Deconvolutionsbasierte globale Dekodierung für neuronale Maschinelle Übersetzung

Ein großer Teil der sequenz-zu-sequenz (Seq2Seq)-Modelle für die neuronale maschinelle Übersetzung (NMT) verwendet Rekurrente Neuronale Netze (RNN), um die Übersetzung wortweise in einer sequenziellen Reihenfolge zu generieren. Da linguistische Studien gezeigt haben, dass Sprache nicht als lineare Wortsequenz, sondern als Sequenz komplexer Strukturen betrachtet werden sollte, sollte die Übersetzung bei jedem Schritt auf den gesamten Kontext der Zielsequenz konditioniert sein. Um dieses Problem anzugehen, schlagen wir ein neues NMT-Modell vor, das die Sequenz unter der Anleitung ihrer strukturellen Vorhersage des Kontexts der Zielsequenz decodiert. Unser Modell generiert die Übersetzung basierend auf der strukturellen Vorhersage des Zielkontexts, sodass die Übersetzung von der Bindung an eine sequenzielle Reihenfolge befreit wird. Experimentelle Ergebnisse zeigen, dass unser Modell im Vergleich zu den Stand-of-the-Art-Methoden wettbewerbsfähiger ist und die Analyse verdeutlicht, dass unser Modell auch robust bei der Übersetzung von Sätzen unterschiedlicher Längen ist und durch die Anweisungen aus dem Zielkontext zur Decodierung Wiederholungen reduziert.