想找到一个长度为T的翻译句子，即最大化：
我们可以穷举计算所有可能的序列y，这意味着在解码器decode的每一步t步骤中，时间复杂度为O ( V T ) O(V^T)O(V
T
)，其中T TT是词表大小。
2.8 Beam search decoding
beam search不能保证找到最优解，但大多时候比exhaustive search有效。
核心思想：在解码器decoding的每一步中，追踪k个最有可能的翻译句子。k即beam的大小（一般是5~10个）。
基于y 1 , … , y t y_{1}, \ldots, y_{t}y
1
,…,y
t
有一个对数概率分数，分数都是负数的，数值越大越好：
的结果，算法的步骤：
计算下一个单词的概率分布
取前k个单词并计算分数
对于每一次的 k 个假设，找出最前面的 k 个单词并计算分数
在k 2 k^2k
2
的假设中，保留 k 个最高的分值，如 t = 2 时，保留分数最高的 hit 和 was
在贪心解码中，我们通常解码，直到模型产生⼀个<END>令牌
例如: <START>he hit me with a pie<END>
在 Beam Search 解码中，不同的假设可能在不同的时间步长上产生<END>令牌
当⼀个假设生成了<END>令牌，该假设完成
把它放在⼀边，通过 Beam Search 继续探索其他假设
通常我们继续进行 Beam Search ，直到：
我们到达时间 T (其中 T 是预定义截止点)
我们至少有 n 个已完成的假设(其中 n 是预定义截止点)
基于完成的假设列表，有个问题：较长的假设得分较低，修正方法：按长度标准化，用下式来选择top one：
2.9 评估指标
BLEU (Bilingual Evaluation Understudy)
PS：在assignment4有BLEU的详细介绍。
BLEU将机器翻译和人工翻译结果进行比较，计算一个相似性分数，基于：
n-gram precision（n可以是1,2,3,4）
对过短的机器翻译加上惩罚项
BLEU有用但不完美：
有很多有效的方法来翻译⼀个句子
所以⼀个好的翻译可以得到⼀个糟糕的BLEU score，因为它与⼈⼯翻译的n-gram重叠较低
MT发展史：
神经机器翻译于2014年从边缘研究活动到2016年成为领先标准方法。
2014：第⼀篇 seq2seq 的⽂章发布
2016：谷歌翻译从 SMT 换成了 NMT，18年很多大公司也使用了。
由数百名工程师历经多年打造的SMT系统，在短短几个月内就被少数工程师训练过的NMT系统超越。但是翻译系统NT还有解决空间：
词表外的单词处理；
训练集和测试集之间的领域不匹配（domain mismatch）；
在较长文本上维护上下文；
缺乏足够多的语言对；
代词或者零代词（zero pronoun）解析错误；
Morphological agreement errors。
2019年以来大佬们对“常规的”seq2seq NMT模型进行修改，其中就有加入attention机制。
三、Attention机制
3.1 Sequence-to-sequence: the bottleneck problem
seq2seq的瓶颈问题：源语句的编码需要捕获源句子的所有信息。
3.2 Sequence-to-sequence with attention
attention核心理念 ：在解码器的每一步，使用与编码器的直接连接来专注于源序列的特定部分。
将解码器部分的第⼀个<token> 与源语句中的每一个时间步的隐藏状态进行 Dot Product 得到每⼀时间步的分数；
通过softmax将分数转化为概率分布
在这个解码器时间步长上，我们主要关注第⼀个编码器隐藏状态(“he”)
然后利用注意力分布对编码器的隐藏状态进行加权求和，注意力网络的output的主要包含来自值得高度注意的隐藏层状态。
等也是类似。有时我们会从前面的步骤中提取注意力输出，然后作为decoder编码器的input（assignment 4会做到这块）。
3.3 Attention: in equations
注意力机制的优点：
大幅度提高NMT性能；
注意力分数大的部分被重视；
解决梯度消失问题；
具有可解释性：
通过看attention distribution，能看到decoder重点关注哪些部分；
不用对齐alignment（网络自己学会对齐）。
图：attention distribution
注意力能够很好改变MT的seq2seq模型；attention也能用在很多任务中。
attention的更一般定义：基于向量value和向量query，attention即一种根据query，计算value的加权和的方法。
query attends to the values：比如seq2seq+attention模型中，每个解码器的隐藏状态(query)关注所有编码器的隐藏状态(value)。
3.4 Attention variants
