神经联合模型

  神经联合模型的训练;

　　输入：双语语料 C={x,y}₁^N

　　输出：模型参数 Θ

 （1）使用对其工具对双语语料进行对齐，得到 C={ x, y, a}₁^N ，其中 a 为对齐矩阵。

 （2）随机初始化神经网络参数 Θ

 （3）从双语语料 C 中随机采样一个句对{x^k，y^k，a^k}，而且从 y^k 中随机采样一个 n 元组（yi^k，yi-1^k，......，y_i-N+1^k） 

　　经过对齐信息得到源语言句子中大小为 M 的上下文窗口 C_i^k （Xai-(M+1)/2，....，X_ai-1，X_ai，....，Xai+(M+1)/2）

 （4）将 n 元组（yi^k，yi-1^k，......，y_i-N+1^k） 和上下文窗口 C_i^k 输入神经网络，计算损失 L_i^k

 （5）使用损失函数 L_i^k  计算参数梯度 σ_i^k ，并使用梯度降低法更新模型参数 Θ = Θ - α σ_i^k ，其中 α 是学习率

 （6）若损失函数 L>ε 则重复步骤 （3）—（5）  

语言模型：

　　最先成功的语言模型是基于固定长度的序列的标记模型，成为 n-gram 模型，一个n-gram  模型是一个包含 n 个标记的序列。

　　基于n-gram 模型定义了一个条件几率，给定前 n-1 个标记后的第 n 个标记的条件几率，该模型使用这些条件分布的乘积来定义较长序列的几率分布：

　　　　　　　　　　　　　P（x₁，...，x_τ）= P（x₁，...，x_n-1）∏ ^τ _t=n   P（x_t | xt-n+1，....，x_t-1）

神经语言联合模型：

　　N元神经网络语言模型讲前边 N-1 个词转换为词向量，而后输入到神经网络，通过若干线性层和非线性层来预测下一个词，与N元神经网络语言模型不一样

　　的地方在于神经网络语言模型除了使用目标语言的前 N-1 个词做为输入外，源语言句子的信息一样做为输入来对下一个目标语言次进行预测。

 　　例如：

 

 

 

 

 

 

 

 

 

 

 

　　（1）将 “ 经济、发展、变 ” 经过词向量-表映射为对应的词向量，并将这三个词的词向量进行拼接，而后做为线性层的输入。

　　（2）拼接后的向量通过一个非线性层（通常采用双正切函数 tanh ）获得特征表示

　　（3）基于学到的特征表示，在通过一个线性层映射为词表大小的向量

　　（4）最终使用 softmax 层得到词 “ 慢 ” 做为 “ 经济、发展、变 ” 以后的第四个词的几率 （ P（慢 |  经济、发展、变 ））。

假设中文句子 y = { 在近几年经济发展变慢了 } 是从英文句子 x = { economic growth has slowed down in recent years } 得来：

　　根据已知的对齐信息，中文 “ 慢 ” 对齐到英文句子的词是 slowed ，则以 slowed 为中心，取一个大小为 m ( 假设为5 ) 的窗口 { growth、 has 、slowed、 down、 in }

　　此时语言模型和翻译模型的联合模型即是计算 P（慢 |  经济、发展、变 、growth、 has 、slowed、 down、 in } 

　　（1）若 y_i 对齐到源语言的多个词，则以这几个词为中心当作源语言句子上下文窗口的中心。

　　（2）若 y_{i 没有对齐到源语言句子中的任何词，则向前找一个距离最近的存在对齐关系的目标语言词，继承该次对应的源语言句子的上下层窗口。}

softmax函数：

　　softmax用于多分类过程当中，它将多个神经元的输出，映射到（0,1）区间内，能够当作几率来理解，从而来进行多分类，而这些值的累和为1（知足几率的性质）。

熵：

　　熵是一个不肯定性的测度，也就是说，咱们对于某件事情知道的越多，则熵就越小，咱们对其结果就越不感到意外。关于未知分布最合理的推断应该是符合已知知识最不

　　肯定或最大随机的推断。

交叉熵：

　　基于神经网络的联合模型一般使用交叉熵做为损失函数。

 

 

 

 

 

 

 

 

 

 

 

一个随机变量 ,为用于近似的改路分布，则随机变量和模型之间的交叉熵定义为：

交叉熵经常用于模型的选择，若越小，则model越好。