基于遞歸神經(jīng)網(wǎng)絡(luò)的英譯漢機(jī)器翻譯模型設(shè)計(jì)與實(shí)現(xiàn)

楊 璐，樊同科

(1.西安外事學(xué)院 國際合作學(xué)院，西安 710077;2.西安外事學(xué)院 工學(xué)院，西安 710077)

0 引言

翻譯是將一種語言轉(zhuǎn)換成另一種語言，翻譯可以是逐字翻譯，也可以是逐句翻譯。在逐句翻譯中，獲得的信息比逐字翻譯要多[1]。漢語是世界上使用人數(shù)是最多的語言，其使用人口約為14億。機(jī)器翻譯長于文本或者語音翻譯，因此機(jī)器翻譯系統(tǒng)在快節(jié)奏的語言交流領(lǐng)域扮演者重要作用[2]。與此同時(shí)，機(jī)器翻譯是開放系統(tǒng)，具有泛化學(xué)習(xí)能力，隨著新數(shù)據(jù)添加到模型，能夠進(jìn)行獨(dú)立的更新替換。機(jī)器可以處理多維數(shù)據(jù)以及多種數(shù)據(jù)，機(jī)器翻譯有助于節(jié)省時(shí)間，所以人們不必花時(shí)間在尋找字典來翻譯一個(gè)句子，提高了生產(chǎn)率。

利用機(jī)器學(xué)習(xí)算法將英語翻譯成漢語，采用自然語言處理使機(jī)器翻譯智能化。語言處理方式日益豐富，許多研究定義了自然語言處理的體系結(jié)構(gòu)，有些研究涉及英譯漢翻譯的改進(jìn)，也有一些研究是簡單句子結(jié)構(gòu)和不同機(jī)器翻譯系統(tǒng)的比較。然而，目前對復(fù)雜句子結(jié)構(gòu)和句子重復(fù)意義的研究還比較少[3-7]。本研究的目的是設(shè)計(jì)一個(gè)基于遞歸神經(jīng)網(wǎng)絡(luò)(RNN，recursive neural networks)的英漢機(jī)器翻譯體系結(jié)構(gòu)，綜合詞匯的句法分析因素和注意權(quán)重，用RNN設(shè)計(jì)機(jī)器翻譯系統(tǒng)的體系結(jié)構(gòu)，并測試了機(jī)器翻譯系統(tǒng)的性能。

1 方法論

采用自然語言處理可以使機(jī)器翻譯智能化，研究人員提出了許多機(jī)器翻譯的解決方案，對于英語到印地語的翻譯，使用了兩種編碼器-解碼器神經(jīng)機(jī)器翻譯結(jié)構(gòu)，它們是卷積序列到序列模型(ConvS2S)和遞歸序列到序列模型(RNNS2S)[3]。在訓(xùn)練數(shù)據(jù)中，使用了1 492 827個(gè)句子，其中英語20 666 365個(gè)單詞，印地語22 164 816個(gè)單詞。遞歸序列到序列模型使用Nematus框架進(jìn)行訓(xùn)練，卷積序列到序列模型使用Fairseq-5進(jìn)行訓(xùn)練，F(xiàn)airseq-5是Facebook開發(fā)的一個(gè)開源庫，用于使用卷積神經(jīng)網(wǎng)絡(luò)(CNN)或遞歸神經(jīng)網(wǎng)絡(luò)進(jìn)行神經(jīng)機(jī)器翻譯。研究結(jié)果表明，卷積序列到序列模型在英印翻譯方面表現(xiàn)更好，這將有助于解決本文提出的英漢翻譯問題。在基于語料庫的方法中，使用一個(gè)主語文件和一個(gè)動(dòng)詞文件，解決了文獻(xiàn)[4]的翻譯問題。對于每個(gè)主語，都有一個(gè)對應(yīng)于其動(dòng)詞的標(biāo)記，并選擇最合適和最有意義的句子進(jìn)行最終翻譯。結(jié)果顯示，與谷歌翻譯程序相比，該譯碼器具有更好的性能。

