Обучение представлений фраз с использованием RNN энкодер–декодера для статистического машинного перевода
Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation
2014-01-01
SCID: 54.1/9qm76zut
Discuss with AI
EMNLP 2014RNN кодировщик–декодировщикпредставления фразпоследовательность в последовательностьстатистический машинный перевод
Figures from the paper
Abstract (AI)
Кюнхьюн Чо, Барт ван Мерриеенбоер, Чаглар Гюльчехре, Дзмитрий Бахдану, Фети Бугарес, Холгер Швенк, Йошуа Бенжио. Труды конференции по эмпирическим методам в обработке естественного языка (EMNLP), 2014.
Key Findings
1
Показано, что оценка пар фраз с помощью RNN Encoder–Decoder улучшает качество перевода при интеграции в систему статистического MT.
2
Предложена архитектура RNN Encoder–Decoder для обучения представлений фраз переменной длины для статистического машинного перевода.
3
Показано, что архитектура может обрабатывать входы и выходы переменной длины без зависимости от фиксированного выравнивания словаря.
4
Модель совместно обучается кодировать входную фразу в вектор фиксированной длины и декодировать её в целевую фразу.
Research Object
Модель RNN Encoder–Decoder для обучения представлений фраз в статистическом машинном переводе
Research Subject
Обучение представлений фраз (векторных встраиваний) и их использование для улучшения качества статистического машинного перевода
Publication Details
Publication Date
2014-01-01
Journal
Publisher
ISSN
Cited by
27111
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai2
Работы, цитирующие эту статью20
Обучение представлений с помощью контрастивного предиктивного кодирования2018
Всеобъемлющий обзор графовых нейронных сетей2020
О свойствах нейронного машинного перевода: подходы энкодер–декодер2014
Эффективные подходы к нейронному машинному переводу на основе механизма внимания2015
Графовые нейронные сети: обзор методов и приложений2020
CodeBERT: предобученная модель для языков программирования и естественных языков2020
Механизм самовнимания с представлениями относительных позиций2018
Ускорение t-SNE с использованием алгоритмов на основе деревьев2014
Прогнозирование временных рядов с использованием глубокого обучения: обзор2021
Обзор алгоритмов и архитектур глубинного обучения2019
Многоязычная система нейронного машинного перевода Google: обеспечение zero-shot перевода2017
Обзор методов машинного и глубокого обучения для обеспечения безопасности Интернета вещей (IoT)2020
DNABERT: предварительно обученная двунаправленная модель представлений энкодера на основе Transformers для языка ДНК в геноме2021
Глубокое обучение на графах: обзор2020
Глубокое обучение в биоинформатике2016
Графовые нейронные сети: обзор методов и приложений2018
Унифицирующий обзор глубоких и поверхностных методов обнаружения аномалий2021
Обзор рекомендательных систем на основе графов знаний2020
Рекуррентные нейронные сети: всесторонний обзор архитектур, вариантов и приложений2024
Сиамские рекуррентные архитектуры для обучения семантической схожести предложений2016