【机器翻译】字符级机器翻译 - BPE

2016

Neural Machine Translation of Rare Words with Subword Units

解决的问题

OOV问题

中文也存在OOV问题。比如分词以后

核心思想

其核心思想是语料库中的高频词作为整体出现的可能性大，因此不对其进行切分，而对低频词进行切分，由此增加稀疏词中子词的共现次数。

encoding rare and unknown words as sequences
of subword units.

本文讨论了subword的不同分割技巧：

• 直接采用char，信息损失较多
• character n-gram models
• segmentation based on the byte pair encoding compression algorithm

规避大词典。原来都是先把一个数据集中所有单词找出来，把最常用的一些（如90%）做成一个大词典，显然这是冗余的，words和word完全没必要区分。动不动就是50K的单词表，非常耗内存，在像Czech这类语言上更加不行。关键是冗余不优雅。很多研究者都注意到这个问题：

• subword，就是统计一下符号的频率，如“est”可能是一个符号，能组成“w est,b est”等词，因此称为subword。我觉得还是不够自然，而且效果并不是很好。
• Hybrid Word-Character Models，相当于把未知的词训练成RNN小单元，据说华为很早就申请专利了。我表示，不能有word。
• Junyoung Chung提出的不需要显式分隔的模型。提出bi-scale的RNN，我觉得很有意思，但我有个疑问，这跟base的RNN有什么区别？论文中也显示，确实差不多。我不知道为什么性能那么好。由于没有训练时间、训练所用内存等更多信息我无法作出判断。
• 还有Wang Ling提出的，但是完全不是NMT，需要借助IBM model来对齐和分层训练，而且效果不好。

related work

• 2016 年，Rico Sennrich 和 Barry Haddow 等人提出了 Byte Pair Encoding (BPE)的方法，将原有的单词拆解成了更小单元的高频词进行翻译。 BPE 方法在多大程度上解决了未登录词翻译的问题。对未登录词的翻译精准度达到了 45%左右，

参考

• subword-nmt | github