2017年outstanding paper的chunk-basedpaper记录

文字来源 http://www.sohu.com/a/158316468_473283

CVPR是近十年来计算机视觉领域全球最有影响力、内容最全面的顶级学术会议，由全球最大的非营利性专业技术学会IEEE（电气和电子工程师协会）主办。

ACL是计算机语言学和自然语言处理领域最高级别国际学术年会，会议涵盖生物医学、认知建模与心理语言学、交互式对话系统、机器翻译等各个领域。

Chunk-Based Bi-Scale Decoder for Neural Machine Translation本文引入一个额外组块神经网络层，从组块到词的层次生成译文，帮助实现神经网络翻译系统短语级别的建模，实验表明该方法在多种语言上都能显著提高翻译效果。

ICML是机器学习最重要的两个会议之一（另一个是NIPS）。ICML源于1980年在卡内基梅隆大学举办的机器学习研讨会，现由国际机器学习学会（IMLS）主办。早期，ICML更注重实验和应用，而NIPS更注重模型和算法，但近年来两个会议有些趋同。

文字来源：https://www.toutiao.com/i6448470163938361869/

• 论文二：Chunk-Based Bi-Scale Decoder for Neural Machine Translation

• 作者：Hao Zhou、Zhaopeng Tu、Shujian Huang、Xiaohua Liu、Hang Li 和 Jiajun Chen

• 论文地址：https://arxiv.org/abs/1705.01452

简介：本文引入一个额外组块神经网络层，从组块到词的层次生成译文，帮助实现神经网络翻译系统短语级别的建模，实验表明该方法在多种语言上都能显著提高翻译效果。

• 论文一：Chunk-based Decoder for Neural Machine Translation

• 作者：Shonosuke Ishiwatari, Jingtao Yao, Shujie Liu, Mu Li, Ming Zhou, Naoki Yoshinaga, Masaru Kitsuregawa, Weijia Jia

简介：在机器翻译中使用组块信息能够更容易的对组块内的词语和组块与组块之间的关系进行建模，因此在统计机器翻译中得到了广泛的使用。该论文的科研人员将组块的信息应用到神经机器翻译中，从而更容易的解决了远距离的依赖问题。他们提出的基于组块的神经机器翻译模型，包含了一个组块级别的解码器和词级别的解码器。组块级别的解码器负责对全局（组块间）的依赖进行建模，而词级别的解码器则对局部（组块内）的依赖进行建模。在英日翻译任务（WAT』16）上的实验显示，基于组块的神经机器翻译解码算法能够显著的提高翻译性能。