无需双语语料库的无监督式机器翻译

|全文共3197字，建议阅读时长4分钟 |

 

本文经机器之心（微信公众号：almosthuman2014）授权转载，禁止二次转载

选自：Medium

作者：Harshvardhan Gupta

参与：刘晓坤、路雪

去年，Facebook 发表论文《Unsupervised Machine Translation Using Monolingual Corpora Only》，提出使用单语语料库的无监督式机器翻译。近日 Medium 上一篇文章对该论文进行了解读，机器之心对此进行了编译介绍。

深度学习广泛应用于日常任务中，尤其擅长包含一定「人性」的领域，如图像识别。或许深度网络最有用的功能就是数据越多性能越好，这一点与机器学习算法不同。

深度网络在机器翻译任务中做得不错。它们目前在该任务中是最优的，而且切实可行，连 Google Translate 都在使用。机器翻译需要语句级别的平行数据来训练模型，即对于源语言中的每个句子，目标语言中都有对应的译文。难点在于某些语言对很难获取大量数据（来使用深度学习的力量）。

机器翻译的问题

如上所述，神经机器翻译最大的问题是需要双语语言对数据集。对于英语、法语这类广泛使用的语言来说，这类数据比较容易获取，但是对于其他语言对来说就不一定了。如能获取语言对数据，则该问题就是一个监督式任务。

解决方案

论文作者指出如何将该任务转换成无监督式任务。在该任务中，所需的唯一数据是两种语言中每种语言的任意语料库，如英语小说 vs. 西班牙语小说。注意两部小说未必一样。

也就是说，作者发现如何学习两种语言之间共同潜在空间（latent space）。

自编码器简单回顾

自编码器是用于无监督任务的神经网络的一种宽泛类别。它们可以重新创建与馈送的输入相同的输入。关键在于自编码器中间有一个层，叫作 bottleneck 层。该层可以捕捉所有输入的有趣信息，去除无用信息。

自编码器图示。中间的模块是存储压缩表征的 bottleneck 层。（图片来源：https://blog.keras.io/building-autoencoders-in-keras.html）

简言之，bottleneck 层中的输入（这里经过编码器转换）所在的空间就是潜在空间。

去噪自编码器

如果自编码器可以学会完全按照接收的馈送来重建输入，那么它或许什么都不用学了。这种情况下，输出可以被完美重建，但是 bottleneck 层中并没有有用特征。为了弥补，我们可以使用去噪自编码器。首先，向输入添加一些噪声，然后构建网络用来重建原始图像（不带噪声的版本）。用这种方式，通过让网络学习什么是噪声（以及真正有用的特征）使其学习图像的有用特征。

去噪自编码器图示。使用神经网络重建左侧图像，生成右侧图像。在此示例中，绿色的神经元就是 bottleneck 层。（图片来源：http://www.birving.com/presentations/autoencoders/index.html#/）

为什么要学习共同潜在空间？

潜在空间捕捉数据特征（在机器翻译中，数据是句子）。如果可以学习对语言 A 和语言 B 馈送的输入输出相同特征的空间，那么就可以实现这两种语言之间的翻译。由于该模型已经学会了正确的「特征」，那么利用语言 A 的编码器来编码，利用语言 B 的解码器解码就可以使该模型完成翻译。

如你所料，该论文作者利用去噪自编码器学习特征空间。他们还指出如何使自编码器学习共同潜在空间（作者在论文中称之为对齐潜在空间），以执行无监督机器翻译。

语言中的去噪自编码器

作者使用去噪编码器以无监督的方式学习特征。其中定义的损失函数为：

式 1.0 去噪自编码器损失函数

式 1.0 的解释

l 是语言（按其设置，应该有两种可能的语言），x 是输入，C(x) 是将噪声加到 x 之后的结果。e() 是编码器，d() 是解码器。等式末尾的 Δ(x_hat ,x) 项是 token 级别的交叉熵误差总和。由于是通过输入序列得到输出序列，我们需要确保每个 token 都以正确的顺序排列。因此最终得到了上式中的损失函数。可以将其视为多标签分类问题，其中输入中的第 i 个 token 和输出中的第 i 个 token 对比。一个 token 就是一个单元，不能再继续分解。在机器翻译中，一个单词就是一个 token。