對于另一個(gè)英語到印地語的翻譯，使用了前饋反向傳播人工神經(jīng)網(wǎng)絡(luò)[5]。在實(shí)現(xiàn)方面，采用Java作為主要編程語言，實(shí)現(xiàn)了除神經(jīng)網(wǎng)絡(luò)模型外的所有規(guī)則和模塊，并在Matlab中實(shí)現(xiàn)。這里，訓(xùn)練數(shù)據(jù)由編碼器編碼成數(shù)字形式，編碼器也是用Java實(shí)現(xiàn)的。使用BLEU來計(jì)算系統(tǒng)的得分，BLEU分?jǐn)?shù)也被用于測試訓(xùn)練模型。另一種維吾爾族語到漢語的神經(jīng)機(jī)器翻譯方法采用RNN編碼器-解碼器框架方法實(shí)現(xiàn)[6]，其中一些訓(xùn)練過程和數(shù)據(jù)集被用來實(shí)現(xiàn)這兩種模型。以上研究的結(jié)果表明，遞歸神經(jīng)網(wǎng)絡(luò)比傳統(tǒng)的RNN編碼提供了更好的結(jié)果。

1.1 數(shù)據(jù)收集

為了使用機(jī)器學(xué)習(xí)算法進(jìn)行訓(xùn)練，本文收集了數(shù)據(jù)集，文中研究的主要數(shù)據(jù)集是英語和漢語平行句。對于每一個(gè)英語句子，都需要一些對應(yīng)的漢語句子來訓(xùn)練和測試智能系統(tǒng)。數(shù)據(jù)集是從一些文章中收集的，這些文章是由手工編寫的英語和漢語，英語和漢語句子的最大長度均為7。數(shù)據(jù)集由4 000個(gè)英語和漢語平行句組成，數(shù)據(jù)集被分成4:1的比例分別進(jìn)行訓(xùn)練和測試。

1.2 預(yù)處理

為了規(guī)范化數(shù)據(jù)集，需要執(zhí)行文本預(yù)處理步驟。句子的所有字母都被轉(zhuǎn)換成小寫，所有的標(biāo)點(diǎn)符號都被刪除，不屬于英語和漢語的字符也會被刪除。對于模型設(shè)計(jì)原型，利用Tensorflow-Keras Python軟件包建立了神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)模型[7]。

2 模型構(gòu)建

2.1 標(biāo)記化

數(shù)據(jù)集必須在初始狀態(tài)下實(shí)現(xiàn)標(biāo)記化，對于每一個(gè)英語和漢語句子，所有的單詞都根據(jù)頻率進(jìn)行標(biāo)記。Tensorflow有一個(gè)標(biāo)記器庫，用于將單詞映射為相應(yīng)的整數(shù)。

然后，將所有單詞替換為一個(gè)記號數(shù)字，并存儲在英語和漢語句子的列表中。表1的英文句子轉(zhuǎn)換如下:

表1 標(biāo)記化映射詞

511331

相應(yīng)的漢語標(biāo)記化句子轉(zhuǎn)換如下:

721141

每個(gè)句子的長度不是固定的，為了使所有標(biāo)記化的句子具有相同的長度，將應(yīng)用填充。英語和漢語句子的最大長度均為7，因此，未填入的空格用0(零)填充。

英語標(biāo)記化序列為：

511331000

漢語標(biāo)記化序列為：

721141000

輸入的數(shù)據(jù)是矢量化的，因此數(shù)據(jù)集可以輸入到神經(jīng)網(wǎng)絡(luò)模型中。

2.2 詞匯上下文向量

根據(jù)存儲的上下文向量，可以預(yù)測英語標(biāo)記化句子。為了生成上下文向量，將英語和漢語的標(biāo)記化句子作為輸入，英語和漢語映射的標(biāo)記為注意權(quán)重，注意權(quán)重代表漢語標(biāo)記化序列對英語標(biāo)記化序列的注意。

score=Sigmoid(denseLayer+hiddenLayer)

attentionWeights=Softmax(score)

contextVector=(attentionWeights?encoderOutput)

(1)

