摘要
现有研究通常将汉字视为表征的最小单元。然而，这种汉字表征方式面临两大瓶颈：其一，学习瓶颈——模型无法充分利用汉字内部丰富的结构特征（如偏旁部首和笔画）；其二，参数瓶颈——每个独立汉字都需要一个唯一的向量表示，导致参数量庞大。本文提出一种新颖的汉字表征方法——StrokeNet，旨在突破上述瓶颈。StrokeNet通过将汉字表示为拉丁化的笔画序列（例如，“ao1（凹）”映射为“ajaie”，“tu1（凸）”映射为“aeaqe”）来实现表征。具体而言，StrokeNet将每一笔画映射为特定的拉丁字符，从而使语义或结构相似的汉字具有相似的拉丁化表示。将StrokeNet引入神经机器翻译（NMT）系统后，许多此前难以应用于非拉丁语言的先进技术（如共享子词词汇学习、基于密文的数据增强等）得以有效实现。在广泛使用的NIST中文-英文、WMT17中文-英文以及IWSLT17日文-英文NMT任务上的实验表明，StrokeNet在参数更少的情况下显著超越了强基线模型，尤其在WMT17中文-英文任务上取得了26.5的BLEU分数，优于此前所有未使用单语数据的报道结果。相关代码与脚本已开源，地址为：https://github.com/zjwang21/StrokeNet。