因此，式 1.0 的作用是使网络最小化它的输出（给定带噪输入）和原始语句之间的差异。

如何添加噪声

图像处理可以通过在像素中添加浮点数来添加噪声，而在语言中添加噪声的方式是不同的。因此，论文作者开发了自己的噪声生成系统。他们用 C() 表示噪声函数。C() 以输入语句为输入，然后输出该语句的带噪声版本。

有两种添加噪声的方法。

一种是，以 P_wd 的概率从输入中删除一个单词；另一种是，每个单词以下式中的约束从初始位置偏移：

这里，σ是第 i 个 token 偏移后的位置。因此，上式的含义是「一个 token 最多可以偏离原来位置 k 个 token 的距离」。

作者使用的 k 值为 3，P_wd 值为 0.1。

跨域训练

为了学习两种语言的互译，需要构建将输入序列（语言 A）映射到输出序列（语言 B）的过程。作者称该学习过程为跨域训练。首先，采样一个输入语句 x，然后使用前一次迭代后的模型 M() 生成翻译后的输出 y，即 y=M(x)。之后，使用上述的噪声函数 C() 应用到 y 上，得到 C(y)。语言 A 的编码器将 C(y) 编码，然后由语言 B 的解码器将其解码，重构出 C(y) 的无噪声版本。训练模型时使用的是相同的交叉熵误差总和，类似式 1.0。

通过对抗训练学习共同潜在空间

论文中并没有提到如何学习共同潜在空间。上述跨域训练可能在某种程度上有助于学习类似的空间，但要使模型学习类似的潜在空间需要添加一个更强的约束。

作者使用了对抗训练。他们使用了另一个称为鉴别器的模型，以每个编码器的输出为输入，预测被编码的语句所属的语言。然后，编码器也要学习欺骗鉴别器。这在概念上和标准的 GAN 并没有什么区别。鉴别器通过每个时间步（由于使用了 RNN）的特征向量预测输入所属的语言种类。

整合所有部分

将上述的三个不同的损失（自动编码器损失、翻译损失和鉴别器损失）加在一起，所有的模型权重在一个步骤内更新。

由于这是一个序列到序列问题，作者使用了 LSTM 网络，结合注意力机制，即有两个基于 LSTM 的自编码器，每种语言使用一个。

训练该架构时有三个主要步骤。训练过程是迭代进行的。训练循环分为以下三步：

1. 使用语言 A 的编码器和语言 B 的解码器进行翻译；

2. 给定一个带噪语句，训练每个自编码器重新生成一个去噪语句；

3. 给步骤 1 中得到的翻译语句添加噪声然后重新生成，以提升翻译能力。这一步中，语言 A 的编码器和语言 B 的解码器（以及语言 B 的编码器和语言 A 的解码器）需要一起训练。

注意虽然步骤 2 和步骤 3 是分开的，但权重是同步更新的。

如何快速启动该框架

如上所述，该模型使用了之前迭代的译文来提升自己的翻译能力。因此，在训练循环开始之前，事先具备某些类型的翻译能力是很重要的。作者使用了 FastText 学习词级双语词典。注意这种方法是很粗糙的，只在模型开始时使用。

框架的完整结构如下流程图所示：

完整翻译框架的高级流程图。（图片来源：http://robertaguileradesign.com/）

结论

本文介绍了一种非常新的无监督机器翻译技术。它使用多种不同的损失函数来提升各个单独任务，同时使用对抗训练为架构行为添加约束。

原文链接：

https://buzzrobot.com/machine-translation-without-the-data-21846fecc4c0

喜欢我们就多一次点赞多一次分享吧~

有缘的人终会相聚，慕客君想了想，要是不分享出来，怕我们会擦肩而过~

《预约、体验——新维空间站》

《【会员招募】“新维空间站”1年100场活动等你来加入》

《有缘的人总会相聚——MOOC公号招募长期合作者》

产权及免责声明

本文系“MOOC”公号转载、编辑的文章，编辑后增加的插图均来自于互联网，对文中观点保持中立，对所包含内容的准确性、可靠性或者完整性不提供任何明示或暗示的保证，不对文章观点负责，仅作分享之用，文章版权及插图属于原作者。如果分享内容侵犯您的版权或者非授权发布，请及时与我们联系，我们会及时内审核处理。

了解在线教育，
把握MOOC国际发展前沿，请关注：
微信公号：openonline
公号昵称：MOOC