利用式(1)生成上下文向量，圖1所示為用于生成上下文向量的網(wǎng)絡(luò)，訓(xùn)練序列的輸入為英語-漢語平行句。RNN的嵌入層對標(biāo)記序列進(jìn)行歸一化處理，并將輸出作為GRU或LSTM層的輸入。為了測量性能，本研究實(shí)現(xiàn)并測試了GRU和LSTM。使用Sigmoid和Softmax激活函數(shù)激活密集層和隱藏層的輸出，同時(shí)測量注意權(quán)重的得分，以便進(jìn)行性能評估，通過將編碼器輸出和注意權(quán)重相乘來生成上下文向量。

圖1 生成上下文向量的訓(xùn)練模型

2.3 遞歸神經(jīng)網(wǎng)絡(luò)

遞歸神經(jīng)網(wǎng)絡(luò)(RNN)模型采用順序輸入的方式[8]，即一個(gè)節(jié)點(diǎn)的輸出作為另一個(gè)節(jié)點(diǎn)的輸入或偏置。由于一個(gè)句子中的單詞具有關(guān)聯(lián)意義，因此采用RNN模型進(jìn)行研究。

1)編碼器：

編碼器由輸入嵌入層、GRU層和隱藏輸入層組成。輸入嵌入層用于對數(shù)據(jù)集進(jìn)行規(guī)范化。GRU層使用門控循環(huán)單元(GRU,gated recurrent unit)[9]，為了測試性能，也可使用長短時(shí)記憶網(wǎng)絡(luò)(LSTM,long short term memory network)來代替GRU。使用不同的激活函數(shù)來衡量模型的性能。編碼器輸出的批量大小為64，序列長度為7，共1 024個(gè)單元。

2)解碼器：

解碼器的第一層由嵌入層構(gòu)成，然后使用GRU作為類似編碼器，激活函數(shù)在GRU層工作。在GRU之后，用總詞匯大小作為密集層。與Bahdanau注意力機(jī)制類似，用于制作上下文向量。

3)注意方法：

本設(shè)計(jì)采用了注意機(jī)制，英語單詞重點(diǎn)集中于由注意權(quán)重測量的漢語詞匯[10]。使用Sigmoid激活函數(shù)對兩個(gè)密集層的輸入進(jìn)行歸一化，并計(jì)算得分權(quán)重，權(quán)重也用Softmax或Sigmoid激活函數(shù)進(jìn)行歸一化。

4)激活函數(shù)：

為了進(jìn)行性能比較，使用了一些激活函數(shù)，激活函數(shù)的主要作用是將輸入序列標(biāo)準(zhǔn)化。

雙曲正切激活函數(shù)式(2):

(2)

其中:x為序列的值。

線性激活函數(shù)式(3)：

F(xi)=wixi+b

(3)

其中:wi和b分別表示線性激活函數(shù)的斜率和截距。

Softmax激活函數(shù)式(4)：

(4)

Sigmoid激活函數(shù)式(5)：

(5)

在激活函數(shù)中，i=1，…，k；x=(x1，x2…，xk)∈Rk，表示標(biāo)記序列。

Softmax和Sigmoid的激活函數(shù)如圖2所示。

圖2 Sigmoid和Softmax激活函數(shù)

所有這些激活函數(shù)都用于編碼器GRU層、解碼器GRU層和注意層，從而尋找注意權(quán)重。

5)損失函數(shù)：

為了訓(xùn)練RNN模型，對誤差進(jìn)行了計(jì)算，并利用反向傳播損失函數(shù)對模型進(jìn)行了改進(jìn)。Tensorflow有一個(gè)稀疏的分類交叉熵函數(shù)庫，用于計(jì)算誤差。

分類交叉熵函數(shù)如下：

(6)

6)優(yōu)化和學(xué)習(xí)率：

優(yōu)化部分包括數(shù)據(jù)預(yù)處理和歸一化，優(yōu)化的另一個(gè)因素是學(xué)習(xí)率。

LearningRate(學(xué)習(xí)率)=1e-3=0.001

學(xué)習(xí)數(shù)據(jù)集使用了Adam優(yōu)化算法[11]，Adam是RMSprop和隨機(jī)梯度下降的組合。在本研究中使用Adam的主要優(yōu)點(diǎn)是在訓(xùn)練數(shù)據(jù)集期間可以進(jìn)行時(shí)間優(yōu)化。

