摘要 | 第3-4页 |
Abstract | 第4页 |
1 绪论 | 第9-17页 |
1.1 研究背景与意义 | 第9-10页 |
1.2 国内外研究现状 | 第10-14页 |
1.2.1 基于规则的机器翻译模型 | 第10-11页 |
1.2.2 统计机器翻译模型 | 第11-12页 |
1.2.3 神经机器翻译模型 | 第12-14页 |
1.3 研究内容 | 第14-15页 |
1.4 论文的章节组织结构 | 第15-17页 |
2 相关理论及技术 | 第17-23页 |
2.1 激活函数 | 第17-19页 |
2.1.1 ReLU函数 | 第17-18页 |
2.1.2 sigmoid函数 | 第18-19页 |
2.1.3 tanh函数 | 第19页 |
2.2 Dropout | 第19-20页 |
2.3 随机梯度下降算法 | 第20-21页 |
2.3.1 梯度下降法描述 | 第20-21页 |
2.3.2 随机梯度下降算法 | 第21页 |
2.4 评价标准 | 第21-22页 |
2.5 本章小结 | 第22-23页 |
3 基于循环神经网络的机器翻译模型 | 第23-32页 |
3.1 引言 | 第23页 |
3.2 构建编码器-解码器框架 | 第23-26页 |
3.2.1 编码器 | 第25-26页 |
3.2.2 解码器 | 第26页 |
3.3 基于RNN的神经机器翻译 | 第26-29页 |
3.4 实验结果 | 第29-31页 |
3.4.1 数据集和预处理 | 第30页 |
3.4.2 模型参数设定 | 第30页 |
3.4.3 实验结果 | 第30-31页 |
3.5 本章小结 | 第31-32页 |
4 结合注意力机制的神经机器翻译模型 | 第32-45页 |
4.1 引言 | 第32页 |
4.2 注意力机制 | 第32-36页 |
4.2.1 注意力机制的思想 | 第32-33页 |
4.2.2 自注意力机制 | 第33-34页 |
4.2.3 全局注意力 | 第34-35页 |
4.2.4 局部注意力 | 第35-36页 |
4.3 结合注意力机制的BiRNN神经机器翻译模型 | 第36-38页 |
4.3.1 Bi RNN Encoder | 第36-37页 |
4.3.2 Bi RNN Decoder | 第37-38页 |
4.4 完全基于注意力的翻译模型Transformer | 第38-43页 |
4.4.1 Transformer模型架构 | 第39-40页 |
4.4.2 Transformer Encoder | 第40页 |
4.4.3 Transformer Decoder | 第40-41页 |
4.4.4 Transformer Attention机制 | 第41-43页 |
4.4.5 位置嵌入 | 第43页 |
4.5 本章小结 | 第43-45页 |
5 加入生成式对抗网络的神经机器翻译模型 | 第45-54页 |
5.1 生成式对抗网络(GAN) | 第45-47页 |
5.1.1 生成式对抗网络思想 | 第45-46页 |
5.1.2 生成式对抗网络的基本模型 | 第46页 |
5.1.3 生成式对抗网络与Jensen-Shannon散度 | 第46-47页 |
5.2 结合生成式对抗网络的神经机器翻译模型 | 第47-51页 |
5.2.1 生成器G | 第48页 |
5.2.2 判别器D | 第48-49页 |
5.2.3 BLEU目标值 | 第49页 |
5.2.4 策略梯度训练 | 第49-50页 |
5.2.5 训练方法 | 第50-51页 |
5.3 实验结果 | 第51-53页 |
5.3.1 数据集和预处理 | 第51页 |
5.3.2 模型参数设定和评估 | 第51-52页 |
5.3.3 实验结果 | 第52-53页 |
5.4 本章小结 | 第53-54页 |
6 总结与展望 | 第54-56页 |
6.1 论文总结 | 第54页 |
6.2 工作展望 | 第54-56页 |
参考文献 | 第56-60页 |
致谢 | 第60-61页 |
附录1 攻读硕士学位期间参与的项目和发表的论文 | 第61页 |