机器翻译 :seq2seq_研究框架如图7所示,由编码和解码两部分构成

seq2seq: 

    机器翻译的模型与其他语言模型的不同之处在于，机器翻译的模型是由编码器和解码器两部分组成。两个部分都需要进行训练。其中解码器我们有时候也称为特征提取器。seq2seq模型结构如下图所示

             

其中绿色部分为编码器（特征提取器），紫色部分为解码器。

若有句子 ： i like apple          翻译为： 我 喜欢苹果

其中i like apple 的嵌入向量则是编码器的输入。  编码器的输出为解码器的输入。解码器的输出是 “我”， “喜欢” ， “苹果”这几个词的概率。

但是这种选择输出单词的方法存在缺陷： 没一时间的输出都为一个n（n为预料库的规模）维概率向量。这样就加大了计算的开销。为了对这种方法进行改进，定向搜索的方法就应运而生了。

定向搜索

集束宽算法，是定向搜索的一种常用算法，不同于上面所描述的贪心算法。 在训练模型时候设置一个集束宽。 

假设集束宽设为3，实例如下

                  

图左侧为语料库， 右侧为模型输出$\widehat{y_1}$概率向量。

找出$\widehat{y_1}$向量中概率最大的3元素，在向量中的位置。然后在预料库中，选出相同位置的3个单词。 

然后将这三个单词的one-hot向量分别作为$\widehat{y_1}$来进行下一步。

重复以上步骤。直到结束。

会输出多段翻译出来的结果，根据以下公式来评价应该选择哪句话

                                                  

但是由于每个概率都小于1，大量相乘的话，会造成数值溢出。

对这种评价进行了如下的改进

                                                   

有些还会为评价函数加一个系数为$\frac{1}{T_y^\alpha }$   其中$\alpha$通常设为0.7。但是目前这种方法并没有经过理论推导， 仅仅从经验上来说它是有用的。

当选择出，来翻译语句后，再做一下定向搜索误差分析。查看翻译效果。