對于英文輸入句“Let me go”整體模型如圖3所示。上下文向量模塊表示在該部分定義的映射英語和漢語標(biāo)記化句子的訓(xùn)練模型數(shù)據(jù)集[12]。一旦對輸入句子進(jìn)行標(biāo)記和填充，序列就可以進(jìn)行RNN輸入。在RNN編碼器中，第一層是嵌入層，第二層是GRU層。

圖3 英譯漢的機(jī)器翻譯模型

解碼器與編碼器相似，不同的是解碼器有一個(gè)密集層，該層根據(jù)注意分?jǐn)?shù)返回相應(yīng)的標(biāo)記序列，在移除填充之后，標(biāo)記器將序列解碼成漢語句子。

3 結(jié)果與討論

本文模型設(shè)置了檢查點(diǎn)，模型的對象保存在本地驅(qū)動(dòng)器中，并從上一個(gè)檢查點(diǎn)恢復(fù)。對于每一次的訓(xùn)練數(shù)據(jù)都有助于提高性能。模型的性能用損失函數(shù)，即式(6)來衡量，本研究進(jìn)行了30個(gè)階段的性能評估，模型的精度取決于誤差。為了使系統(tǒng)誤差最小化，采用了不同的方法，比較了編碼器、解碼器和注意層的激活函數(shù)。本文還以最佳激活函數(shù)測量了GRU和LSTM的性能。

3.1 輸入輸出層

對于輸入層，雙曲正切激活函數(shù)和線性激活函數(shù)在實(shí)驗(yàn)中表現(xiàn)最好。編碼器的第一層是嵌入層，在嵌入層中對標(biāo)記化序列進(jìn)行歸一化。將所有序列轉(zhuǎn)換成嵌入格式后，在GRU層測試雙曲正切激活函數(shù)和線性激活函數(shù)，以測量系統(tǒng)的性能。

模型損失如圖4所示，從圖4可以看出，編碼器的線性激活函數(shù)和解碼器GRU層的雙曲正切激活函數(shù)具有穩(wěn)定的性能[13]。為了交叉檢查雙曲正切激活函數(shù)和線性激活函數(shù)的誤差和性能，對4種組合進(jìn)行了評估。

圖4 模型損失

由表2可知，編碼器GRU和解碼器GRU的線性激活函數(shù)均增加了0.805的誤差，編碼器線性和解碼器雙曲正切激活函數(shù)的平均誤差為0.740，另一個(gè)編碼器的雙曲正切激活函數(shù)和解碼器線性激活函數(shù)的損耗為0.783。

表2 價(jià)值損失平均值

3.2 注意層

注意層由兩個(gè)激活函數(shù)組成，一個(gè)用于輸入，另一個(gè)用于將輸出歸一化為注意權(quán)重。這里使用了Sigmoid激活函數(shù)和Softmax激活函數(shù)。使用了Sigmoid激活函數(shù)和Softmax激活函數(shù)的所有組合來評估系統(tǒng)的性能。

如圖5所示，Sigmoid函數(shù)給出了注意層的最佳性能。注意層輸入的Sigmoid函數(shù)和輸出注意層的Softmax函數(shù)都是有效的。

圖5 基于注意層激活函數(shù)的模型損失

3.3 LSTM和GRU

在嵌入層之后實(shí)現(xiàn)了GRU層，也可以使用LSTM層來代替GRU[14-17]。在圖2中，運(yùn)行了50個(gè)epoch，并且使用了輸入輸出層和注意層中性能最佳的激活函數(shù)。但隨著epoch的增加，門控循環(huán)單元(GRU)的誤差和損失也會減少。為了獲得最佳的性能，使用一些參數(shù)如中央處理器(CPU)、隨機(jī)存取存儲器(RAM)和圖形處理單元(GPU)以及明顯的數(shù)據(jù)集數(shù)目作為樣本訓(xùn)練的重要因素。

在圖6中，GRU的性能比LSTM更好，這就是模型使用了GRU層的原因，GRU的平均誤差為0.508，比LSTM的0.602更有效。

圖6 模型(LSTM-GRU)的性能

3.4 誤差最小化

使用100個(gè)epoch用于評估每個(gè)epoch的最小誤差，這些epoch被分為兩個(gè)部分，如圖7所示，對于后50個(gè)epoch，誤差在滿意度水平上有所下降。

