神经机器翻译前沿进展

(清华大学计算机科学与技术系北京 100084) (清华信息科学与技术国家实验室(筹) 北京 100084) (智能技术与系统国家重点实验室(清华大学) 北京 100084) (liuyang2011@tsinghua.edu.cn)

基金项目: 国家自然科学基金优秀青年科学基金项目(61522204)

详细信息

Recent Advances in Neural Machine Translation

(Department of Computer Science and Technology, Tsinghua University, Beijing 100084) (Tsinghua National Laboratory for Information Science and Technology, Beijing 100084) (State Key Laboratory of Intelligent Technology and Systems (Tsinghua University), Beijing 100084)

摘要: 机器翻译研究如何利用计算机实现自然语言之间的自动翻译，是人工智能和自然语言处理领域的重要研究方向之一.近年来，基于深度学习的神经机器翻译方法获得迅速发展，目前已取代传统的统计机器翻译成为学术界和工业界新的主流方法.首先介绍神经机器翻译的基本思想和主要方法，然后对最新的前沿进展进行综述，最后对神经机器翻译的未来发展方向进行展望.
- 人工智能 /
- 深度学习 /
- 神经机器翻译 /
- 编码器-解码器架构 /
- 注意力机制
Abstract: Machine translation, which aims at automatically translating between natural languages using computers, is one of important research directions in artificial intelligence and natural language processing. Recent years have witnessed the rapid development of neural machine translation, which has replaced conventional statistical machine translation to become the new mainstream technique in both academia and industry. This paper first introduces the basic ideas and state-of-the-art approaches in neural machine translation and then reviews recent important research findings. The paper concludes with a discussion about possible future directions.
- artificial intelligence /
- deep learning /
- neural machine translation /
- encoder-decoder framework /
- attention mechanism

1.	王璐璐. 基于混合注意力机制的时间旋转知识图谱补全. 网络安全与数据治理. 2024(10): 42-48 . 百度学术
2.	何鹏，周刚，陈静，章梦礼，宁原隆. 类型增强的时态知识图谱表示学习模型. 计算机研究与发展. 2023(04): 916-929 . 本站查看
3.	陈小英，熊盛武，王盛，张士伟. 基于上下文时序关联的时序知识图谱嵌入方法. 武汉大学学报(理学版). 2023(02): 249-257 . 百度学术
4.	周丽华，王家龙，王丽珍，陈红梅，孔兵. 异质信息网络表征学习综述. 计算机学报. 2022(01): 160-189 . 百度学术
5.	杨大伟，周刚，卢记仓，宁原隆. 基于知识表示学习的知识图谱补全研究综述. 信息工程大学学报. 2021(05): 558-565 . 百度学术
6.	王红，卢林燕，王童. 航空安全事件知识图谱补全方法. 西南大学学报(自然科学版). 2020(11): 31-42 . 百度学术