基础知识点
提出了一个基于卷积层的模型,能够实现同时编码,而循环神经网络计算受时间依赖性约束。
卷积神经网络模型具有的优点(为什么目前在机器翻译中最好的模型是双向循环神经网络,还要尝试用卷积神经网络解决问题的原因):
1.卷积神经网络在一个输入序列固定大小窗口上计算,能够实现同时计算一个源句的所有特征,而RNN保留了整个过去的隐藏状态,因此不能够实现并行计算。
2.与RNN相比,一系列卷积层提供了捕获序列元素间关系的较短路径?,由于卷积神经网络得到的树结构使用固定数量的non-linearities,而RNN要根据时间步来确定non-linearities的数量,因此简化了学习。
Non-recurrent Encoders
Pooling Encoder(池编码器)
平均K个连续词的嵌入(不传达位置信息)+位置嵌入(编码句子中每个源词的绝对位置)
e j ( s o u r c e e m b e d d i n g ) = w j ( w o r d e m b e d d i n g ) + l j ( p o s i t i o n e m b e d d i n g ) e_j(source\ embedding)=w_j(word\ embedding)+l_j(position\ embedding) ej(source embedding)=wj(word embedding)+l