圖7 性能提升

從表3可以看出，前50個(gè)epoch的標(biāo)準(zhǔn)偏差為0.680，平均誤差為0.506。對于后50個(gè)epoch，平均誤差降低到0.107，標(biāo)準(zhǔn)差為0.003，性能良好。

表3 性能評估

該系統(tǒng)模型可以在輸入英語句子的基礎(chǔ)上對一個(gè)平行的漢語句子進(jìn)行評估，這個(gè)模型是使用深度學(xué)習(xí)方法以數(shù)據(jù)驅(qū)動(dòng)的方式生成的，它通過多層神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)預(yù)測每個(gè)給定單詞的翻譯單詞，將單詞轉(zhuǎn)化為向量表示[18]。在標(biāo)記化之后，RNN模型具有嵌入層，嵌入層是編碼器和解碼器的初始層。為了評估自動(dòng)語音識別，對于GRU和LSTM層的性能進(jìn)行了比較，結(jié)果表明，GRU的性能優(yōu)于LSTM，所以下一層是GRU層。使用雙曲正切激活函數(shù)和Softmax激活函數(shù)來評估注意機(jī)制，注意層的激活函數(shù)采用Sigmoid函數(shù)，以達(dá)到最佳的漢語翻譯效果[19]。編碼器和解碼器的兩個(gè)GRU層使用線性激活函數(shù)和雙曲正切激活函數(shù)，由于它們的平均損耗最小。

在編碼器和解碼器中分別使用線性激活函數(shù)和雙曲正切激活函數(shù)，在注意層使用Sigmoid函數(shù)，可以獲得最佳的精度[20]。用這些配置進(jìn)行了100個(gè)epoch，平均誤差最小為0.107。與文獻(xiàn)[14]相比，本文的基于遞歸神經(jīng)網(wǎng)絡(luò)的英譯漢機(jī)器翻譯方法誤差較低。實(shí)驗(yàn)結(jié)果表明，該算法比傳統(tǒng)的翻譯算法具有更好的性能。此外，考慮到交際翻譯，這種翻譯方法提供了準(zhǔn)確地獲取給定句子的上下文意義的優(yōu)勢。

如前所述，在翻譯后獲取句子的實(shí)際意義是一項(xiàng)復(fù)雜的任務(wù)，它依賴于訓(xùn)練數(shù)據(jù)集、詞匯和CPU處理能力，豐富的詞匯可以帶來更好的表現(xiàn)。除了這個(gè)限制之外，提出的模型可以應(yīng)用于各種應(yīng)用。許多現(xiàn)有的解決方案側(cè)重于逐字翻譯或直譯，而沒有考慮句子或短語中單詞的用法，這種模型為從英譯漢的翻譯提供了一種新的可能性。此外，由于該模型克服了翻譯的均衡性，因此可以用來建立系統(tǒng)，從而能夠通過相應(yīng)地考慮單詞的實(shí)際意義來更準(zhǔn)確地翻譯語言。例如，模型可以作為一個(gè)對話系統(tǒng)，在不真正了解漢語的情況下，用這種語言表達(dá)情感和想法，這對很多人來說是一個(gè)有益的指導(dǎo)。此外，通過學(xué)習(xí)正確的翻譯，會話系統(tǒng)將能夠獲得正確的句子含義。

4 結(jié)束語

機(jī)器翻譯有很多好處，它節(jié)省時(shí)間，可翻譯多種語言等。本文提出了一種英譯漢機(jī)器翻譯的設(shè)計(jì)方案并對其加以實(shí)現(xiàn)。與各種研究中的其他實(shí)現(xiàn)方法相比，本文提出的英譯漢的遞歸神經(jīng)網(wǎng)絡(luò)方法提供了更好的結(jié)果，它將為機(jī)器學(xué)習(xí)算法中的自然語言處理做出更大的貢獻(xiàn)，當(dāng)處理大量詞匯可以提高性能，增加epoch的數(shù)量可以提高準(zhǔn)確率，但是處理這類問題需要更多的處理能力和內(nèi)存，這些不足將在以后的工作中得到解決。