联系方式
周一至周日 8:00 - 22:00
道可道微信公众号
道可道微信公众号
专业翻译公司
15317698650   17721018501
专业翻译公司
专业翻译公司
专业翻译公司
扫描左侧二维码
关注微信公众号

攻下号称最难的WMT2019中英翻译任务!百度机器翻译团队登顶

8月1日,WMT2019国际机器翻译大赛研讨会在意大利佛罗伦萨召开。本届大赛,百度机器翻译团队在中文-英文翻译任务上获得冠军。 图1 人工评价结果

8月1日 WMT2019国际机器翻译大赛研讨会在意大利佛罗伦萨召开 本届大赛 百度机器翻译团队在中文-英文翻译任务上获得冠军

图1 人工评价结果

WMT全称是Workshop on Machine Translation 是业界公认的国际顶级机器翻译比赛之一 其中中文-英文翻译任务是历年参赛队伍最多 竞争最为激烈的机器翻译任务之一 今年中英方向参赛队伍有来自微软 字节跳动 金山 爱丁堡大学 东北大学 日本情报通信研究院等国内外知名机器翻译团队 本届大赛 百度翻译团队凭借在数据处理 模型架构 数据增强 模型集成等方面的创新性突破 最终力压群雄 取得第一

本次大会的评审专家对于百度参评系统给予高度评价 This is a very solid system paper describing a strong system in the shared evaluation The techniques employed are cutting-edge 本文对主要技术进行介绍

图2 百度翻译参赛系统架构图

如上图所示 数据处理模块通过数据筛选 噪音去除 数据增强等 产生训练数据 对于翻译模型 从预训练 网络结构等方面进行改进 使模型学到更多维度 更深层次的信息 在训练和模型集成阶段 凭借百度强大的机器学习平台和海量的计算资源 从上百个模型中选择不同的模型组合集成 最终 结合统计特征和深度学习模型的特征 通过Re-ranking算法从多个译文候选中选择最优的翻译结果

接下来将从数据预处理 翻译模型改进 训练数据增强 模型集成和重排序等方面介绍百度翻译团队的参赛系统

数据处理

神经网络翻译模型对训练数据尤为敏感 不仅要求数据规模大 还要求数据质量高 因此 数据处理对于提升翻译质量至关重要 针对组委会提供的双语数据 通过fast_align进行数据清洗 fast_align可以衡量两个句子互为翻译的概率 从而根据翻译概率去除低质数据 以翻译自动评价指标BLEU衡量 清洗后的数据训练模型提高了1.1个百分点

相比双语数据 主办方提供了更多的单语数据 采用Back Translation技术利用英语单语数据提升模型的翻译质量 具体做法是 先用中英双语数据训练一个英中的翻译系统 由英中模型将英文句子翻译成对应的中文句子 将模型生成的中文句子和英文句子组合成双语句对 并和真实的中英双语句对混合作为中英模型的训练数据 此技术可以提升翻译质量(BLEU)0.8个百分点

翻译模型

目前 主流的神经网络翻译模型是Transformer 根据模型参数的大小可以分成base Transformer和big Transformer 其中 big Transformer具有更多的参数和更好的翻译效果 在本次比赛中 我们基于Transformer模型 创新性地提出了三种改进的模型 显著提升了翻译质量 成为比赛决胜的关键点之一 此次改进的模型包括

Pre-trained Transformer: 在大规模单语语料上训练语言模型 并以此作为翻译模型的编码器

Deeper Transformer: 加深编码器的层数 提取更多维度特征

Bigger Transformer: 增大前向网络的隐藏节点

图3 改进的翻译模型

Pre-trained Transformer

最近的研究表明 在大规模语料上训练的语言模型 对其下游任务有很显著的提升 我们在中文数据上训练出一个24层的Transformer语言模型 采用自编码的训练方法 即随机将句子中的词变为masked标签 并经过24层的Transformer进行编码 最后预测masked位置的实际的词 以预训练的语言模型作为翻译模型的编码器 在中英双语数据上继续训练翻译模型 在使用双语数据训练阶段 预训练语言模型 编码器 的参数在前10000步保持不变 只更新解码器的参数 之后编码器和解码器都会更新参数

Pre-trained Transformer相比标准的big Transformer拥有更深的encoder 从6层扩展到24层 并且经过在超大规模的中文单语数据上预训练 可以对源语言 中文 句子提取更多的有效特征 从而有效的提高模型的翻译质量 从自动评价指标BLEU上看 Pre-trained Transformer相比big Transformer 显著提升了1个百分点

