초록
최근 신경망 기계 번역(Neural Machine Translation)은 외부 언어 정보를 거의 사용하지 않으면서도 뛰어난 결과를 달성하였습니다. 본 논문에서는 신경망 MT 모델의 강력한 학습 능력이 언어 특성을 불필요하게 만들지 않는다는 점을 보여주며, 이러한 특성을 쉽게 통합하여 성능을 더욱 향상시킬 수 있음을 설명합니다. 우리는 주의 메커니즘(Attentional) 인코더-디코더 구조에서 인코더의 임베딩 레이어를 일반화하여 기준 단어 특성 외에도 임의의 특성을 포함할 수 있도록 하였습니다. 영어<->독일어 및 영어->루마니아어 신경망 기계 번역 시스템에 형태소 특성, 품사 태그, 그리고 문법적 의존 관계 라벨을 입력 특성으로 추가하였습니다. WMT16 학습 및 테스트 세트에 대한 실험에서, 언어 입력 특성이 세 가지 지표인 퍼플렉서티(perplexity), BLEU, 그리고 CHRF3에 따라 모델의 품질을 개선하는 것을 확인하였습니다. 우리의 신경망 MT 시스템의 오픈 소스 구현체는 제공되며, 샘플 파일과 설정도 함께 제공됩니다.