【论文阅读】Addressing the RareWord Problem in NeuralMachine Translation

论文作者：

Minh Tang Luon (Stanford University)
Iiya Sutskever (Google)
Quoc V.Le (Google)
Orial Vinyals (Google)
Wojciech Zaremba (New York Univerity)
这篇论文一看就感觉是一个很好的研究工作，对一个很具体又很重要的问题展开。

摘要

文章的方法是在经过对齐算法处理的数据上进行训练NMT系统，然后再经过post-processing来翻译OOV，模型在WMT’14 English to French的任务提升了2.8 BLUE值，以37.5 BLUE值得分在WMT’14 contest task达到了最优的结果

与Standard phrase-based systems 的比较

pros：
1、模型通用：任何 sequence-to-sequence都可以进行建模处理
2、泛化性能强：在训练语料中没有出现的句子也可以提供翻译
3、不需要额外的短语表与语言模型
4、NMT 系统易于实现
cons：
处理不好OOV情况，如下图对比了phrase-base与NN的翻译结果，phrase-base的方法有显式的对齐处理算法，所以具有处理OOV词语的能力。