Deeper Transformer

更深的编码器可以提取更多的特征 但是对于翻译模型的训练而言 仅加深编码器的层数 通常会遇到梯度消失的问题 导致模型无法正常收敛 我们提出Deeper Transformer, 在更深的编码器中 通过增加残差连接 即前面所有层都作为下一层的输入 避免了梯度消失 实现了端到端的翻译训练 标准的base Transformer和big Transformer模型 编码器和解码器都是6层的 而对于采用deeper Transformer的模型, base Transformer的编码器可以扩展到30层 big Transformer的编码器可以扩展到15层

Deeper Transformer相比标准的big Transformer性能提升较少 但是在模型集成阶段 加入Deeper Transformer可以显著提升整个系统的翻译质量 在本文后面的模型集成部分会有更详细的介绍

Bigger Transformer

此外 我们提出了Bigger Transformer 在宽度的维度上增强模型 探索了增大前向网络节点和隐藏层节点对翻译质量的影响 发现增大前向网络节点可以显著提升翻译质量 Bigger Transformer的前向网络节点数是15000 而标准的big Transformer的前向网络节点数是4096 但是 更多的参数更容易在训练过程中出现过拟合问题 通过增大dropout的比率和label smoothing的参数避免了过拟合 相比big Transformer, Bigger Transformer提升了0.8 BLEU

数据增强

对于单语数据 采用联合训练方法增强back translation生成的译文 构造更高质量的 双语数据 首先使用中英双语数据分别训练中英和英中翻译模型 中英模型将中文单语数据翻译成英文 英中模型将英文单语数据翻译成中文 中英模型在英中模型产生的 的双语数据上继续训练 英中模型在中英模型生成的 的双语数据上继续训练 中英和英中模型的性能都得到提升 在下一轮中 翻译效果更好的中英 英中模型可以生成质量更高的伪数据 用来进一步提升翻译模型

对于双语数据的目标端 英文 通过英-中翻译模型生成源端 中文 译文 生成 的中文和 真实 的英文作为增强的数据混入双语数据共同训练中英模型

图4 联合训练流程图

对于双语数据的源端 中文 采用知识蒸馏的方法 以R2L翻译模型(从右到左的翻译顺序)和异构模型(不同结构的模型)作为 Teacher , 生成目标端 英文 译文 再将 真实 的中文和 生成 的英文作为增强数据 指导模型学习更多的知识 R2L翻译模型作为 Teacher 由于翻译模型解码的特性 生成的英文译文的后部分翻译的通常比前部分更好 通过知识蒸馏方法可以让翻译模型 L2R 学习到更多的句子后部信息 不同结构的翻译模型具有不同的翻译特性 例如 Deeper Transformer和Bigger Transformer可以作为Pre-trained Transformer的 Teacher 指导Pre-trained Transformer学习Deeper Transformer和Bigger Transformer的特性 如下图所示 D’表示模型生成的双语句对 多个不同的D’组合作为模型的训练语料

图5 知识蒸馏流程图

多种数据增强方法 不仅可以增强模型的鲁棒性 还指导模型学习其他模型特有的知识 从而进一步提升翻译效果

模型集成

模型集成解码可以显著提升翻译效果 我们使用不同的模型 在不同的数据上采用不同的策略训练出上百个翻译模型 以探索不同的模型集成对翻译质量的影响 经过大量的实验发现 相同结构的模型进行集成 即使性能都很强 但是集成的翻译效果收益较小 而集成不同结构的模型 翻译的效果得到了非常显著的提升 相比最强的单系统提升了1.4 BLEU

重排序

集成模型生成k个候选译文 通过k-best MIRA算法学习各个特征的权重 从而对候选译文进一步排序 选择最好的译文 设计了4种特征 可以有效的提高翻译质量

1.翻译模型特征 集成模型生成译文的得分和R2L模型对译文的打分

2.语言模型特征 多个语言模型和后向语言模型对译文的打分

3.长度特征 译文和原文的长度比和长度差

4.加权投票特征 计算每个译文和其他候选译文的BLEU 并计算其平均值

通过以上技术创新 相比于基线系统 我们获得了6-7个百分点的大幅提升 作为国内最早的互联网机器翻译系统之一 百度翻译在技术和产品上一直处于业界领先 早在2015年 百度翻译就发布了全球首个神经网络翻译系统 并于同年获得国家科技进步二等奖 通过不断的技术创新 翻译质量保持业界领先 在刚刚过去的百度开发者大会上 发布了业界首个端到端的同传翻译小程序 为用户提供沉浸式同传体验 随着技术的不断进步与发展 机器翻译将在跨越语言鸿沟中发挥越来越大的作用

百度自然语言处理 Natural Language Processing NLP 以‘理解语言 拥有智能 改变世界’为使命 研发自然语言处理核心技术 打造领先的技术平台和创新产品 服务全球用户 让复杂的世界更简单

联系方式
周一至周日 8:00 - 22:00
道可道微信公众号
道可道微信公众号