文献类型：期刊文章

作　　者：刘宇鹏[1,2] 马春光[1] 张亚楠[2]

机构地区：[1]哈尔滨工程大学计算机科学与技术学院,哈尔滨150001 [2]哈尔滨理工大学软件学院,哈尔滨150001

出　　处：《计算机学报》

基　　金：国家自然科学基金(61300115);中国博士后科学基金(2014M561331);黑龙江省教育厅科技研究项目(12521073)资助~~

年　　份：2017

卷　　号：40

期　　号：4

起止页码：861-871

语　　种：中文

收录情况：BDHX、BDHX2014、CSA、CSA-PROQEUST、CSCD、CSCD2017_2018、EI(收录号：20172703889288)、IC、JST、MR、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：深度学习在自然语言处理中有很多的应用.深度网络的主要作用是捕获隐藏在语言结构中更深的语义信息.该文出发点为根据原有句子中的对齐作为深度网络生成结构的指导,并融合原有深度翻译模型的优点,提出了深度递归的层次化机器翻译模型.相对于已有的神经翻译模型来说,更好地结合了层次化的翻译过程,同时这种方法结合循环神经网络和递归神经网络的优点.层次化规则的归纳包含两个部分:短语的归纳和形式化规则的归纳,而在该文的建模过程中模拟了这两个部分且符合归纳过程.该文在训练中采用单词级语义错误、单语短语/规则语义错误和双语短语/规则语义错误构造目标函数,训练中能够更好平衡语义中3个部分的影响,同时考虑到对齐信息以指导层次化深度神经网络的训练.在解码过程中通过生成部分翻译结果的语义向量,最终得到句子间的语义关系,这样可以在语法结构中加入语义信息,克服了原有层次化模型语义信息缺乏的问题.该模型的实验结果说明了深度递归的层次化机器翻译模型的有效性,相对于经典的基线系统提高了1.49~1.84BLEU分数.

关 键 词：循环神经网络 递归神经网络 词/短语/规则嵌入  层次化递归神经网络  自然语言处理

分 类 号：TP18]